(信号与信息处理专业论文)基于现代谱估计理论的信噪分离方法及其应用研究.pdf_第1页
(信号与信息处理专业论文)基于现代谱估计理论的信噪分离方法及其应用研究.pdf_第2页
(信号与信息处理专业论文)基于现代谱估计理论的信噪分离方法及其应用研究.pdf_第3页
(信号与信息处理专业论文)基于现代谱估计理论的信噪分离方法及其应用研究.pdf_第4页
(信号与信息处理专业论文)基于现代谱估计理论的信噪分离方法及其应用研究.pdf_第5页
已阅读5页,还剩66页未读, 继续免费阅读

(信号与信息处理专业论文)基于现代谱估计理论的信噪分离方法及其应用研究.pdf.pdf 免费下载

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

摘要 【论文摘要】 基于现代谱估计理论的信噪分离方法 及其应用研究 导师:李录明教授罗省贤教授 研究生:刘志刚 专业:信号与信息处理 方向:信号与图像非线性处理 摘要 在许多工程信号问题中,功率谱的分析与估计是十分重要的,因为它能给出 被分析的对象的能量随频率的分布情况。功率谱估计可分为经典( 非参数) 谱估计 和现代( 参数) 谱估计法,本文中论述的现代( 参数) 谱估计主要是采用预测外推的 方法,是以统计估计理论为基础的。本文的目的是以现代数字信号处理的理论为 基础,根据现代谱估计的统计理论,将现代谱估计应用到地震资料处理中,对信 号与干扰频谱重叠的地震记录进行信噪分离,提高地震记录的信噪比,并可用现 代谱估计方法,提高谱分析的分辨率,可从地震记录谱分析中提取有用的岩性信 息,为提高地震勘探的有效性和可靠性提供保证。 本文首先简要地介绍了现代谱估计的理论基础,讨论了几种主要的现代谱估 计方法。由于a r 模型谱估计是现代谱估计中最常用的一种方法,从而分析了a r 模型谱估计的性质及阶次的选择,并较为系统地总结了几种a r 模型谱估计参数 提取的重要算法,分析了几种算法的优点及不足,论文针对b u r g 算法的不足提 出了改进的b u r g 算法,使得谱线分裂及频率偏移现象得到较好地抑制。最后给 出几种信噪比估算例子,通过对地震记录中的信噪比估算,利用a r 模型谱估计 算法估计出信号中的噪声的功率谱,消除噪声后,使地震记录信噪比提高。仿真 实验和实际资料处理结果表明,文中的几种现代谱估计算法都能够较好地提高信 噪比,并且处理后的信号保真性较好。 关键词:现代谱估计;信噪分离;地震资料 信噪比;相关系数 a b s t r a c t a b s t r a c t r e s e a r c ho nm e t h o d sa n di t sa p p l i c a t i o no f s e p a r a t i n gt h es i g n a lf r o m n o i s eb a s e d o nt h em o d e r ns p e c t r u me s t i m a t i o n a b s t r a c t a d v i s o r :p r o f l il u m i n g p r o f l e o s h e n g - x i a n c a n d i d a t e :l i uz h i - g a n g s p e c i a l t y :s i g n a la n d i n f o r m a t i o np r o c e s s i n g m a j o r :s i g n a la n di m a g en o n - l i n e a rp r o c e s s i n g i nm a n yp 删e c t so fs i g n a lp r o c e s s ,t h ep o w e rs p e c t r u mc a np r o v i d et h ep o w e r s d i s t r i b u t i o nw i t ht h ef r e q u e n c y , s oi ti sv e r yi m p o r t a n t t h ep o w e rs p e 溉n m li n c l u d e n o n p a r a m e t r i cm e t h o d sa n dp a r a m e t r i cm e t h o d s i nt h i sp a p e r , t h ep a r a m e t r i cm e t h o d s a r em a i n l yi n t r o d u c e dt oa d o p tf o r e c a s tr e c u r s o nm e a s u r c s w h i c ha r cb a s e do n s t a t i s t i c a l t h ep u r p o s eo ft h et h e s i si st oi n t r o d u c et h em o d e r ns p e c t r a le s t i m a t i o n i n t os e i s m i cd a t ap r o c e s s i n gt os e p a r a t et h es e i s m o g r a mo ft h es i g n a la n dn o i s e , w h o s es p e c t r u mo v e r l a p p e dt o g e t h e r , a n di m p r o v et h es e i s m o g r a m ss i g n a l - t o n o i s e r a t i o ( s n r ) ,a n dw e c a nu s em o d e ms p e c t r u me s t i m a t i o nt og e t h i g h e rr e 煌o l u t i o n w e a l s oc a nr c t r i c v cu s e f u l l i t h o l o g i c i n f o r m a t i o n w h i c h p r o v i d ev a l i d i t ya n d d e p e n d a b i l i t yf o rs e i s m i c 懿p l o r a t i o n f i r s t l y , t h ea c a d e m i ci n t r o d u c e d 也cb a s i ct h o c r yo fm o d e r ns p e c t r a le s t i m a t i o n a n dd i s c u s s e ds e v e r a lm a i ns p e c t r a le s t i m a t i o nm e t h o d s o w i n gt ot h ea u t o r e g r e s s i v e ( a r ) m o d e ls p e c t l a le s t i m a t i o nj st h em o s tc o m m o nm e t h o di nt h i st h e s i s ,a n dt h c d i s s e r t a t e dt h ec h a r a c t e ra n dt h ec h o i c eo ft h ep r e d i c t i o ne r r o rr a n k , s y s t e m i c a l l y s u m m a r i z e ds e v e r a li m p o r t a n ta l g o r i t h mo fe s t i m a t i n gt h ea u t o r e g r e s s i v ep a r a m e t e r s , a n da n a l y s e dt h ed e f i c i e n c i e sa n da d v a n t a g e so ft h es e v e r a la l g o r i t h m sa r ca n a l y z c d t h e nt h i st h e s i sa i m e da tt h es h o r t a g e so fb u r ga l g o r i t h ma n dp u tf o r w a r dar o o d 访e d b u r ga l g o r i t h m ,w h i c hr e s t r a i n e dt h ed i s a d v a n t a g e so fb u r ga l g o r i t h m f i n a l l yt h i s t h e s i si n t r o d u c e ds o m ee x a m p l e so fs i g n a ln o i s er a t i oe s t i m a t i o n t h r o u g he s t i m a t i n g t h es n ro fs e i s m o g r a m ,a n dt h c nu t i l i z i n gt h ea ss p c c t i a le s t i m a t i o ne s t i m a t e dt h e n o i s e ss p e c t m m ,e l i m i n a t e dt h en o i s ef r o ms e i s m i cd a t a , a n di m p r o v e dt h es n ro f s e i s m o g r a m t h er e s u l t so fe m u l a t i o ne x p e r i m e n t sa n dt h es e i s m i cd a t ap r o c e s s i n g p r o v e dt h a tt h em o d e ms p e c t r a le s t i m a t i o n sc o n l dp r e s e n th i g h e rs n r a n dt h er e s u l t s a l m o s td i d n th a v ed i s t o r t i o n k e y w o r d s :m o d e ms p e c t r u me s t i m a t i o n ;s e p a r a t i o ns i g n a la n dn o i s e ;s e i s m i cd a t a ; s i g n a l t o - n o i s er a t i o ;c o r r e l a t i o nc o e f f i c i e n t h 第1 章引言 第1 章引言 1 1 选题依据及意义 谱估计在信号处理方法中有很重要的作用,它不仅是分析、了解信号所含 有信息的工具,也是信号内在本质的一种表现形式。随着人们对地震信号处理 精度要求的提高及岩性勘探的需要,人们对谱估计所提取信息的质量以及应用 范围的要求越来越高。谱估计大致可以分为非参数谱估计和参数谱估计两类。 非参数谱估计受d f t 算法的影响,存在着一些固有缺陷( 如:存在泄漏误差和混 迭误差,分辨率低,不适于短数据处理,谱线不平滑、起伏剧烈,难以拟合出 光滑的曲线等) ,从而无法适用于岩性勘探和油气检测对谱估计所要求的高分辨 率、高精度。为此,人们提出了各种现代谱估计参数方法。经典方法始终无法 解决频率分辨率和谱估计稳定性之间的矛盾,特别是在短数据下,这一矛盾尤 为突出。这就促进了现代谱估计方法研究的发展。本论文的目的就是利用现代 谱估计计算法来对压制信号中的随机噪声,实现信号与噪声分离,提高信号的信 噪比。 研究课题来源于国家8 6 3 项目子课题。 如何从被噪声干扰的信号中提取有用信息并以适当的形式表现出来是信号 处理的基本内容。但是在工程实际中,有用信号往往具有随机性。即使是确定 性的电信号也出于在传输过程不可避免地要受到外来干扰和设备内部噪声的影 响,所以在接收端收到的或觋测到的信号是一个随机信号。恩然,要从随机信 号中提取有用信息只能是一种统计估计,况且观测到的信号数据还是有限的, 因此实际估计量与被估计量或真值之间必然存在着估计误差。如何使误差最小, 使估计量与被估计量近于相等,这就是统计估计从理论上和技术上所要讨论和 解决的问题。所以可以概括地说,凡是从观测到的信号数据中,定量地预测或 推断被观测系统的状态或参量的问题,就是估计问题。 例如在雷达系统,如何从被目标反射回来是受到严重干扰的微弱的回波信 号中,提取发送的脉冲信号并通过计算回波到达时间和频率偏移进而确定目标 的方位和运动速度,这就是一个典型的估计问题。又如在控制系统,如何从接 收到的被噪声干扰的信号中分离出有用的控制信号。如果噪声是加性的且与有 用信号各占一个频带,则可方便地采用低通、高通或带通滤波器,将干扰滤除, 把有用信号提取出来。如果噪声与有用信号的频谱互相交叠在一起,则人们就 很难利用上述频率选择滤波器把有用信号提取出来。为此,必须建立在随机过 成都理工大学硕士学位论文 程理论基础上,从统计观点出发,通过对有用信号和噪声统计特性的分析,采 用更复杂的滤波方法提取特定信息。这种过滤随机信号过程,实质上也是一种 估计,所以估计器也是一种滤波器,它是统计信号处理的重要内容,其理论和 技术在工程中得到广泛应用。如在地质勘探中,人们通过量测人工地震信号来 预测地层结构,从而估计石油贮存的位置与数量;在化学工程中,通过温度与 压力的测量来确定特殊液体的密度等等o ,。 现代谱分析是针对经典谱估计的不足,近几年提出的谱估计新方法,其基 本思路是:在进行谱估计过程中,对有限数据以外的数据不做任何确定性假设, 利用已知数据,采用外推或预测方法,由观测数据推求胁n 以后的数据。在 这种情况下,首先必须寻找一个产生随机信号的模型,通过观测的数据把模型 的参数估计出来,进而求得所需的功率谱。基于模型的功率谱估计方法,不作 自相关函数r 。伽) 一0 m 辟的假设,从而避免了功率泄漏,提高了分辨率。 功率谱估计应用范围很广,日益受到各学科和应用领域的极大重视。以傅 立叶变换为基础的传统( 或经典) 谱估计方法,虽然具有计算效率高的优点,但 却有着频率分辨率低和旁瓣泄漏严重的固有缺点。这就迫使人们大力研究现代 谱估计方法。现代谱估计方法是以参数模型为基础的方法。 1 2 研究现状 谐波分析最早可追溯到古代对时间的研究,那时的人们已观察到时间具有 周期性,如昼夜交替,四季更迭,月亮的阴晴圆缺,等等。1 8 世纪b e r n o u l l i 、 e u l e r 和l a g r a n g e 等人对波动方程及其正弦解进行了研究。1 9 世纪初叶, f o u r i e r 证明了在有限时间段上定义的任何函数都可以用正弦和余弦分量的无 限谐波的总和来表示。以傅立叶分析为基础,1 8 9 8 年s c h u s t e r 提出用周期图 的概念研究太阳黑子数的周期变化。1 9 3 6 年w i e n e r 发表了经典论文广义谐 波分析,对平稳随机过程的自相关函数和功率密度谱作了精确的定义,证明了 二者之间存在着傅立叶变换的关系,从而为谱分析的发展奠定了坚实的统计学 基础。可以认为这一年是谱分析发展历史中的重要转折点。由于1 9 3 4 年 k h i n t c h i n e 也独立地证明了白相关函数和功率谱之间的傅立叶变换关系,因此, 今天的人们把这一关系称为w i e n e r k h i n t c h i n e 定理。根据这个定理,平稳离 散随机信号x 伽) 的自相关函数 r 。砸) 一e 陋+ 扣p 忡+ n ) 】 ( 1 2 1 ) 与功率谱s 。( 甜) 之间构成一对傅立叶变换,即 2 第1 章引言 s 。( m ) 。孓如p 一 ( 1 2 2 ) 而 ( m ) 。五1h s 。( 咖”d ( 1 2 3 ) 若z 伽) 还是各态遍历性的,则其自相关函数可由一个取样时间序列用时间平均 的方法求出,即 屯西) 。熙击蚤。虹。训 n _ “) 在大多数应用中x ( n 1 是实信号,于是上式可写成 如( m ) 。l i “2 l _ _ k + - 1 - 蚤。) n _ 2 巧) 实际上一般只能观测到随机信号的一个取样时间序列的有限个取样值( o j 如n 个值) ,表示为 h 加) - 仁( o ) ,z ( 1 ) ,x ( n 一1 ) - 扛o ) ,n 一0 ,n n 其自相关函数只能由这n 个取样数据进行估计,常用的一种估计是 屯”面1 扣均哪悱_ 1 ( 1 i2 6 ) 这是一种渐进无偏估计,称之为取样自相关函数。 用取样自相关函数的傅立叶变换作为功率谱的估计代入式( 1 2 2 ) ,这种方 法是b l a c k m a n 和t u k e y 在1 9 5 8 年提出来的,称为谱估计的自相关法。在快速 傅立叶变换( f f t ) 提出之前,这是一种最流行的谱估计技术方法。 式( 1 2 5 ) 右端实际上是砸) 和“叫) 的卷积运算。若工0 ) 的傅立叶变换为 z 0 扣) ,n x ( - n ) 的傅立叶变换等于z g 如) 。对式( 1 2 5 ) 两端取傅立叶变换, 得到 矗( 叻。专z ( e 扣碡o “) 。寿l z 耻“) 1 2 这种谱估计估计称为周期图法。1 9 6 5 年c o o l e y 和t u k e y 完善了著名的f f t 算 法,把计算傅立叶变换的时间缩短了两个数量级,从而使离散傅立叶变换走向 工程实用,同时也使周期图估计方法很快流行起来。周期图法和自相关法以及 它们的改进方法称为谱估计的经典方法。 出人意料的是,不管数据记录有多长,周期图和自相关法得到的估计都不 是功率谱的良好估计。事实上,随着记录长度增加,这两种估计的随机起伏反 而会更加严重! 因此,它们还存在着以下两个难以克服的固有缺点。 ( 1 ) 频率分辨率( 区分两个相邻频率分量的能力) 不高。这是因为它们的 频率分辨率( 以赫兹计) 反比于数据记录长度( 以秒计) ,而实际应用 中一般不可能获得很长的数据记录。 ( 2 ) 经典谱估计方法在工程中都是以离散傅立叶变换( d o t ) 为基础的,它 3 成都理工大学硕士学位论文 隐含着对无限长数据序列进行加窗处理( 加了一个有限宽的矩形 窗) 。矩形窗的频谱主瓣不是无限窄的,且有旁瓣存在,这将导致能 量向旁瓣中“泄漏”,主瓣变得模糊不清。严重时,会使主瓣产生很 大失真,甚至主瓣中的弱分量被旁瓣中的强泄漏所掩盖。 为了克服以上缺点,人们曾做过长期努力,提出了平均、加窗平滑等办法, 在一定程度上改善了经典谱估计的性能。实践证明,对于长数据记录来说,以 傅立叶变换为基础的经典谱估计方法,的确是比较实用的。但是经典方法始终 无法根本解决频率分辨率和谱估计稳定性之间的矛盾,特别是在数据记录很短 的情况下,这一矛盾尤为突出。这就促进了现代谱估计方法研究的发展。 谱估计的现代方法主要是以随机过程的参数模型为基础的,因此,也可以 将其称为参数模型方法或简称模型方法。实际上,时间序列模型在非工程领域 早已被采用。例如,y u l e 在1 9 2 7 年、w a l k e r 在1 9 3 1 年都曾采用指数模型去拟 合在气体化学实验中获得的数据。在统计学和数值分析领域中,历史上人们也 曾采用过模型方法。因此,现代谱估计与以上所举的非工程领域中曾采用过的 时间序列模型有着历史渊源。 现代谱估计技术的研究和应用主要起始于6 0 年代。1 9 6 7 年b u r g 在地震研 究中受到线性预测滤波的启发,提出了最大熵谱估计方法。1 9 6 8 年p a r z e n 正 式提出了自回归谱估计方法。1 9 7 1 年v a nd e rb o s 证明的了一维最大熵谱估计 与自回归谱估计等效。1 9 7 2 年出现的谱估计的p r o n y 方法在数学上与自回归方 法有着某些类似。目前以自回归滑动平均模型为基础的谱估计已经比自回归模 型具有更高的频率分辨率和更好的性能。1 9 7 2 年p i s a r e n k o 提出的谐波分解方 法提供了可靠的频率估计方法,实际上它是以自回归滑动平均为基础的谱估计 的特例。在此期间,罗宾逊( 于1 9 7 8 年) 等许多人都在探讨适用性更广的一类有 理谱的自回归滑动平均谱分析方法。其中除可采用各种a r m a 模型的拟合算法 外,卡佐夫( c a d z o w ) 、凯( k a y ) 等人同于1 9 8 0 年提出一种只估计a r m a 模型的 a r 参数,而免于估计其姒参数的简化算法。格雷等( 于1 9 7 8 年) 也提出g 谱估 计法有利于这种a r m a 谱分析。1 9 8 1 年s c h m i d t 提出了谱估计的多信号分类算 法,它对于正弦分量频率估计很有效,塔夫茨( t u f t s ) 和库玛勒森( k u m a r e s a n ) 于1 9 8 2 年应用数据矩阵奇异值分解法求特征值,改进了前、后向线性预测的谱 估计方法,又于1 9 8 3 年在相同原理下改进为最小模算法,可分别简记为f l f b l p 算法和m i n - n o r m 算法。该方法有利于在较高的信噪比下分清线谱,且避免定阶 的困难。然而其计算量较大。汤姆森( t h o m s o n ) 于1 9 8 2 年提出一种非参数的谱 分析方法,它将谱估计作为一个积分方程的近似解,改进了周期图分析。然而 计算较复杂,未至实用阶段“1 。 4 第1 章引言 1 3 本文研究思路及研究内容 本文基本的研究思路为:根据不同的数据长度及不同的信号类型,确定出自 回归( a r ) 的阶数,然后构建a r 模型,求出模型的参数,再根据模型的参数求出 信号的功率谱,然后根据求出的功率谱,利用信噪比估计方法估计出信号中的信 噪比,进而在频率域去除随机干扰,最后变换到时间域得到去除噪声后的信号。 研究方法:首先建立理论模型,经过对理论模型的充分验证,具有正确性和 有效性后再将其应用到实际地震资料处理中。本文算法的实现全部采用c 高级语 言编程;非地震剖面图形显示采用o r i g i n 6 0 。地震剖面图形的显示采用多波层 位可视化标定系统软件实现。 本文研究的基本内容: ( 1 ) 现代谱估计的一些方法及其部分改进研究。 ( 2 ) 对信噪比估计的方法研究。 ( 3 ) 现代谱估计的几种方法用于信噪分离及实际地震资料处理应用研究。 1 4 本文取得的成果 通过对现代谱估计理论的信噪分离方法及应用研究,本文在以下方面得到了 一点成果。 。 ( 1 ) 提出了基于参数模型谱估计的方法去除随机干扰。该方法突破了传统滤波法 无法较好地去除的混合信号中的随机千扰的难题。 ( 2 ) 用几种现代谱估计方法估计出混合信号中的随机干扰,进行信噪分离,在提 高信噪比的同时,没有降低分辨率。 ( 3 ) 提出了b u r g 的改进算法,使得反射系数的估计误差减小,并且对大量的地震 数据相对m a r p l e 算法又减少了运算量,提高了运算速度。 5 成都理工大学硕士学位论文 第2 章现代谱估计理论基础 2 1 几种主要的谱估计方法 信号处理的核心,说到底就是如何保证在信号受到干扰产生失真的情况下, 正确恢复原有信号,提取有用信息。而功率谱( 简称谱) 估计就是信号处理的一个 重要分支,它应用范围很广,日益受到各学科和应用领域的极大重视。它是在频 率域研究随机信号的统计规律,其中心目的为了估计出随机干扰信号并将其去 除,提取有用信号,对语音、声纳、雷达等信号处理,有着重要的意义,广泛应 用予通信、控制、地球物理,它的研究对象主要是零均值平稳高斯过程。以傅立 叶变换为基础谱估计一般称为的传统( 或经典) 谱估计方法,传统谱估计法又可以 分为直接法和间接法,后来由于f f t 的出现,直接法和间接法往往被结合起来使 用。在信号分析方法中,傅立叶变换是较常用的数学工具。时间信号经过傅立叶 变换后,可得到它的频谱,平稳随机过程的相关函数和它的功率谱密度是一对傅 立叶变换对。 近几年,在信号功率谱密度估计方面出现了许多新的算法,其中应用最广泛 的算法是1 9 6 7 年由b u r g 提出的最大熵谱估计,这些新方法连同演变出来的各种 算法不下几十种,统称为现代谱估计。它是相对经典谱估计方法而言的。其中比 较有名的是:l e v i n s o n d u r b i n 算法自回归模型、b u r g 算法的最大熵分析、正反 向线性预测的最d , - 乘算法、自回归模型、滑动平均模型、自回归一滑动平均模 型、p i s a r e n k o 谐波分解法、p r o n y 提取极点法、p r o n y 谱线分解法以及c a p o n 最大似然估计法。根据算法的基本属性,把这些算法归纳在图2 1 。 r 傅立叶变换谱分析 lr 最大熵法厂i z v i m o n - d u r b i n 算法 l 自回归模型1卜 b u r g 算法 p ,e 式变为 霪i ( f 批伽一f ) 一q m ,p ( 2 3 2 1 ) 上式又可以写为 j ( 。) 。j 一著8 a 意m d + 占2 m l 。 ( 2 3 2 2 ) i 一芑o u 嬷( 卅一0 ,m 一1 ,2 ,p 可以看出,上式与推导出的y u l e w a l k e r 方程相同,只是现在用氟胁) 代替了以 前的r ( m ) 。值得注意的是式( 2 3 2 1 ) ,它说明对于在m ,p 范围内的矗渤) 值, 现在我们并没有认为它们等于零,而认为它们的值应按该式进行外推。 既然式( 2 3 2 2 ) 与y u l e w a l k e r 方程相同,只要j 圣( m ) 的p + 1 个值与r ( m ) 相 1 2 第2 章现代谱估计理论基础 同,那么求解式( 2 3 2 2 ) 得到的a r ( p ) 模型参数就一定与求解y u l e w a l k e r 方程 的参数相同。 ( 2 ) a r 谱估计与最大熵谱估计等效 最大熵谱估计是基于将一段已知的自相关序列进行明显外推,以得到未知自 相关取样值。这样,因对自相关序列加窗而使谱估计特性变坏的弊端就被去除了。 若已知 r ( o ) ,r ( 1 ) ,r ( p ) ,则问题在于如何外推得r ( p + 1 ) ,r ( p + 2 ) ,才 能保证整个外推后的自相关矩阵是正定的。一般有无限多种可能的外推方法,都 能得到比较合适的自相关序列。b u r g 证明了选择这样的的外推才是最合理的: 外推后的自相关序列所对应的时间序列应当具有最大熵。这意味着,在具有已知 的p + 1 个自相关取样值的所有时间序列中,该时间序列将是最随机或最不可预测 的,或者说它的谱将是最平坦的或最白的。通过这样的外推得到的自相关序列求 出的谱称为最大熵谱估计( m e s e ) 。 选择最大熵准则合理性在于:对未知自相关值所加的约束最少,因而对应的 时间序列的随机性最大,故可得到一个最小偏差的解。 设有一个高斯随机过程,每个取样序列的熵正比于 匕:h p ( ,阿 ( 2 3 2 3 ) 式中,p ( f ) 是功率谱。该式建立了熵与功率谱之间的关系。 求取m e s e 的方法,是指在下列约束条件下,求得使式( 2 3 z 3 ) 取最大值的 p ( f ) ,这个p ( f ) 便是谱估计的结果。p ( f ) 对应的自相关序列的头p + 1 个取样值 等于已知的p + 1 个自相关样值,即 匕:e ( ) e ”珂- r ( m ) ,m - o , t ,2 ,p ( 2 3 2 4 ) 利用l a g r a n g i a n 乘数法解此约束最优化问题,得到 ( ,) 7 上 ( 2 - 3 2 5 ) 芑 如扣。撕 , 式中,a ) 是l a g r a n g i a n 乘数,根据约束条件( 2 3 2 4 ) 求出a 似) ,代入上式 便可得到 只m 。( ,) 一 “蠢a 伽矿撕1 2 式中,a ( m ) 可根据y u l e - w a l k e r 方程由己知的p + 1 个自相关函数取样值求取。 由上述可以看出,在已知 r ( o ) ,r ( 1 ) ,r ( p ) ) 的情况下,对于高斯随机过 程,m e s e 与a r ( p ) 是等效的。 ( 3 ) a r 谱估计与线性预测谱估计等效 设有一a r ( p ) 过程,现根据它的p 个已知数据 x ( n - 1 ) ,x ( n 一2 ) ,x ( n 印) 成都理工大学硕士学位论文 的线性组合 j o ) 一童a 仲h o t ) ( 2 - 3 2 7 ) m 来预测尚未观测到的取样值x ( n ) 。这就是线性预测误差问题。预测系数a ( k ) 按 预测误差功率谱最小的准则来选取,即 s - e e 2 0 ) 卜研o ( 一) 一王o ) ) 2 - m i l l ( 2 3 2 8 ) 若x ( n ) 是随机信号,那么a ( k ) 将与时间n 无关。由式( 2 3 2 7 ) 及式( 2 3 2 8 ) 和 正交定理,推导出 r ) - 一暑8 ( f ) r ( 七一j ) ,t 一1 2 ,p 和最小的误差功率谱 s 一一r ( 0 ) + 薹a ( f 睥a ) 上二式合并成为 r ( 七) - 一a ( o r ( k f ) + _ ,女- 。 ( 2 3 2 9 ) 一霪a ( f 坶) “珊+ ,p 这与a r ( p ) 模型的y u l e - w a l k e r 方程相同。若二者具有同样的自相关值,它们的 解必相同,即有a ( k ) = a ( k ) ,( k = o ,1 ,2 ,p ,a ( 0 ) = 1 ) ,# mt o r 2 。这就是说,最 佳线性预测系数恰等于a r 模型参数,最小预测误差功率等于激励噪声方差。 可以证明,预测误差等于a r 模型的激励源u ( n ) 。用时刻n 以前的p 个取样 数据预测x ( n ) ,如图2 3 所示,可作为滤波解释。若将x ( n ) 作为输入,滤波器传 输函数为h 。( z ) 4 0 ) 妻a 曙4 ( 即h ( z ) 的逆滤波器) ,那么输出将是预测误差 u ( n ) ,如图2 3 ( b ) 所示,球之为预测误差滤波器或白化滤波器。 蛙+ r 鬲五了卜啦 “) _ 1 l 寸再磊f 户 ( b ) 图2 3 自回归模型及预测误差滤波器 ( a ) a r ( p ) 模型( b ) 预测误差滤波器 ( 4 ) a r 谱估计的界 在有些情况下,不要求计算出谱,而只希望知道a r 谱的动态范围。只要知 道墨。( o ) 和反射系数的模值就有可能确定谱的上、下界。1 9 7 5 年b u r g 证明了下 式 ( 。) 鼻爿并s ( ,) s 如( 0 ) 冉岩爿( 2 3 3 0 ) 1 4 第2 章现代谱估计理论基础 成立。当任何一个反射系数n 接近于l 时,上界将变大,而下界将变小。实际上 这只不过是重述了a r 过程的下述性质:具有大反射系数模值( 或极点靠近单位圆) 的a r 过程,其谱一定具有尖锐的峰。 ( 5 ) a r 谱估计的统计特性 粗略地讲,a r 谱的方差反比于数据o ) 的长度和信噪比s n r 。 ( 6 ) a r 模型谱估计的方法不足 a r 模型在谱估计中存在一些缺点。有些缺点和模型本身有关,有些则和采 用的求解模型参数的方法有关。 一个明显的缺点是a r 谱的分辨率和求a r 模型时所使用信号的信噪比s n r 有 着密切的关系。设x ( r 1 ) 为一a r ( p ) 过程,并假定在获得x ( n ) 的过程中混入了方 差为盯:的观察噪声珊0 ) 。这样,拟合一a r ( p ) 过程实际所用的数据将不是x ( r 1 ) 而是y ( n ) ,y ( n ) = x ( n ) + 0 ) ,用p 阶a r 模型所得到的y ( n ) 的功率谱为 删篡筹密o z ”: 亿s 埘, 盯2 + 口:一o m ) 一叫 石矿面石一 式中盯2 是a r ( p ) 模型的激励白噪声u ( n ) 的方差。u ( n ) 和伽) 不同,前者是建立 模型所必须的,而后者是观察数据时所附加的。由( 2 3 3 1 ) 式可以看出,y ( i 1 ) 的功率谱实际上由一个既有极点又有零点的a r m a ( p ,p ) 模型表征。由于零点的存 在使谱的动态范围减小,从而降低了分辨率。d :越大,即y ( n ) 的信噪比s n r 越 小,谱的分辨率降低的越明显。 其二,如果x ( n ) 是含有噪声的正弦信号,在应用时发现,谱峰的位景易受 x ( 1 3 ) 的初相位的影响,而且在有的算法中还可能出现“谱线分裂”的现象,即在 本来应只有一个谱线的位置附近分裂成两个谱线。通过算法的改进和其他一些措 旌可以较好地克服这些缺点。 其三,谱估计的质量受阶次p 的影响。p 选得过低,谱太平滑,反映不出谱 峰。p 选得过大,会产生虚假的峰值。通过合适的选择阶次可以克服这一缺点。 2 3 5a r 模型阶次的选择 模型定阶的问题是参数谱估计的一个难题。阶选得太低,功率谱受到的平滑 太厉害:如图2 4 所示,平滑后的谱已经分辨不出真实谱中的两个谱峰了。阶选 得太高,固然会提高谱估计的分辨率,但同时会产生虚假的谱峰或谱的细节,如 图2 5 所示,都不能反映模型的真实情况。真实谱是两个谱峰和白噪声的平坦的 谱,但对于a r 模型的阶选得太高,因而出现了许多虚假的谱峰。既要估计a r 模 成都理工大学硕士学位论文 型参数,又要估计模型的阶,对于这样复杂的情况,如何评价各种谱估计的性能, 目前尚未见到有人详细研究。己经提出几种不同的误差准则作为确定模型阶的依 据。以下是其中主要的三种: ( 1 ) 最终预测误差( f p e ) 准则 a r ( k ) 过程的最终预测误差定为 胱”砟( 篇】 心3 _ 2 ) 它是过程中不可预测部分的功率与a r 参数估计不精确产生的误差功率之和。上 式中n 是数据样点数目。括号内的数值随着k 的增大( 趋近于n ) 而增加,反映出 预测误差功率的估计的不精确性增加。由于盯:随阶的增加而减小,所以f p e 将 有一个最小值。f p e 的最小值对应的阶便是最后确定的阶。该准则的实际应用表 明,虽然对于a r 过程来说效果很好,但在处理地球物理数据时,一般都认为这 一准则确定的阶偏低。 ( 2 ) h k a i k e 信息准则( a i c ) 法 对a r 过程,a i c 定义为 r c ( i ) n l a 砰+ 2 ( 2 3 3 3 ) 这里i 是假设的a r 模型的阶,显然,对于上式,a i c 有一个最小值,它所对应的 阶就是要选择的阶。可以证明,当一m 时f p e 和a i c 等效的,即 l i m ( 1 n 【闩堰扣) 】卜 配0 ) ( 3 ) 判别自回归传输函数( c a t ) 法 这一准则是:使实际预测误差滤波器和估计滤波器的均方误差之间的差的估计的 最小所对应阶作为最佳阶。 c a t ( p ) 砉薹毒一万1 q 3 _ 4 使得上式最小的p 值就是最终确定的阶。 图2 4 阶选的太低时谱平滑的厉害图2 5 虚假谱峰 第2 章现代谱估计理论基础 2 4p r o n y 复极点模型 基于线性预测理论,用一个指数衰减线性组合模型来拟合一个等间隔的离散 信号其表达式为: 一妻4 e x p 血) 一o ,1 ,m 一1 ( 2 4 1 ) 其中为时间序列取样值,s ;一a 。+ ,q 为复极点,a i 为衰减因子,q 为自然频 率,4 为留数,f 取样间隔,肼为取样总数。上式为j l f 个非线性方程式,有 2 n 个( 个4 ,个s ) 未知数。当m 七2 1 7 时,m i t t r a 与b l a r i c u m 引用古老 的p r o n y 算法求解了这个非线性方程组,具体是将此非线性方程组转化为一个高 次代数方程和两个线性方程组来求解,归纳为如下三个方程组: 毛- 4 z ? h - 咀,m 一1 ( 2 4 2 ) 口 其中磊一e x p f ) 。 z ”一荟n z ”4 _ o h t 。郭一 ( 2 4 3 ) ( 2 4 4 ) 其中k * 0 ,1 ,m n 一1 。 ( 2 4 4 ) 式包括( m n ) 个方程的线性递推方程组,含n 个未知数口l ,为已知 数,因此当m = 2 n 时,利用一般矩阵求逆法,可以求得a ;值;如m 2 n ,则可 求得最小二乘意义下的近似值。将求得的a ;值代入( 2 4 3 ) 式,解此高次方程, 可得n 个根z ;,于是被测信号的复极点s i n z ,a t 即可求得。将各互代入 ( 2 4 2 ) 式,( 2 4 2 ) 式就退化为线性方程组,利用其中任意个方程可求得留 数4 。最后,对( 2 4 2 ) 式袁值作傅立叶变换,求模,可得到功率谱密度。 0 ,( ,) | 叠( ,) 1 2 ( 2 4 5 ) 其中: 取,) 1 羹以雨高为丽 乜4 6 一砜 从物理概念上说,p r o n y 技术是一种自适应处理过程,它适时地调整了指数 衰减线性组合模型的各个参数与被测信号拟合。与傅立叶周期图截然不同的是, 周期图是以固定频率、固定数目的不衰减正弦波的线性组合来拟合。它所存在的 缺点与自回归相同,即必须正确估计模型阶数,对噪声也比较敏感,不适合在低 信噪比下工作“1 。 1 7 成都理工大学硕士学位论文 2 5 最大似然谱估计法 由c a p o n 提出的最大似然谱估计器实质上是在最小均方意义下的有限时间脉 冲响应滤波器组,它开始用于地震研究中,称为阵列一波数分析,又称c a p o n 谱 估计法。 根据信号的谱分布来自适应地更新有限时间脉冲响应滤波器的权系数a ,以 使在待求频率点上滤波器的频率响应为1 ( 无失真输出) 和输出方差为最小,即在 约束条件云4 ,1 之下,使盯2 ,血。爿为最小。最后导出结果为: r :e a n 。两i ( 2 5 1 ) 气- 靠彘 q 5 卫) 其中e 一阻e x “2 矾a f ) ,p ( j 知l p l l f o d a ) 7 ;一一扣。,口,口,。r ;j k 为数据的 协方差矩阵;t 为转置。 ( 2 5 1 ) 、( 2 5 2 ) 两式分别为最佳权系数列向量和最大似然谱估计密度估 值,上式中只要能求出自相关逆矩阵,就能计算出谱密度估值。最大似然谱估计 值气与自回归谱估计值t 存在有如下的关系式: ! 。i t ! ( 2 5 3 ) 屯( ,) p 意堙( ,) ( 2 5 3 ) 式中r r $ 为自回归谱估值的阶数。上式说明:m 一1 ,2 ,p 各阶白回归谱倒 数的平均等于最大似然的倒数,这意味着( 1 ) 最大似然谱的分辨率低于最大熵谱 的分辨率,这是由于具有低分辨率的低阶最大熵谱和具有高分辨率的高阶最大熵 谱的联合平均造成的;( 2 ) 最大似然谱在统计上具有更好的稳定性。此外, b a n g g e r o e r 证实,在长数据段情况下,最大似然估计要比自回归谱估计具有较 小的方差值。 1 8 第3 章现代谱估计方法及改进 第3 章现代谱估计方法及改进 由第2 章中所讨论的a r 模型建立过程可知( 见式2 3 9 及式2 3 2 2 ) ,a r 模型参数必须满足y u l e w a l k e r 方程 r x ( 0 ) 皿r ,( 2 ) r ,( p ) r a ) e ( 0 ) r ,( 1 ) 也( p 一1 ) 心( 2 ) a ) 足( o ) 疋( p 一2 ) i; 疋【p ) r ,( p 1 ) r ( p 一2 ) r ,( o ) l a i 4 2 口2 0 0 o 对于某随机过程来说,如果已知r ( o ) ,疋( 1 ) ,r p ) ,就可由上式求解出 p 24 1 - ,n ,) ,但实际上,对于一个所要估计的随机过程( j 来说,通常已知 的仅仅是有限的观察数据,如工( o ) ,石( 1 ) ,x ( 一1 ) ,而其自相关函数值通常是未 知的,因此a r 模型参数的求得,通常是首先要求得自相关函数的估计值,然后 再通过某算法,得到a r 模型参数的估计值。 3 1a r 模型参数提取方法 3 1 1y u l e - w a l k e r 算法 用最小平方时间平均准则代替集合平均准则,有 s 一专2 一血或群0 1 ) ) 2 一 ( 3 l _ 1 ) 式中,0 ) 可由长度为p + l 的预测误差滤波器冲激响应序列( l a ,。,4 矽,口,) 与长度为n 的数据序列( x ( o ) ,x ( 1 ) ,x ( n _ 1 ) ) 进行卷积得到。因而o ) 序列的 长度为n + p ,这就决定了式( 3 1 1 ) 中求和的项数。显然,在计算卷积时,在数 据段h 0 ) 的两端,实际上添加了若干零取样值。实际上,e :o ) 是由x u ( n ) 经过 冲激响应为4 一( f 一0 工,p ;a p o - 1 ) 的滤波器得到的。只要h o ) 的第一个数据x ( o ) 进入滤波器,滤波器便输出第一个误差信号取样值e :( + p 一1 ) 。这意味着,已知 数据x o ) ( o s n s n 一1 ) 是通过对无穷长数据序列膏o ) ( 一m s n 妄o o ) 力n 窗得到的。 将e ;o ) 皇n 目曲z o 代入式( 3 1 1 ) ,得 s 一“薹1 q 加) ) 2 f 即一,一一腑7 如 ( 3 1 2 ) 式中,矗是由取样自相关序列 盖忙) 。i 1 v - l - | x t ( 瑚l + t ) ,o s i :n 一1 ( 3 1 3 ) 成都理工火学硕士学位论文 构成的n 阶取样自相关矩阵。因此,用时问平均最小化准则同样可以导出 y u l

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论