前言一、概率整理二、AR模型的几种方法三、AR模型的方法和具体仿真
在前文的前两个经典谱估计中，经典谱估计下，方差和分辨率是一对矛盾这是因为在经典谱估计中对数据加窗，在自相关法中对自相关也加窗(加二次窗)，所以http://www.Sina.com 这样，系统中的系数就可以表示系统中反映的数据。 这就是现代功率谱密度估计参数模型法的思想。 据书原始数据藏在一个系统H(Z)中
参数法有AR、MA、ARMA模型，其性质如下。
ArmaARmah(z )线性/非线性非线性反映了光谱特性峰谷值的兼顾。 由于概率整理AR模型既是线性方程组，又是等价预测模型，比其他两种模型实用得多，本文只对先根据数据的自相关函数r(m)求出H(Z)系数，再通过H(Z)进行谱估计) /进行了整理和仿真。
首先在模型中输入为白噪声，需要求出h(z )的系数即ak，k=1，2…p。 也就是说，要通过数据的自相关和ak的关系求解，需要通过AR模型。 正则方差的导出过程如下。
这里，正则方差可以用lecinson-durbin http://www.Sina.com /高速算法计算，也就是自相关法的方法。 其他方法和比较也将在后面叙述。
另外，在预测模型中，两者系数相等，其最小误差与AR模型输入端白噪声的方差相当。 其关系如下
二、AR模型的几种方法常见的有刚才提到的自相关法、burg法和改进的协方差法，它们的区别如下。
基于改进自相关法burg的协方差法预测方式前向预测前向预测开窗不开窗Levinson递归算法能否使用，此外还有常用的最大熵谱估计。 因为数据相对于原始数据可能还被截断。 之前的经典谱设想两边直接为零，这里是两边加上最随机的数，也就是最大熵的标准。
三、AR模型的方法和具体仿真与采用的原始数据和前两个经典功率谱估计相同，用于与经典功率谱估计进行比较，仿真采用阶均为50
%%现代功率谱估计的几种方法clear all； clc； 全部关闭； clear N=200； Nfft=20000； Fs=1； n=0:N-1； x=cos(0.3*pi*n ) cos ) 0.32*pi*n ) 0.1*randn ) size ) n )； fn=-0.5:2/N:0.5； 图形； 利用%% Burg法burg算法得到功率谱估计； xpsd=Pburg(x，50，n )； pmax=max(xpsd； xpsd=xpsd/pmax； xpsd=10*log10(xpsd0.000001； 辅助(221； plot(fn，FFTshift ) xpsd )； 网格开； 标题(burg法)； %%协方差法xpsd=pcov(x，50，n )； pmax=max(xpsd； xpsd=xpsd/pmax； xpsd=10*log10(xpsd0.000001； 辅助(222； plot(fn，FFTshift ) xpsd )； 网格开； title (协方差法)； %%协方差的改进法xpsd=pmcov(x，50，n )； pmax=max(xpsd； xpsd=xpsd/pmax； xpsd=10*log10(xpsd0.000001； 辅助(223； plot(fn，FFTshift ) xpsd )； 网格开； title (改进的协方差法)； 最大熵方法xpsd=pmem(x，50，n )； pmax=max(xpsd； xpsd=xpsd/pmax； xpsd=10*log10(xpsd0.000001； 辅助(224； plot(fn，FFTshift ) xpsd )； 网格开； title (最大熵法)； %%自相关文件； 利用%自相关矩阵分解的MUSIC算法得到功率谱估计； XPSD=pmusic(x '，50，n )； pmax=max(xpsd； xpsd=xpsd/pmax； xpsd=10*log10(xpsd0.000001； 辅助(311； plot(fn，FFTshift ) xpsd )； 网格开； title (自相关矩阵分解的均值算法)； 利用%自相关矩阵分解的特征向量算法得到功率谱估计； [xpsd，f，v，e]=Peig(x '，50，n )； pmax=max(xpsd； xpsd=xpsd/pmax； xpsd=10*log10(xpsd0.000001； 辅助(312； plot(fn，FFTshift ) xpsd )； 网格开； title (自相关矩阵分解的特征向量算法)； 利用%自相关法得到功率谱估计的XPSD=pyulear(x，50，n )； pmax=max(xpsd； xpsd=xpsd/pmax； xpsd=10*log10(xpsd0.000001； 辅助(313； plot(fn，FFTshift ) xpsd )； 网格开； title (自相关法)；