伯格方法

用Burg方法估算功率谱密度

图书馆

估计/功率谱估计

dspspect3

描述

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N_fft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,N_fft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N_fft作为2的幂。块零填充或包装输入到N_fft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
特征	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
	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	不受谱线分裂的影响	总是产生一个稳定的模型
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频率偏差	噪声中正弦波估计的小频率偏差	噪声中正弦波估计的频率偏差
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