参数化方法能产生更高的分辨率比非参数方法在这种情况下,当信号长度很短。金宝搏官方网站这些方法使用不同的谱估计方法;而不是试图直接从数据估计PSD,他们模型将数据作为一个线性系统的输出由白噪声驱动,然后试图估计参数的线性系统。
最常用的是线性系统模型all-pole模型,一个过滤器的0在原点z飞机。这种滤波器的输出为白噪声输入是一个自回归(AR)的过程。由于这个原因,这些方法有时也被称为基于“增大化现实”技术的方法谱估计。
AR方法倾向于充分描述数据的光谱“尖峰的”,也就是说,数据的PSD大在某些频率。在许多实际应用的数据(如演讲)倾向于“多峰的光谱”AR模型通常是有用的。此外,AR模型导致线性方程组是相对简单的解决。
信号处理工具箱™AR谱估计方法包括:
所有基于“增大化现实”技术的方法产生PSD估计的
不同的基于“增大化现实”技术的方法估计参数略有不同,产生不同的PSD的估计。下面的表总结了不同的基于“增大化现实”技术的方法。
基于“增大化现实”技术的方法
伯格 |
协方差 |
修改后的协方差 |
Yule-Walker |
|
---|---|---|---|---|
特征 |
不适用窗口数据 |
不适用窗口数据 |
不适用窗口数据 |
应用窗口数据 |
最小化向前和向后的预测误差在最小二乘意义上的AR系数约束满足L-D递归 |
减少了在最小二乘意义上的预测误差 |
最小化了向前和向后预测最小二乘意义上的错误 |
减少了在最小二乘意义上的预测误差 (也称为“自相关法”) |
|
优势 |
简称为高分辨率数据记录 |
更高的分辨率比Y-W短数据记录(更精确的估计) |
简称为高分辨率数据记录 |
执行以及其他大型数据记录的方法 |
总是产生一个稳定的模式 |
能从数据中提取频率组成的p以上纯正弦信号 |
能从数据中提取频率组成的p以上纯正弦信号 |
总是产生一个稳定的模式 |
|
不受谱线分裂 |
||||
缺点 |
峰位置高度依赖于初始阶段 |
可能会产生不稳定的模型 |
可能会产生不稳定的模型 |
执行相对差短数据记录 |
可能受正弦信号的谱线分裂的噪音,或当订单非常大吗 |
频率偏差估计噪声的正弦曲线 |
峰值的位置稍微依赖于初始阶段 |
频率偏差估计噪声的正弦曲线 |
|
频率偏差估计噪声的正弦曲线 |
小频率偏差估计噪声的正弦曲线 |
|||
非奇异性条件 |
订单必须小于或等于输入帧大小的一半 |
订单必须小于或等于2/3输入帧大小 |
由于偏差估计,自相关矩阵是正定保证,因此非奇异的 |
的Yule-Walker AR方法谱估计计算AR参数通过求解以下线性系统,这给Yule-Walker方程矩阵形式:
。
在实践中,偏差估计的自相关用于未知的真正的自相关。Yule-Walker AR方法产生相同的结果作为最大熵估计量。
使用偏差估计的自相关函数确保上面的自相关矩阵是正定的。因此,矩阵是可逆的和一个解决方案是保证存在。此外,AR参数从而计算总是导致整机全极模型稳定。Yule-Walker方程可以有效地解决使用莱文森的算法,利用埃尔米特托普利兹的自相关矩阵的结构。
工具箱函数pyulear
实现了Yule-Walker AR方法。例如,比较使用韦尔奇的语音信号的频谱法和Yule-Walker AR法。最初的计算和绘制韦尔奇周期图。
负载mtlbpwelch (mtlb汉明(256),128年,1024年,Fs)
Yule-Walker AR谱比的平滑周期图,因为简单的整机全极模型基础。
订单= 14;pyulear (mtlb秩序,1024年,Fs)
伯格的AR谱估计方法是基于最小化向前和向后的预测错误而满足Levinson-Durbin递归。与其他AR估计方法相比,伯格方法避免了计算自相关函数,而不是直接估计反射系数。
伯格方法的主要优点是解决密集正弦信号在信号低噪声水平,估计短数据记录,在这种情况下,基于“增大化现实”技术的功率谱密度估计非常接近真实值。此外,伯格方法可以确保一个稳定的AR模型和计算效率。
伯格方法的准确性较低的高阶模型,数据记录,和高信噪比(这可能会导致线分裂或代无关的峰值频谱估计)。伯格的谱密度估计计算方法也容易受频率变化(相对于真正的频率)产生的初始阶段的嘈杂的正弦信号。这种效应是放大在分析短数据序列。
工具箱函数pburg
实现了伯格方法。比较一个语音信号的谱估计由伯格方法和Yule-Walker AR方法。最初的计算和绘制伯格估计。
负载mtlb订单= 14;pburg (mtlb(1:512),秩序,1024 Fs)
Yule-Walker估计是非常相似的信号是否足够长。
pyulear (mtlb(1:512),秩序,1024 Fs)
比较一个噪声信号的频谱使用伯格法和韦尔奇法计算。创建一个双组分正弦信号频率140赫兹和150赫兹嵌入在高斯白噪声的方差0.1²。第二部分第一个分量幅度的两倍。在1 kHz信号采样1秒。最初的计算和绘制韦尔奇频谱估计。
fs = 1000;t = (0: fs) / fs;一个= (1 - 2);f = (140; 150);xn = A * cos(2 *π* f * t) + 0.1 * randn(大小(t));pwelch (xn汉明(256),128年,1024年,fs)
使用模型,计算和绘制伯格估计订单14。
1024年pburg (xn, 14日,fs)
AR谱估计的协方差方法是基于远期预测误差最小化。修改后的协方差方法是基于最小化向前和向后的预测错误。工具箱函数pcov
和pmcov
实现各自的方法。
比较一个语音信号的频谱由协方差协方差方法和修改方法。首先计算并画出协方差估计方法。
负载mtlbpcov (mtlb(1:64), 14日,1024年,Fs)
修改后的协方差方法估计几乎是相同的,即使是很短的信号长度。
pmcov (mtlb(1:64), 14日,1024年,Fs)