随机噪声信号的功率谱估计的仿真

在通讯与电子信息工程行业及领域中,大部分问题的解决需要进行估计一个随机信号在频率域上的功率谱分布,诸如此类的问题有很多,比如：设计滤波器消除噪声信号,振动随机信号的回波抵消,随机信号的特征抽取与表示等等。功率谱估计的分类：一般分为两大类,一类是参数法功率谱估计,一类是非参数法功率谱估计。参数法功率谱估计通常对数据进行一种建模,比如把数据建模成滑动平均模型（Moving Average）,或者自回归（Autoregressive）模型,而非参数法功率谱估计。除了要求信号满足广义平稳之外,不需要其它的统计假设。与非参数法相比较,参数法的优点是在一个给定的数据集合上能够有较少的误差、偏差与方差。     

经典功率谱估计Welch法的MATLAB仿真分析

周期图法是经典功率谱估计中的一种基本方法,但是在实际应用中难以同时保证良好的分辨力和方差性能.因此本文以周期图法原理为切入点,对改进后的Welch算法进行研究,并借助MATLAB软件强大的信号处理与数值分析能力,对Welch算法的谱估计分辨力、方差等性能进行仿真分析.讨论了不同数据分段长度、不同窗函数类型等因素对算法性...     

随机信号功率谱估计

1引言功率谱估计(PSD)是利用给定的一组样本数据估计一个平稳随机信号的功率谱密度,它能给出被分析对象的能量随频率分布的情况。在雷达信号处理中可以根据回波信号的功率谱密度、谱峰的宽度、高度和位置可以确定运动目标的位置、辐射强度和运动速度。功率谱估计是数字信号处理的重要研究内容之一。功率谱估计可以分为经典谱估计(非参数估计)和现代谱估计(参数估计)。经典的功率谱估计有2种:一种是直接法;另一种是间接法。直接法就是先计算N个数据的傅里叶变换,然后取频域和其共轭的乘积得到功率谱;间接法则是先计算N个样本数据的估计自相关函数,然后再计算自相关数据的傅里叶变换得到功率谱。间     

基于Welch算法的经典功率谱估计的Matlab分析

从经典功率谱估计周期图法原理入手,从理论上分析了其存在的局限性,借助Welch算法对其进行修正。依靠Matlab强大的数值分析和信号处理能力,进行实验仿真,比较不同的窗函数,不同的数据长度对Welch法谱估计质量的影响,并分析了造成这些影响的原因。     

随机信号功率谱估计

1引言 功率谱估计（PSD）是利用给定的一组样本数据估计一个平稳随机信号的功率谱密度,它能给出被分析对象的能量随频率分布的情况。在雷达信号处理中可以根据回波信号的功率谱密度、谱峰的宽度、高度和位置可以确定运动目标的位置、辐射强度和运动速度。功率谱估计是数字信号处理的重要研究内容之一。功率谱估计可以分为经典谱估计（非参数估计）和现代谱估计（参数估计）。经典的功率谱估计有2种：一种是直接法;另一种是间接法。直接法就是先计算N个数据的傅里叶变换,然后取频域和其共轭的乘积得到功率谱;间接法则是先计算N个样本数据的估计自相关函数,然后再计算自相关数据的傅里叶变换得到功率谱。     

低采样率高分辨率压缩功率谱估计方法的仿真研究

低采样率的宽带功率谱估计在很多领域具有应用价值.采用压缩多核采样结构得到信号的压缩测量值, 然后建立测量值相关函数与信号相关函数之间的关系, 用最小二乘法实现相关函数估计, 最后实现功率谱的估计.该压缩采样方法的等效采样率为M/N·f_s, 可在没有任何对时域或频域稀疏性的假设条件下降低采样率.仿真分析表明, 该方法的系统噪声与加性噪声性能比周期图法略有降低, 但只要系统设计合理, 对于一定信噪比的信号, 系统噪声与加性噪声基本可以忽略, 并给出了对应的理论分析.估计分辨率与周期图法相比, 等效长度相同时略有提高; 由于本文方法降低了测量值的数目, 对于一定长度的数据来说, 估计分辨率得到了极大的提高.本文方法适用于低信噪比信号的低采样率高分辨率功率谱估计.     

随机振动中的参数介绍及计算方法

介绍了随机振动试验中的重要参数及其计算方法,对实际试验的两个图表中的参数进行了计算,比较了两个图表振动能量的大小．进而得出了一种比较随机振动能量大小的方法。     

随机信号谱估计方法的Matlab实现

功率谱估计是随机信号分析中的一个重要内容。从介绍功率谱的估计原理入手分析经典谱估计和现代谱估计两类估计方法的原理、各自特点及在Matlab中的实现方法。经典功率谱估计的方差大、谱分辨率差,分辨率反比于有效信号的长度,但现代谱估计的分辨率不受此限制。给出了功率谱估计的应用。     

经典功率谱估计及其仿真

介绍了各种经典功率谱估计方法,不仅从理论上对各种方法的谱估计质量进行了分析比较,而且通过Matlab实验仿真验证了理论分析的正确性。着重对使用比较广泛的Welch法进行了深入的研究,给出了窗函数选择的一般要求,通过仿真分析了不同的窗函数对Welch法谱估计质量的影响,比较了他们的优缺点。最后分析了采样点数较少即短数据对Welch法谱估计质量的影响。     

自相关算法的AR功率谱估计

研究了现代功率谱估计中AR模型的自相关算法,并用MATLAB实现了功率谱估计。     

Sparse Power Angle Spectrum Estimation

A novel method for estimating the power angle spectrum (PAS) is presented that decomposes the true PAS into a small set of basis functions. The basis coefficients for this sparse representation are found by enforcing equality to the covariance or Bartlett PAS subject to a minimum $ell_{1}$-norm constraint. The method, referred to as sparse PAS estimation (SPASE), can be implemented conveniently using existing linear-programming (LP) solvers. Further, because only a few clusters are required in the representation, the method enables reduced-complexity stochastic models for the channel and possibly allows reduced overhead in channel feedback schemes. Application of the method to simulated channels and multiple-input multiple-output (MIMO) propagation data demonstrates the utility of the method.      

Welch Method Revisited: Nonparametric Power Spectrum Estimation Via Circular Overlap

The objective of this paper is twofold. The first part provides further insight in the statistical properties of the Welch power spectrum estimator. A major drawback of the Welch method reported in the literature is that the variance is not a monotonic decreasing function of the fraction of overlap. Selecting the optimal fraction of overlap, which minimizes the variance, is in general difficult since it depends on the window used. We show that the explanation for the nonmonotonic behavior of the variance, as reported in the literature, does not hold. In the second part, this extra insight allows one to eliminate the nonmonotonic behavior of the variance for the Welch power spectrum estimator (PSE) by introducing a small modification to the Welch method. The main contributions of this paper are providing extra insight in the statistical properties of the Welch PSE; modifying the Welch PSE to circular overlap—the variance is a monotonically decreasing function of the fraction of overlap, making the method more user friendly; and an extra reduction of variance with respect to the Welch PSE without introducing systematic errors—this reduction in variance is significant for a small number of data records only.      

一种有效的短序列功率谱估计算法及其应用

由于实际中采集到的数据量总是有限的，所以要准确获得待研究数据的特性必须采用高效的短序列估计方法。本文提出了一种基于伯格算法的新的短序列谱估计方法，该方法在阶数估计时引入收敛因子，从而更为有效地估计了阶数；同时不直接用伯格算法计算反射系数，而是先求得二阶预测误差系数，继而求一阶反射系数，再进一步求得高阶系数来实现谱估计。计算机仿真表明，这种算法可以有效地减小谱偏，提高谱分辨率。     

参差周期序列的功率谱估计

本文提出了参差滞差的自相关函数和它的功率谱密度的富里叶变换对;论述了参差周期功率谱密度的一些基本特性。基于4种等周期的谱估计(BT、LP、ML和LSR)和该参差周期功率谱密度,本文说明了相应的4种参差周期谱估计的原理,评价了它们的性能并给出了一些应用的例子。     

基于AR模型的功率谱估计

为了更好地模拟计算功率谱,采用了现代功率谱估计中常用的基于AR模型的自相关法和Burg法,通过仿真给出了估计出的功率谱曲线,结果表明,Burg算法在谱分辨率方面有着良好的性能。选择合适的采样点数来确定模型阶数,给出阶数选择的原则。     

基于多正弦窗谱估计的改进谱减法语音增强

采用运算简单、实时性好、改进的功率谱减法对带噪语音进行增强。鉴于谱减法的特点,文中采用了多正弦窗谱估计对功率谱进行估计。多正弦窗谱估计是一种非参数的现代谱估计方法,与周期图法相比,谱估计偏差和方差更小,可以得到效果更好的增强语音。分别对周期图法、多窗谱法及多正弦窗谱法的增强效果进行了比较。实验结果表明,语音在多正弦窗谱法增强后,分段信噪比最高,且没有因为谱减产生的音乐噪声,主观听觉效果最好。多正弦窗谱估计对输入信噪比较低的含噪语音增强效果非常好。     

基于Matlab实现现代功率谱估计

功率谱估计可以分为经典谱估计和现代谱估计。现代谱的估计可建立AR模型对离散信号进行谱估计、建立MA模型和ARMA模型进行谱估计。基于Matlab对三种模型进行仿真,并对结果进行了分析。结果显示,三种模型对现代谱的获得是有效的,并得到较好的谱估计。     

跳频信号功率谱密度估计

通过对跳频信号功率谱密度分析,指出经典周期图方法的不足,经过分析改进,得出跳频信号功率谱密度估计合适的方法和参数.仿真结果表明,改进方法具有良好的可行性功率谱估计性能.     

常见的功率谱估计方法及其Matlab仿真

功率谱估计是数字信号处理的重要内容之一,又分为经典谱估计和现代谱估计。经典谱估计主要是周期图法及其改进方法,现代谱估计则有参数模型与非参数模型谱估计之分。文中主要介绍了几种常见的功率谱估计方法的原理、特点,并进行了Matlab仿真分析,发现基于AR参数模型的Burg法效果较好。