用Burg方法估算功率谱密度
估计/功率谱估计
dspspect3
Burg方法块估计功率谱密度(PSD)输入框使用Burg方法。该方法拟合自回归(AR)。通过最小化(最小二乘)前向和后向预测误差对信号进行建模。这种最小化是在AR参数受约束以满足Levinson-Durbin递归的情况下发生的。
输入必须是列向量或无向向量。这个输入代表了一帧来自单通道信号的连续时间采样。块输出一个列向量,该列向量包含信号在点的功率谱密度的估计Nfft等间隔的频率点。频率点在范围[0,F年代),F年代为信号的采样频率。
当你选择从输入维度继承估计顺序参数时,全极模型的阶数比输入帧大小小1。否则,估计订单参数指定顺序。该模块从估计的AR模型参数的FFT中计算频谱。
选择从估计顺序继承FFT长度参数指定,Nfft比估计阶大1。清理从估计顺序继承FFT长度复选框,允许您使用FFT长度参数指定Nfft作为2的幂。块零填充或包装输入到Nfft在计算FFT之前。输出总是基于样本的。
当你选择从输入继承样本时间复选框,块从输入信号的采样周期计算频率数据。为了使块产生有效的输出,下列条件必须满足:
块的输入是原始信号,没有添加或删除样本(例如,通过插入零)。
仿真中时域信号的采样周期等于原始时间序列的采样周期。
如果这些条件不成立,清除从输入继承样本时间复选框。然后,可以使用原始时间序列的采样时间参数。
Burg方法和Yule-Walker方法块对于大帧尺寸返回相似的结果。下表比较了Burg方法块与协方差法、修正协方差法和Yule-Walker方法块的特征。
伯格 | 协方差 | 修改后的协方差 | Yule-Walker | |
---|---|---|---|---|
特征 |
没有对数据应用窗口 |
没有对数据应用窗口 |
没有对数据应用窗口 |
将窗口应用于数据 |
在最小二乘意义下最小化正向和向后预测误差,并约束AR系数以满足L-D递归 |
最小二乘意义下的前向预测误差 |
在最小二乘意义上最小化正向和向后预测误差 |
最小二乘意义下的前向预测误差(也称为自相关法) |
|
优势 |
高分辨率的短数据记录 |
短数据记录的分辨率比Y-W更好(更准确的估计) |
高分辨率的短数据记录 |
对于大数据记录,性能与其他方法一样好 |
总是产生一个稳定的模型 |
能够从p或更多纯正弦波组成的数据中提取频率 |
能够从p或更多纯正弦波组成的数据中提取频率 |
总是产生一个稳定的模型 |
|
不受谱线分裂的影响 |
||||
缺点 |
峰值位置高度依赖于初始阶段 |
可能产生不稳定模型 |
可能产生不稳定模型 |
对于较短的数据记录,性能相对较差 |
在噪声或阶数非常大的情况下,正弦波是否会发生谱线分裂 |
噪声中正弦波估计的频率偏差 |
峰值的位置稍微取决于初始阶段 |
噪声中正弦波估计的频率偏差 |
|
噪声中正弦波估计的频率偏差 |
噪声中正弦波估计的小频率偏差 |
|||
非奇异性条件 |
顺序必须小于或等于输入帧大小的一半 |
顺序必须小于或等于输入帧大小的2/3 |
由于有偏估计,自相关矩阵保证是正定的,因此是非奇异的 |
选择此复选框将使估计顺序小于输入向量的长度。
AR模型的顺序。该参数只有在清除从输入维度继承估计顺序复选框。
当选择时,FFT长度比估计阶数大1。要指定要执行FFT的点的数目,请清除从估计顺序继承FFT长度复选框。然后,您可以使用FFT长度参数。
输入要执行FFT的数据点的数量,Nfft.当Nfft大于输入帧大小,则块按需要填充每个帧。当Nfft小于输入帧大小时,块将根据需要包装每一帧。该参数只有在清除从输入维度继承FFT长度复选框。
如果您选择从输入继承样本时间复选框,块从输入信号的采样周期计算频率数据。为了使块产生有效的输出,下列条件必须满足:
块的输入是原始信号,没有添加或删除样本(例如,通过插入零)。
仿真中时域信号的采样周期等于原始时间序列的采样周期。
如果这些条件不成立,清除从输入继承样本时间复选框。然后,可以使用原始时间序列的采样时间参数。
指定原始时域信号的采样时间。该参数只有在清除从输入继承样本时间复选框。
港口 | 金宝app支持的数据类型 |
---|---|
输入 |
|
输出 |
|
[1] Kay, s.m。现代光谱估计:理论与应用。Englewood Cliffs, NJ: Prentice-Hall, 1988。
Orfanidis, S. J。信号处理概论.Englewood Cliffs, NJ: Prentice-Hall, 1995。
Orfanidis, S. J。最佳信号处理:导论。纽约,纽约:麦克米伦出版社,1985。