一方面,建立随机信号的参数模型是研究随机信号的基本方法,认为其含义是随机信号是对白噪声激励某确定系统的响应。 一旦白噪声参数确定,研究随机信号就可以转化为研究产生随机信号的系统。
经典信号建模方法已经指出,医学信号处理的目的是提取随机信号中包含的的确定性分量,并以一定的准确性(最闪亮的柚子乘之意)进行预测。 这是建立各种确定性的数学模型,包括代数、微分、积分、差分方程模型。 这是经典的信号建模方法。
信号的现代建模方法是基于最大不确定性的预测。 提出了很多数学模型。 对于平稳随机信号,常用的3种线性模型分别为AR模型、MA模型和ARMA模型。 Wold证明,任何平稳的ARMA (自回归移动平均)模型或MA模型可以用无穷阶或阶充分的AR模型逼近。 因此,本文重点介绍AR模型的基本原理和方法。
MA模型在随机信号中的x(n )由当前激励w ) n )和多次过去激励w(n-k )的线性组合产生。
系统函数:
AR模型随机信号中的x(n )是通过自身的数次过去值x(n-k )和当前的激励值w ) n )的线性组合而生成的。
系统函数:
ARMA模型ARMA是AR和MA模型的组合
二. AR模型参数估计1、AR模型参数与自相关函数的关系
2、例题验证
a、从模型中可以看出a1=-14/24; a2=-9/24; a3=1/24,赋值表达式(7-37 )通过MATLAB获得。
a=[-14/24、-9/24和1/24 ]; A=[1,a(1),a )2),a )3); a(1)、1a )、a )、3 )、0; a(2)、a )1) a )、3 )、1、0; a(3)、a )2)、a )1); b=[1; 0; 0; 0 ); Rxx=A b; rxx(0)=4.9377
rxx(1)=4.3287
rxx(2)=4.1963
rxx(3)=3.8654
由反复式(7-34 )得到
Rxx=A b; form=5:6rxx(m )=0; fork=1:3rxx(m )=Rxx(m )-a ) k ) ) rxx ) m-k ); 结束rxx结果:
Rxx=
4.93774.32874.19643.86543.64813.4027因此
rxx(4)=3.6481
rxx(5)=3.4027
已知b、Rxx,代入式(7-37 )即可得到
r=[rxx(1) rxx )2) rxx )3) rxx ) 4; rxx(2) rxx )1) rxx )2) rxx ) 3; rxx(3) rxx )2) rxx )1) rxx ) 2; rxx(4) rxx )3) rxx )2) rxx )1); R b结果:
ans=
1.0000-0.5833-0.37500.0417 c,由以下公式得到
clear clc; xn=[0.42821.1454(5597 ) 1.8994 ) 1.6854 ) 2.3075 ) 2.4679 ) 1.9790.1.6063 ) 1.2804-0.2083 ) 0577.0206.3572 . rxx_OBS=xcorr(xn )./length ) xn; rxx_OBS=rxx_OBS(Length(xn ) : end )结果:
将所得到的rxx(0)-Rxx(3)3)代入式(7-37 )来求出估计值) a1=-0.6984; a2=-0.2748; a3=0.0915; ^2=0.4678
从真值中减去的误差如下。
e1=0.1151; e2=0.1002; e3=0.0498
参考:工作:随机信号的参数建模方法及MATLAB实现