首页 现代信号处理复习题

现代信号处理复习题

举报
开通vip

现代信号处理复习题现代信号处理复习题 1、已知xa(t)?2cos(2?f0t)式中f0=100HZ,以采样频率fs=400Hz对xa(t)进行采样,得 ?a(t)和时域离散信号x(n),试完成下面各题: 到采样信号x (1)写出xa(t)的傅里叶变换表示式Xa(j?); (2)写出xa(t)和x(n)的表达式; (3)分别求出xa(t)的傅里叶变换和x(n)的傅里叶变换。 解:(1)??Xa(j?)??xa(t)e?? ? ???j?tdt??2cos(?0t)e???j?tdt ??(ej?0t?e?j?0t)e...

现代信号处理复习题
现代信号处理 复习 预应力混凝土预制梁农业生态学考研国际私法笔记专题二标点符号数据的收集与整理 题 1、已知xa(t)?2cos(2?f0t)式中f0=100HZ,以采样频率fs=400Hz对xa(t)进行采样,得 ?a(t)和时域离散信号x(n),试完成下面各题: 到采样信号x (1)写出xa(t)的傅里叶变换 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 示式Xa(j?); (2)写出xa(t)和x(n)的表达式; (3)分别求出xa(t)的傅里叶变换和x(n)的傅里叶变换。 解:(1)??Xa(j?)??xa(t)e?? ? ???j?tdt??2cos(?0t)e???j?tdt ??(ej?0t?e?j?0t)e?j?tdt 上式中指数函数和傅里叶变换不存在,引入奇异函数?函数,它的傅里叶变换可以表示成:Xa(j?)?2?[?(???0)??(???0)] (2) ?a(t)?x n????x(t)?(t?nT)??2cos(?nT)?(t?nT)a0n????? x(n)?2cos(?0nT),???n?? 2、用微处理器对实数序列作谱 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 ,要求谱分辨率F?50Hz,信号最高频率1KHz,是确定以下各参数: (1)最小 记录 混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载 时间Tpmin (2)最大取样时间Tmax (3)最少采样点数Nmin (4)在频带宽度不变的情况下将频率分辨率提高一倍的N值。 解:(1)已知F?50Hz 11??0.02s F50 111(2) Tmax????0.5ms fsmin2fmax2?103 Tp0.02s??40 (3) Nmin??3T0.5?10s (4)频带宽度不变就意味着采样间隔T不变,应该使记录时间扩大一倍为0.04s实频率分辩率提高1倍(F变成原来的2) T0.04sNmin?p??80 ?3T0.5?10s Tpmin? 3、在时域对一有限长的模拟信号以4KHZ采样,然后对采到的N个抽样做N点DFT,所得离散谱线的间距相当于模拟频率100HZ。某人想使频率能被看得清楚些,每50HZ能有一根谱线,于是他用8KHZ采样,对采到的2N个样点做2N点DFT。问:他的目的能达到吗, 答:不能,因为他忽略了数字频率和模拟频率的区别。 提高采样频率fs ,N 固然大了,数字频率(单位圆)上的样点数确实增加了,但从模拟频率谱看,样点一点也没有变得密集,这是因为数字频率2?总是对应模拟频率fs 。 2fsfs??100Hz 2NN 2?2??) ,不能提一点也没有变。所以,增大采样频率,只能提高数字频率的分辨率(N2NN也增加一倍,采样频率由fs到2fs 增加一倍,但模拟频率的采样间隔 1 高模拟频率的分辨率。 4、在A/D变换之前和D/A变换之后都要让信号通过一个低通滤波器,他们分别起什么作用, 解:在A/D 变换之前让信号通过一个低通滤波器,是为了限制信号的最高频率,使其满足当采样频率一定时,采样频率应大于等于信号最高频率2倍的条件。此滤波器亦称为“抗折叠”滤波器。 在D/A 变换之后都要让信号通过一个低通滤波器,是为了滤除高频延拓谱,以便把抽样保持的阶梯形输出波平滑化,故又称为“平滑”滤波器。 1?a2 5、已知H(z)?,0?a?1,分析其因果性和稳定性。 (1?az?1)(1?az) 解: H(z)的极点为z?a,z?a?1, (1) 收敛域a?1?z??,对应的系统是因果系统,但由于收敛域不包含单位圆,因此是不稳定系统。单位脉冲响应h(n)?(an?a?n)u(n),这是一个因果序列,但不收敛。 (2)收敛域0?z?a,对应的系统是非因果且不稳定系统。其单位脉冲响应 ,这是一个非因果且不收敛的序列。 h(n)?(a?n?anu)?(n?1) (3)收敛域a?z?a?1,对应的系统是一个非因果系统,但由于收敛域包含单位圆,因此是稳定系统。其单位脉冲响应h(n)?an,这是一个收敛的双边序列。 6、什么叫做数字滤波器,FIR和IIR的比较和各自的设计 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 , 答:所谓数字滤波器,是指输入、输出均为数字信号,通过一定运算关系改变信号所含频率成分的相对比例或者滤除某些频率成分的器件。 FIR:有限脉冲响应滤波器 IIR:无限脉冲响应滤波器 ? IIR极点可存在与单位圆的任何地方,有较强的幅度选择性,但相位特性差。 FIR相位呈线性,但幅度特性需高阶才可调节的较好。 ? FIR计算不产生振荡,误差影响小,可以采用FFT算法。 IIR有稳定问题,有限字长可能产生振荡,同阶递归算法速度受到限制。 ? IIR可用模拟滤波器成果,得到有效的封闭式公式,设计工作量小,要求低。 FIR仅窗函数有公式,但无显式表达通、阻带,需要计算机辅助设计。 ? IIR设计已规格化,频率特性为分段常数的滤波器。 FIR主要适应特殊应用,且高阶IIR不易达到指标的滤波器。 ,,,数字滤波器设计 ?直接设计: 原型变换(由一低通经过频率变形设计低通、高通、带通、带阻等) 频域设计(零、极点配置;幅度平方函数), 时域设计(帕德(Pade)逼近;波形形成) ? 优化技术设计(依据一定的优化准则进行设计) ? ,,,数字滤波器设计 ?线性相位: 零点的镜像存在。 偶对称: 奇对称: ?窗函数(时域加权平均):矩形,三角,余弦,布莱克曼(Blackman)系列,凯塞(Kaiser)系列,高斯 ?频率取样:在H(z)的单位圆上等分取样(是否带初相) ?优化技术设计:(依据一定的优化准则进行设计) 2 8:长度为N=10的两个有限长序列 ?1,?0?n?4?1,?0?n?4 x1(n)??x2(n)???0,?5?n?9??1,?5?n?9 作图表示x1(n)、x2(n)和y(n)?x1(n)?x2(n)(圆周卷积),循环卷积区间长度L=10。 解:x1(n)、x2(n)和y(n)?x1(n)?x2(n)分别如题3解图(a)、(b)、(c)所示 及其傅里叶变换H(e) 。 j? j?9:若序列h(n)是因果序列,其傅里叶变换的实部为HR(e)?1?cos(?),求序列的h(n) ?1j?1?j??FT[he(n)]??he(n)e?j?n 解:HR(e)?1?cos(?)?1?e?e22n??? ?1?2,n??1 ?he(n)??1,n?0 ?1?,n?1?2 ?0,n?0??1,n?0???h(n)??he(n),n?0???1,n?1 ?2h(n),n?0??0,othern?e??j? H(e)?j? n????h(n)e?j?n?1?ej??2ej?/2cos??2 10、什么是宽平稳随机过程,什么是严平稳随机过程,它们之间有什么联系, 答:若一个随机过程的数学期望与时间无关,而其相关函数仅与?有关,则称这个随机过程是宽平稳的或广义平稳的。所谓严平稳随机过程是指它的任何n维分布函数或概率密度函数 3 与时间起点无关。严平稳的随机过程一定是宽平稳的,反之则不然。 15、如图所示: (1(2)观察上述框图,说出这是哪一种经典功率谱估计的方法,并写出描述估计关系式。 (3)根据维纳-辛钦定理及相关估计方法写出另一种经典功率谱估计描述估计关系式,结合框图或关系式说明上述框图所示方法的优点。 (4)两种经典功率谱估计都有一个致命的缺点,请简要说明并写出常用的改进方法的名称。 解:1.对于随机信号,其傅里叶变换并不存在,因此转向研究其功率谱。 2.图中所示的是周期图法 ?(ej?)?1PxxN?x(n)e n?0N?12?j?n ?1?xx(m)?3. rNN?m?1n?0?(e)?x(n)x(n?m) PBT*j?m?????jn?rxx(m)?e 周期图法简单,不用估计自相关函数,且可以用FFT进行计算。 4.经典谱估计得致命缺点是频率分辨率低,其原因是傅里叶变换域是无限大,而用作估计的观察数据只有有限个,认为剩余的数据为0,造成系统偏差。改进的方法有:1.平均周期法2.窗函数法3.修正的周期图求平 均法。 16、如图所示的RC电路,若输入电压的功率谱密度为X(?),求输出电压的功率谱密度 Y(?)。 R 解:RC电路系统的频率响应函数为 4 H(?) = 1j?C1 = 1j?RC?1R?j?C H(?2= 1 2(?RC)?1 2X(?)Y(?) = H(?* X(?)= 2(?RC)?1 17、已知LTI系统的传输函数为h(t),输入是实平稳随机过程X(t),输出是Y(t),求RX(?)、RY(?)和h(t)三者间的关系, 解:平稳随机过程经过LTI系统输出还是平稳随机过程,所以 RY(?)?E[Y(t)Y(t??)] ???? ?E[?X(t?u)h(u)du?X(t???v)h(v)dv] ???? ???? ? ???????E[X(t?u)X(t???v)]h(u)h(v)dudv ??RX????(??u?v)h(u)h(v)dudv ???? ?RX(?)?h(?)?h(??) 其中?是卷积运算。 18、常用的自适应滤波理论与算法有哪些, 从理论上讲,自适应滤波问题没有惟一的解。为了得到自适应滤波器及其应用系统,可以采用各种不同的递推算法,这些自适应算法都有各自的特点,适用于不同场合。 常用的自适应滤波理论与算法有: (1)、基于维纳滤波理论的方法。 (2)、基于卡尔曼滤波理论的方法。 (3)、基于最小均方误差准则的方法。 (4)、基于最小二乘准则的方法。 19、简述自适应信号处理技术的应用 自适应滤波处理技术可以用来检测平稳的和非平稳的随机信号。常应用于: (1)、自适应滤波与逆滤波。 (2)、系统辨识。 (3)、自适应均衡。 (4)、自适应回波抵消。 (5)、自适应噪声抵消与谱线增强。 (6)、自适应谱估计。 (7)、自适应波束形成。 (8)、自适应神经智能信息处理。 (9)、盲自适应信号处理。 20、设X(t)为一随机电报信号,其样本函数如图1所示,取+1,-1概 率相等,在时间间隔?内波形变号次数服从参数为?的泊松分布,即: 5 (??)n ???p(n,?)?e n! 求X(t)的自相关函数。 解:Rx(t,t??)?E[x(t)x(t??)] 在时间间隔?内X(t)可能变号偶次,X(t),X(t??)将同时取+1或-1,若变 号奇次,X(t),X(t??)将异号。 当??0时, RX(t,t??)?P[X(t??)?X(t)]?(?1)P[X(t??)??X(t)] P[X(t??)?X(t)]?P[n为偶数] ?(??)n(??)2k ??t ?e?(n为偶数)?e??e??tch(??) n!n?0k?0(2k)! P[X(t??)??X(t)]?P[n为奇数] ??t? (2k?1)(??) ?e??e??tsh(??) k?0(2k?1)! RX(t,t??)?e???ch(??)?e???sh(??) ??t? ?e 显然当??0时, ?2?? RX(t,t??)?e2?? || RX(t,t??)?e?2?? 21、设X(t)?Acos(?t??),其中A和?是相互独立的随机变量,?在(0, 2?)均匀分布,试讨论X(t)的平稳性和各态历经性。 解:E[X(t)]?E[Acos(?t??)]?E[Acos?tcos??Asin?tsim?]?0 E[X(t)]?E[Acos(?t1??)Acos(?t2??)] E[A2]?E[Acos?(t1?t2)?cos(?(t1?t2)?2?)] 2 E[A2]?cosw(t1?t2)?RX(?)2 所以,X(t)是广义平稳过程。 6 1X?lim2T__T?? ________________1(t)dt?lim??T2TTT???T?TAcos(?t??)dt?0?E[X(t)] 因此,X(t)具有均值各态历经性。 X(t)X(t??)?lim ?lim ?lim12T1 2TT??12T?T?TX(t)X(t??)dt??T?TAcos(?t??)Acos(?(t??)??)dtA[cos?t?cos(2?t??? ?2?)]dt22T?? T?T T?? A2 ?cosw(t1?t2)?RX(?)2 因此,X(t)不具有自相关函数各态历经性。 22、从最速下降法出发: Wj?1?Wj??? j 其中,Wj?1 是第j+1个抽样时刻的滤波器权矢量, ? 控制收敛稳定 性和速率,? 是误差-性能曲面的真实梯度,推导自适应噪声消除的 Widrow-Hopf 的LMS算法。 解答: 梯度矢量?,初级输入与刺激输入的互相关P以及初级输入的自相关R之间的关系为: ?=?2P+2RW 在LMS算法中,使用?的瞬时估计,则有 ?j =-2Pj+2RjWj=-2Xj 其中 ej?yj?XjW j 用(1)式替换最速下降法的梯度,我们得到基本的Widrow-Hopf 的LMS算法: Wj?1?Wj?2?ejX j 其中 Tyj+2XjXjTWj (1) =-2Xj(yj?XjWj)??2ejXj ej=yT?WjjXj 23、自适应滤波器的特点及应用范围 答案:由于滤波器的参数可以按照某种准则自动地调整到满足最佳滤波的要求;实现时不需要任何关于信号和噪声的自相关特性,尤其当输入统计特性变化时,自适应滤波器都能调整自身的参数来满足最佳滤波的需要,即具有学习和跟踪的性能。当符合下面几个情况时都可以应用自适应滤波(1)需要滤波器特性变化以自适应改变的情况时(2)当信号和噪声存在频谱重叠时(3)噪声占据的频谱是时变或未知。例如电话回声对消,雷达信号处理,导航系统,通信信道均衡和生物医学信号增强。 24、已知输入信号向量U(n)的相关矩阵R及期望响应信号d(n)的互相关向量P分别为 ?21?TP=5 4 ,????12? 2且已知期望响应d(n)的平均功率为 E{d(n)}=30 R=? (1) 计算维纳滤波的最优权向量; (2) 推导误差性能面的表达式; 7 (3) 计算最小均方误差。 答案:(1)由RW0?P?0可得 ?21??1?5??2?W0?RP=????=?? ?12??4??1? (2)假设在n时刻,输入信号为u(n),横向滤波器输出信号 ?1 ?(n)?wHu(n)?uT(n)w*, d ?(n) e(n)?d(n)?d J(w)?E{e(n)e*(n)} ?E{[d(n)?wHu(n)][d(n)?uT(n)w*]*} ?E{d(n)}?E{d(n)uH(n)}w?wHE{u(n)d*(n)}?wHE{u(n)uH(n)}w 2??d?pHw?wHp?wHRw2 (3)把W0代入J(w)得: J(w0)???pw0?30??52 dH?2?4????16 ?1? 25、怎样判断随机过程{X(t),t?T}是宽平稳随机过程,并证明随机过程X(t)?Ycos(?t)?Zsin(?t),t?0是宽平稳过程,其中,Y , Z是相互独立的随机变量,且EY?EZ?0,DY?DZ??2。 答:(1)如果X(t)满足,如下条件: (a){X(t),t?T}是二阶矩过程; (b)对任意t?T,mX(t)?EX(t)?常数; (c)对任意s,t?T,RX(s,t)?E[X(s)X(t)]?RX(s?t)。则判定{X(t),t?T}是宽平 稳随机过程。 (2) 证明: E[X2(t)]?E[(Ycos(?t)?Zsin(?t))?(Ycos(?t)?Zsin(?t))] ?E[Y2cos2(?t)?2YZcos(?t)sin(?t)?Z2sin2(?t)] ?E[Y2]cos2(?t)?E[Z2]sin2(?t)?E[YZ](2cos(?t)sin(?t)) 因为Y,Z是相互独立的随机过程,且EY?EZ?0,DY?DZ??,所以 2 E[X2(t)]=?2??? EX(t)?E[Ycos(?t)?Zsin(?t)]?E[Y]cos(?t)?E[Z]sin(?t)?0=常数 RX(s,t)?E[X(s)X(t)]?E[(Ycos(?s)?Zsin(?s))?(Ycos(?t)?Zsin(?t))] ?E[Y2cos(?s)cos(?t)?YZsin(?(t?s))?Z2sin(?s)sin(?t)] ??2cos[?(s?t)] 只与时间间隔有关,与时间起点无关。 所以,{X(t),t?T}是宽平稳随机过程。 26、若{X(t),t?T}为均方连续的实平稳随机过程,则其自相关函数RX(?) 具有那些常用性质,RX(?)在计算其功率谱SX(?)时有什么作用, 8 ,RX(s,t) 答:(1)RX(?)具有如下常用性质: (a)RX(0)?0; (b)RX(?)=RX(??),RX(?)是实偶函数; (c)|RX(?)|?RX(0); (d)若X(t)是周期为T的周期函数,即X(t)=X(t?T),则RX(?)?RX(??T); (e)若X(t)是不含周期分量的非周期过程,当|?|???时,X(t)与X(t??)相互独立,则 ?? |?|???limRX(?)?mXmX。 ___ (2)若|RX(?)|d????,根据辛钦—维纳定理 ??? 1SX(?)??RX(?)ed? RX(?)=2??? 自相关函数RX(?)和功率谱SX(?)是一对傅里叶变换 对。 ?j?????????SX(?)ej??d? 27、从随机过程的平稳性上考虑,卡尔曼滤波的适用范围, 答案:卡尔曼滤波不仅适用于平稳随机过程,同样也适用于非平稳随机过程。 28、简述基于卡尔曼滤波理论的方法。 答: 为使自适应滤波器能工作在工作在平稳或非平稳的环境,可以借助于卡尔曼滤波器来推导自适应滤波算法。卡尔曼滤波是线性无偏最小方差递推滤波,估计性能是最优的,且递推计算形式又能适应实时处理的需要对于一个线性动态系统的卡尔曼滤波问题,可以用状态方程和测量方程来描述,前者以状态矢量刻画系统的动态,后者描述系统中的测量误差。 假设研究离散线性动态系统的N维参数的状态矢量为x(n),M维观察数据的测量矢量为y(n),通常矢量x(n)和y(n)都是随机变量,由他们表示系统 模型的状态方程和测量分别为 X(n?1)??(n?1,n)x(n)?v1(n) (1) Y(n)?C(n)x(n)?v2(n) (2) 其中?(n?1,n)为系统在n?1和n时刻的N?N状态转移矩阵,C(n)为已知的N?M测量矩阵 系统动态噪声v1(n)和观察噪声v2(n)的统计特性为 E[v1(n)]?0, cov(v1(n),v1(k))?E[v1(n)v1H(k)]?Q1(n)?nk (3) HE[v2(n)]?0, cov(v2(n),v2(k))?E[v2(n)v2(k)]?Q2(n)?nk (4) H cov(v1(n),v2(n))?E[v2(n)v2(k)]?0 (5) “H”表示共轭转置;当n=k,=1,当n?k,=0;噪声矢量v1(n)和v2(n)统计独立的。根据观察数据的测量矢量y(1),y(2),?y(n),可求出系统状态x(i)的线性无偏最小方差估计。当i?n时,这种最佳估计问题成为卡尔曼滤波;当i?n时,则称为最优预测;两者之间存在密切的关系。 29、设有两个线性时不变系统如图所示,它们的频率响应函数分别为H1(?)和H2(?)。若两个系统输入同一个均值为零的平稳过程X(t),它们的输出分别为Y1(?)、Y2(?)。问如何设计H1(?)和H2(?)才能使Y1(?)、Y2(?)互不相关。 9 解答: ? -?E[Y1(t)]??h1(t?u)E[X(t)]du?0, E[Y2(t)]??h2(t?v)E[X(t)]dv?0; -?? E[Y1(t1)Y2(t2)]?RY1Y2(?) 其中??t1?t2,上式表明Y1(t)与Y2(t)的互相关函数只是时间函数?的函数。由 sY1Y2(?)??RY1Y2(?)e?i??d??H1(?)H2()sX(?) ??? 故当设计两个系统的频率响应函数的振幅频率特性没有重叠时,则sYY(?)=0,从而有12 RYY(?)=0=BYY(?),即Y1(t)与Y2(t)互不相关。 1212 30、什么叫白噪声? 答: 白噪声是指功率谱密度在整个频域内均匀分布的噪声。 所有频率具有相同能量的随机噪声称为白噪声。理想的白噪声具有无限带宽,因而其能量是无限大 31、设连续时间随机信号xa?t?以等时间间隔T0取样后得到离散时间随机序列x(n)。为使x(n)是白色随机序列,讨论应满足什么条件, a 解:设xa?t?的自相关函数和功率谱分别为Rxx???和Sxx?j??,x(n)的自相关序列和功 j?率谱分别为 Rxx?m?和Sxxe。 ?? 根据定义,有 Rxx?m??E[x(n)x(n?m)] ? * Sxxe????R?m?ej? xx m?????j?m ? 按照定义,自相关序列Rxx(m)为 **a Rxx(m)?E[x(n)x(n?m)]?E[xa(nT)x(nT?mT)]?Rxx(mT) a 因此Rxx(m)就是以周期T对Rxx(?)的等间隔取样。 a根据上式和Sxx(j?)的定义,有 a Rxx(m),Rxx(mT),1 2??? ??aSxx(j?)ej?mTd? ? 另一方面,根据Sxx(ej?)的定义,有 10 1 Rxx(m),2???S??axx(ej?)ejmnd? ? (2k?1)?/T 将式?表示成无限个积分之和,其中每个积分都在长为2?/T的区间上进行,1即Rxx(m),2?k????? ??(2k?1)?/TaSxx(j?)ej?mTd? 变量置换:????2?k,即得 T?/TaSxx(j??j1 Rxx(m),2?2?j?mTj2?mkk)eed? ????/TTk??? j2?nk?1,因此交换求和与积分的次序,考虑到对于所有整数k和m有e 1?/T?a2?j?mTRxx(m),[S(j??jk)]ed? ?xx???/T2?Tk??? ?再将??代入式中,得 T 1?1?a?2?j?n Rxx(m),[S(j?jk)]ed? ? ?xx???2?Tk???TT 比照式?与式?,得 j?1?a?2? Sxx(e),?Sxx(j?jk) ? T??TT 1?a2?或 Sxx(j?),?Sxx(j??jk) ? T??T 如果x(n)是白色随机序列,则它的自相关序列应当是一个幅度为Rxx?0?的冲激序列,即 Rxx?m??Rxx?0??(m) 上式代入式?,得 Sxxe 由式?、?有 ????R?0??(m)ejwxxm?????jwm?Rxx?0? ? 1a?2?Sxx(j?jk)?Rxx(0), TTT 上式表明,若要x(n)是白色随机序列,则要求 1a?2?Sxx(j?jk)=常数。 TTT 32、用雷达测量地球和月球之间的距离d,测量过程用下列方程描述 x(n)?d?w(n) 2其中w(n)是均值为零,方差为?w的白噪声序列,它表示测量误差。为了提高测量精度, 2现采用以下两种滤波器分别对进行处理x(n),试比较其方差?w的大小。 滤波器, y(n)?ay(n?1)?(1?a)x(n) 滤波器, y(n)?ax(n)?(1?a)x(n?1) 式中0?a?1。 解答:两个滤波器的系统函数分别为 11 1?a,H2(Z)?a?(1?a)Z?1 ?1 1?aZ H1(ej0)?1,H2(ej0)?1H1(Z)? 因此两滤波器的直流增益H1(ej0)?1,无直流失真。两滤波器输出噪声平均功率为 ?2 y111?a2?12?1?H1(Z)H1(Z)?xZdZ??x2?j1?a ?22?y??x?h22(k)??x2?[a?(k)?(1?a)?(k?1)]2?[a2?(1?a)2]?x22 k?0 a?1?22lim?y?0??x?01 222lim?y?a?x2因此 a?1? 33、简述经典功率谱估计与现代功率谱估计的差别。 信号的频谱分析是研究信号特性的重要手段之一,通常是求其功率谱来进行频谱分析。功率谱反映了随机信号各频率成份功率能量的分布情况,可以揭示信号中隐含的周期性及靠得很近的谱峰等有用信息,在许多领域都发挥了重要作用。然而,实际应用中的平稳随机信号通常是有限长的,只能根据有限长信号估计原信号的真实功率谱,这就是功率谱估计。 功率谱估计分为经典谱估计和现代谱估计。经典谱估计是将数据工作区外的未知数据假设为零,相当于数据加窗,主要方法有相关法和周期图法;现代谱估计是通过观测数据估计参数模型再按照求参数模型输出功率的方法估计信号功率谱,主要是针对经典谱估计的分辨率低和方差性能不好等问题提出的。 34、两个联合平稳信号X(t)和Y(t)的互相关函数为: RXY(?)?e?2?cosw0??i(?) 其中i(?)为单位阶跃函数。求互功率谱密度SXY(?)和SYX(?)。 解:直接查傅氏变换表,得 SXY(?)?F[e?2?cosw0??i(?)]? 利用互谱密度的性质有 SXY(?)= SXY(??)=2?j? 2(2?j?)2??02?j? 2(2?j?)2??0 35、观测信号为y(k)?s(k)?e(k),其中有信号是s(k)为恒量平稳序列,其 统计特征已求得为 ?E[s(k)]?0 ?22E[s(k)]??s? 噪声e(k)是零均值白噪声,且与有用信号不相关,即 E[e(k)]?0??2 ?E[e(i)e(j)]??e?(i?j) ?E[e(k)s(k)]?0? 求维纳滤波器, 解:观测y(k)的自相关函数为 12 Rys(m)?E{[s(k)?e(k)]s(k?m)}?E{[s(k)?e(k)][s(k?m)?e(k?m)}?E{s(k)s(k?m)?s(k)e(k ?m)?e(k)s(k?m)?e(k)e(k?m)}??s2???2?(m) 观测有y(k)与有用信号之间的互相关函数为: Rys(m)?E{[s(k)?e(k)]s(k?m)}?E{s(k)s(k?m)?e(k)s(k?m)}??s2] 则维纳-霍甫方程式为: ??s2??e2 ?s2?2?s2??e2??s ??2??2?ss? 由此得维纳滤波器 为: ??h(0)???s2?????2?h(10??????s? ???????? ?2?????2???s2??e2???s??s? ?s2?s2 ?s2 h(0)?h(1)?...?h(N?1)?N?s2??e2 故滤波输出为: ?s2?(k)??h(m)y(k?m)?sN?s2??e2m?0N?1m?0?y(k?m)?N?11N??2 e2 sm?0?y(k?m) N?1 36、平稳信号s(k)形成的滤波器为 s(k)?0.6s(k?1)?v(k) 其中v(k)为方差为0.64的零均值白噪声。观测信号为 y(k)?s(k)?e(k) 其中e(k)是零均值单位(即方差为1)白噪声。求维纳滤波器(其脉 冲响应序列的项数指定为2)。 解:由s(k)的形成滤波器得其频率特性为 1 Hvs(ejwT)??11?0.6zz?ejwT s(k)的功率谱密度为: Ss(w)?Sv(w)Hvs(ejwT)?20.64 1?0.6z?1?1?0.6z? z?ejwT 上式的收敛域必是包括z平面单位圆在内的环域,因为只有这样谱密 度才存在。则s(k)的自相关函数为上式的傅氏反变换即双边z反变 换: ??0.64z0.6z??1? ?Rs(m)?F[Sv(w)]?Z??Z??1??z?0.61?0.6z1?0.6z1?0.6z?? ???? 容易验证,符合上述收敛域的原函数为 ?1?1 mRs(m)?{,0.62,0.6,0,0.6,0.62,}?0.6 其中右边序列{,0.6,0.6,2}的z变换成z。y(k)的自相关函数为 z?0.6 13 Ry(m)?E[y(k)y(k?m)]?E{[s(k)?e(k)][s(k?m)?e(k?m)]} ?2,m?0?Rs(m)?Re(m)???0.6,m?1 另外,y(k)与s(k)的互相关函数为 defdef ?1,m?0 Rys(m)?E[y(k)s(k?m)]?E{[s(k)s(k?m)]?E[e(k)s(k?m)]?Rs(m)???0.6,m?1当维纳滤波器的脉冲响应序列为2项时,维纳-霍夫方程式为 ?Ry(0)Ry(1)??h(0)??Rys(0)???????R(1)? R(1)R(0)h(1)y??ys??y?? 把算得的相关函数代入上式,得 ?20.6??h(0)??1???????? ?0.62??h(1)??0.6? h(0)?0.451,h(1)?0.165 这就是维纳滤波器的脉冲响应函数。 38、设观测量y(k)由有用信号s(k)和与s(k)不相关的零均值白噪声e(k)相加而成,即 y(k)?s(k)?e(k) 且已估计出它们的相关函数分别为 mRs(m)?0.8,Re(m)?0.45?(m)(m??,-1,0,1?) 求非因果维纳滤波器的频率特性。 解: Se(z)?Z?Re(m)??Z[0.45?(m)]?0.45z0?0.45 Ss(z)?Z[0.8]? ?mm??1?0.8???mz?m??0.8mz?mm?0? 0.810.36??,(0.8?z?1/0.8)1?0.8z1?0.8z?11?0.8z1?0.8z?1又有 Rys(m)?E[y(k)s(k?m)]?E{[s(k)?v(k)]s(k?m)}?E[s(k)s(k?m)]?Rs(m) 故有 0.36 (1?0.8z)(1?0.8z?1) 最后可得,非因果维纳滤波器的频率特性为 0.36 ?11?0.8z1?0.8z0.36jwT H(e)???10.36?0.451?0.8z1?0.8z??zjwT?0.45?1?1?0.8z?1?0.8zjwTSys(z)?Z[Rys( m)]?z?e 41、令x(t)是一个是不变的标量随机变量,它在加性高斯白噪声v(t)中被观测,即y(t)=x(t)+v(t) 14 为观测数据,若用kalman滤波器自适应估计x(t),试设计kalman滤波器。 (1)构造离散时间的状态空间方程 (2)求出状态变量想x(k)的更新公式。 解:x(t)是一个时不变的随机变量,故x(t)关于时间t的一阶导数等于0,即有x=0 这就是连续时间的状态方程。观测方程为y(t)=x(t)+v(t) 令x(t)是一个具有均值x0、方差p0的随机变量,记做x~(x0,p0);加性观测噪声v(t)的 22均值为0,方差为?v,记做v(t)~(0,?v)。现在,用T=1作为采样 间隔,对x(t)和v(t)等__. 离散化,则离散时间的状态空间模型: x(n+1)=x(n) y(n)=x(n)+v(n) 2式中,加性观测噪声v(n)~N(0,?v). 上述状态空间模型的kalman滤波算法如下: g(n)= ?K(n,n?1) K(n,n?1)??v2??x(n+1)=x(n)+g(n)[y(n)-x(n)] 2K(n+1,n)=K(n,n-1)[1-g(n)]=g(n)?v g(n)的一般表达式: 由于K(1,0)=E{|x(1)—E{x(1)}|}=p0故当n=1时有 g(1)=2p0K(1,0) ?K(1,0)??v2p0??v2 p0K(2,1)= 22K(2,1)??v2p0??v2K(2,1)=g(1)?v 当n=2时,则有g(2)= 2K(3,2)=g(2)?v=p02 ?v22p0??v n=3时,有 g(3)= K(4,3)=g(3) 若令 k(3,2)k(3,2)??v2=p2023p??v0 ?v2=p?v3p??v00 02 pg(n-1)=(n?1)p??v0 22 2p?vK(n,n-1)=g(n-1)?=v(n?1)p??v002 则 15 g(n)=k?n,n?1? k(n,n?1)??v 22p??vp?vk(n+1,n)=g(n)?= vnp??vn0=p202 02 42、卡尔曼滤波和维纳滤波的关系及存在的问题。 答:卡尔曼滤波有一个过渡过程,而在稳态下与维纳滤波有相同的结果,是因为它们都是以最小均方误差为准则的线性估计器。卡尔曼滤波与维纳滤波中解决最佳滤波的方法也不相同。维纳滤波是用频域及传递函数的方法,而卡尔曼滤波是用时域及状态变量的方法,在理论上是维纳滤波的推广和发展,特别是在处理多变量系统,时变线性系统及非线性系统的最佳滤波等领域,提供了一种比较有效的方法,克服了基于频域处理所遇到的困难。困难包括:维纳滤波要求平稳,而卡尔曼滤波则不要求;他容许初始时间不是负无穷大,这在很多情况下是有实际意义的;卡尔曼滤波的另一个不同点是把状态或信号过程的产生看成是白噪声激励有限维数系统的输出;此外,维纳滤波要求过程的自相关函数和互关函数的简单(先验)知识,而卡尔曼滤波则要求时域中状态变量及信号产生过程的详细知识。卡尔曼滤波在时域上采用线性递推形式对观测值进行处理,能实时地给出系统状态的最优估计,并突破了单维输入和输出的限制。卡尔曼滤波算法的这些优点使它在信号和信息系统中得到了比较广泛的应用。卡尔曼滤波算法在具体应用中也存在一些实际问题,包括: (1)模型误差和数值发散。 即使能够获得精确的模型,也常会因精确模型太复杂,维数过高而与实时处理必须减少计算量及尽量简化模型的要求相矛盾。近似或化简的模型与精确模型之间存在误差,模型误差必然会给滤波带来影响,严重时还 会造成滤波结果不收敛。 2)实时要求。 影响卡尔曼滤波算法的实时性主要是状态维数n和增益矩阵的计算,它们往往有很大的计算量。一般在计算中采取某些措施,例如应用定常系统新算法或在精度损失允许的情况下尽量减少维数等到措施,从而减少计算量以满足实时滤波的要求。 43、卡尔曼滤波的特点 卡尔曼滤波具有以下的特点: 答:(1) 算法是递推的状态空间法采用在时域内设计滤波器的方法,因而适用于多维随机过程的估计;离散型卡尔曼算法适用于计算机处理。 (2) 用递推法计算,不需要知道全部过去的值,用状态方程描述状态变量的动态变化规律,因此信号可以是平稳的,也可以是非平稳的, 即卡尔曼滤波适用于非平稳过程。 (3) 卡尔曼滤波采取的误差准则仍为估计误差的均方值最小。 44、令x1,??x N是一个具有概率密度函数f(x,?,?)? 22?(x??)2/2?2??的正态分布得到的随机观测样本,试确定均值?和方差?的最大似然估计。 解:似然函数是均值?和方差?二者的函数,故有 2 N f(x1,...xN,?,?)?2 i?1N 2i?1?(xi??)2/2?2?? ?(2??2)?N/2?exp[?12??(x??)]2 i N从而有 L?lnfx(1,xn,?/?,??)22N?ln?()?221N ?l2?)xi??2 (2?i?1) 16 分别求L关于?和?的偏导,然后令偏导为零,得到 2 ?L2N ??(xi??)?0??2?2i?1 N?LN12???(x??)?0?i224??2?2?i?1 ?L1N?ML??xi? ?0可以解出?从??Ni?1 ?L1N2?ML??(xi?)2 ?0可解得?将其代入2??Ni?1 1N1N2由样本均值?xi和样本方差??(xi?)2是无偏的,因此均值最大似然??Ni?1N?1i?1 2?ML为无偏估计,而方差的最大似然估计??ML估计?则是有偏的。 45、Burg递推较levenson递推法有什么优势,并写出Burg递推法求解AR模型参数的递推公式。 答:(1)列文森(levenson)递推法需要先由信号的观测数据估计自相关函数,这是它的缺点,而伯格(Burg)递推法则由信号观测数据直接计算AR模型的参数,Burg递推法利用levenson递推公式,导出前向预测误差和后向预测误差,并按照它们最小的原则求出akk,从而避免求自相关函数这一难题。 (1)Burg递推法求AR模型参数的递推公式如下: 1n2??xx(0)??x(n) ? Ni?1 ?xx(0) ?0?? ,...?, e0f(n)?x(n) n?0,1,2,3N b,...?, e0(n)?x(n) n?0,1,2,3N N?1 ? ? ? *?2?epf?1(n)eb p?1(n) kp?n?p ?e n?pN?1fp?1(n)?ebp?1(n?1) 222 ? ?p?(1?kp)?p?1 ? ? api?ap?1,i?kpa* p?1,p?i i?0,1,2,3,...,p?1 app?kp ? ffb1,p?2,...N? 1 ? ep(n)?ep?1(n)?kpep?1(n) n?p? 17 b*feb(n)?e(n?1)?kepp?1p?1p?1(n)n?p,p?1,...N?2 ? 46、简述正交性原理信义,维纳滤波原理及其结论。 *解:(1)正交性原理:Eu(n?k)eopt(n)?0,k?0,1,2,... ?? 文字表述:使代价函数J最小化的充分必要条件是估计误差eopt(n)与 输入u(0),...,u(n)正交。 (1) 定义M?1输入向量 u(n)??u(n),u(n?1),...,u(n?m?1)? 则其相关矩阵为 T R?E{u(n)?uH(n)} Ru,u(1)?Ru,u(0)?*RRu,u(0)u,u(1)?????R*(M?1)R*(M?2)u,u?u,uRu,u(M?1)??Ru ,u(M?2)? ??Ru,u(0)?? *式中使用了自相关函数的性质Ru,u(?k)?Ru,u(k),类似地,输入与期望响应的互相关向量 为??E{u(n)?d*(n)}??Ru,d(0),Ru,d(?1),Ru,d(?M?1)?T 综上式子可以将winer-Hopf方程组写成紧凑的矩阵形式 Rwopt?? ? 式中wopt表示横向滤波器的M?1最优抽头权向量: wopt?[wopt,0,wopt,1,,wopt,M?1]T 由矩阵方程?,立即可以得到最优抽头权向量的解为 wopt?R?1? 满足这个关系的离散时间横向滤波器称为维纳滤波器。 18 47、关于维纳滤波器的两个主要结论: ?维纳滤波器最优抽头权向量的计算需要已经以下统计量:(1)输入向量u(n)的自相关矩阵R;(2)输入向量u(n)与期望响应d(n)的互相关向量?。 ?维纳滤波器实际上是无约束优化最优滤波问题的解。 48、已经信号的四个观察数据为x(n)?{x(0),x(1),x(2),x(3)}?{3,6,4,2}分别 用自相关法和协方差法估计AR(1)模型参数。 解:自相关法: 142???e(n) e(n)?x(n)?a11x(n?1) 4n?0 ??14?e(n)14 ??e(n)??e(n)x(n?1)?0?a112n?0?a112n?0 3(6?3a11)?6(4?6a11)?4(2?4a11)?4a11?0 a11??10 13 协方差法: 1N?11322??e(n)??e(n),e(n)?x(n)?a11x(n?1)?N?pn?p3n?1 ??23?e(n)23 ??e(n)??e(n)x(n?1)?0?a113n?1?a113n?1 a11?? 49、假定{x(n)}是一个满足差分方程式 5061 x(n)?a1x(n?1)??apx(n?p)?e(n),e(n)~WN(0,?2)的AR(p)过程,且该过程 是在一与x(n)独立的加性观测白噪声v(n)中观测的,即y(n)?x(n)?v(n),其 中{v(n)}的 2方差为?v,求{y(n)}的功率谱。 解:由已知差分方程式可得{x(n)}的谱密度 19 ?x(?)??2 1?a1e?j???ape?j?p2??2A(z)2 z?ej? 当x(n)与v(n)互相独立时,Ry(?)?Rx(?)?Rv(?) 故{y(n)}的功率谱?y(?)??x(?)??v(?) 所以?y(?)??2 A(z)2 z?ej???v2 50、分别解释“滤波”和“预测”。 ?(n)称为滤波;用过去的观测值来解:用当前的和过去的观测值来估计当前的信号y(n)=s ?(n?N) ,N?0,称为预测。 估计当前的或将来的信号y(n)?s 51、介绍维纳滤波和卡尔曼滤波解决问题的方法。 解:维纳滤波是根据全部过去观测值和当前观测值来估计信号的当前值,因此它的解形式是系统的传递函数H(Z)或单位脉冲响应h(n);卡尔曼滤波是用当前一个估计值和最近一个观测值来估计信号的当前值,它的解形式是状态变量值。 维纳滤波只适用于平稳随机过程,卡尔曼滤波就没有这个限制。设计维纳滤波器要求已知信号与噪声的相关函数,设计卡尔曼滤波要求已知状态方程和量测方程。 52、已知下图中x(n)=s(n)+w(n),且与统计独立,其中的自相关序列为ss(m),,w(n)是方差为1的单位白噪声,试设计一个N,2的维纳滤波器来估计s(n),并求最小均方误差。 R0.6|m| 解:依题意,已知信号的自相关和噪声的自相关为: 代入Rss(m),0.6,Rww(m)=δ (w),|m|Rss(j)??hopt(m)[Rss(j?m)?Ruw(j?m)],j?0,1,2,...N?1,得 m?0N?1 ?j?0,1?2h(o)?0.6h(1) j?1,0.6?0.6h(0)?2h(1) 解得:h(0)=0.451,h(1)=0.165 将上式结果代入式E 20 ?e(n)?2min=Rss(0)-?hopt(m)Rss(m) ,求得最小均方误差: m?0N?1 E ?e2(n)? min = R ss (0)-?h(m)Rss(m)=1-h(0)-0.6h(1)=0.45 M?0 1 1. 某独立观测序列 x1,x2, ,xN,其均值为m,方差为?2。现有两种估计算法: 1N1N ?1??xn?2?mmxn?Nn?1,算法B:均值估计为N?1n?1 算法A:均值估 计为 请对这两种估计算法的无偏性和有效性进行讨论。(12分) 1N ?1??xnm Nn?1,则 答:算法A:均值估计为 1N1 ?1)??m?mD(m?1)?2E(m Nn?1N, ^2 ?D(X n?1 N n)? 12 ? ?1N, ?均值估计m是无偏估计 1N2 ?E(?)??EXn?m2??2?m2?m2??2 Nn?1 1.设u?n?是离散时间平稳随机过程,证明其功率谱S?w??0。 证明:将u?n?通过冲激响应为h?n?的LTI离散时间系统,设其频率响应H?w?为 ??1, H?w??? ??0, 2w-0??w 输出随机过程y?n?的功率谱为Sy?w??H?w?S?w? w-0??w 输出随机过程y?n?的平均功率为ry?0?? 1 2? ? 2? Sy?w?dw?1 12? ? w0??w w0??w S?w?dw ?0时,上式可表示为ry?0??当频率宽度?w?? 由于频率w0是任意的,所以有S?w??0 ? S?w0???w??0 5、假定输入信号{x(t)}是一个零均值的高斯白噪声,其功率谱为 Px(f)?N0,且线性系统 e?t,t?0 的冲激响应为 h(t)??? ?0,else 求输出y(t)=x(t)*h(t)的功率谱及协方差函数。 解:由题知,系统的传递函数为 21 ?? ?j2?ftH(f)??h(t)e ??dt??e?te?j2?ftdt?01 1?j2?f 有此得H(f)2?H(f)H(?f)?111 ?1?j2?f1?j2?f1?4?2f2 由输出功率谱与输入功率谱、系统函数之间的关系,得 Py(f)?H(f)Px(f)?2N0 221?4?f 输出的协方差函数为功率谱的傅里叶反变换,故有 ? Cy(?)? ???Px(f)ej2?f?df?N0N0?j2?f?df?e 22?2??1?j4?f? 6、BT谱估计的理论根据是什么,请写出此方法的具体步骤。 答:(1)相关图法又称BT法,BT谱估计的理论根据是:通过改善对相关函数的估计方法,来对周期图进行平滑处理以改善周期图谱估计的方差性能。 (2)此方法的具体步骤是: ?给出观察序列x(0),x(1),...,x(N?1),估计出自相关函数: ?(m)?1RNN?1?mx(n)x(n?m),?N?1?m?N?1 n?0 ?j?m ?对自相关函数在(-M,M)内作Fourier变换,得到功率谱: ?(?)?S m??M?(m)?(m)e?RM 式中,一般取m?N?1?(m),为一个窗函数,通常可取矩形窗。 可见,该窗函数的选择会影响到谱估计的分辨率。 7、对于连续时间信号和离散时间信号,试写出相应的维纳,辛欣定理的主要内容。 答:(1)连续时间信号相应的维纳,辛欣定理主要内容: 连续时间信号的功率谱密度与其自相关函数满足如下关系: 1?Sx(?)ej??d?Sx(?)??Rx(?)ed??F(Rx(?))?2????? (2)离散时间信号相应的维纳,辛欣定理主要内容: 离散时间信号的功率谱密度与其自相关函数满足如下关 系: ??j??Rx(?)? Sx(e)? j?m????Rx(m)e?j?m? Rx(m)?12?????Sx(ej?)ej?md? 22 12、AR谱估计的基本原理是什么,与经典谱估计方法相比,其有什么特点, 答:(1)AR谱估计的基本原理是:p阶的AR模型表示为:x(n)?? 其自相关函数满足以下YW方程: 取m?0,1,2,...,p,可得到如下矩阵方程: ??x(n?i)?u(n) ii?1pRx(1)?Rx(0)?R(1)Rx(0)?x?????Rx(p)Rx(p?1)Rx(p)??1???2???????Rx(p?1)?? ?1???0????????????????Rx(0)???0????p???? ?(m),再利用以上矩 在实际计算中,已知长度为N的序列x(n),可以估计其自相关函数Rx 阵方程,直接求出参数?1,?2,...,?p及?,于是可求出x(n)的功率谱的估计值。 13、已知信号模型为s(n)=s(n-1)+w(n),测量模型为x(n)=s(n)+v(n),这里w(n)和v(n)都是均值为零的白噪声,其方差分别为0.5和1,v(n)与s(n)和w(n)都不相关。现设计一因果IIR维纳滤波器处理x(n),以得到对s(n)的最佳估计。求该滤波器的传输函数和差分方程。 解:根据信号模型和测量模型方程可看出下列参数值:a=1,c=1,Q=0.5,R=1。将它们代入Ricatti方程Q=P,a2RP/(R+c2P) 得 0.5=P,P/(1+P) 解此方程得P=1或P=-0.5,取正解P=1。 再计算维纳增益G和参数f:G=cp/(R+c2P) =1/ (1+1) =0.5 f=Ra/(R+c2P) =1/ (1+1) =0.5 故得因果IIR维纳滤波器的传输函数和差分方程分别如下: Hc(z)=G/(1,fz-1)=0.5/(1, 0.5z-1) (n)=0.5(n-1)+0.5x(n) 2 14、简述AR模型功率谱估计步骤。 步骤1:根据N点的观测数据uN(n)估计自相关函数,得ru(m),m=0,1,2,?,p, 即 ^ 1N?1 ru(m)??uN(n)u*N(n?m)Nn?0 ^ 步骤2:用p+1个自相关函数的估计值,通过直接矩阵求逆或者按阶数递推的方法(如Levinson-Durbin算法),求解Yule-Walker方程式,得到p阶AR模型参数的估计值a1,a2,?ap 和? ^^^^2p 23 步骤3:将上述参数代入AR(p)的功率表达式中,得到功率谱估计 ^SAR(w) ,即 ^SAR(w)?? p^2^p|1??ake?jwk|2 k?1 3、已知输入信号向量u(n)的相关矩阵及数学期望响应信号d(n)的互相关向量分别为 ??21??TR??, p?[54]?12?? 且已知期望相应d(n)的平均功率为E{d2(n)}=30。 (1)计算维纳滤波器的权向量。(2)计算误差性能面的表达式和最小均方误差。 解:(1)根据维纳霍夫方程Rω0=p 得 ω0=R-1p (2)误差性能面的表达式为J(ω)=σ2d-pHω-ωHp+ωHRω 最小均方误差值为将ω0代入上面的误差性能面表达式得 Jmin=σ =σ2d-pHω0 =30-14=16。 ?2?????1?2HHHd-pω-ωp+ωRω s(n)?sin 5、在测试某正弦信号??n 的过程中叠加有白噪声v(n),即测试结果为 x(n)?sin?v(n)4 设计一个长为N=4的有限冲激响应滤波器,对x(n)进行滤波后得到s’ (n),它与s(n)的误差 的均方值最小,求该滤波器的冲激响应和估计误差的平均功率。 ? s(n)?sin 解答:已知n?2,v(n)是方程差为?v的白噪声,x(n)?s(n)?v(n).4 设h(n)?[h(0),h(1),h(2),h(3)],x(n)?[x(n),x(n?1),x(n?2),x(n?3)] R?E[x(n)xT(n)]?E[s(n)sT(n)]?E[v(n)vT(n)]?E[s(n)sT(n)]??vI2 24 P?E[s(n)sT(n)]?E[s(n)s(n),s(n)s(n?1),s(n)s(n?2),s(n)s(n?3)]T h(n)?RP??11 2??v2[sin(2n?(n?1)?n?1n?(n?3)?n?),sinsin,?sin,sinsin]4442244 n?3,则h(n)? 取 111[,,,0]22??v222 m1 7、设信号的自相关序列为 观测信号为Rss?m??0.8,m?0,?1,?2,???式中 x?n??s?n????n???n?是方 差为0.45的零均值白噪声,它与s?n? s?n?相互的差统计独立。试设计一个长为N=3的FIR滤波器来处理 的均方值最小。 解答: x?n?,使其输出s?n??与 ?s?n??s?n????n?,s?n?1????n?1?,s?n?2????n?2??T?P?E?snxn?E???????? ??? ?E??s?n?s?n?,s?n?s?n?1?,s?n?s?n?2??? ???R?0?,R?1?,R?2???TT TR?E?xnx???n???s?n????n?,s?n?1????n?1?,s?n?2????n?2???????E???? ??s?n????n?,s?n?1????n?1?,s?n?2????n?2??? ?R?0?R?1?R?2?????200???????R?1?R?0?R?1????0??20??R2R1R0??00?2 ???????????? 已知 10(用观测数据(y(n),y(n-1))自适应估计随机变量x(n).已知Ryy=[1 0.4;0.4 1],为保证收敛,μ的值应限制在什么范围,若Ryy=[1 0.8;0.8 1],则自 适应滤波器的收敛速度将会更快还是更慢, 解: TR?m??0.8,??2?0.45,m所以hopt?R?1p??0.5358,0.2057,0.0914? 25 (1)为保证收敛应使?满足0???tr[R]?1 tr[R]???k?2?1 k?01 即0???1 2 (2)几何比(rmse)?rk2?(1?2??k)2由于两Ryy的?值相同,故自适应滤波 器的收敛速度相同。 11、已知u(n)满足AR(2)模型,即满足如下差分方程: u(n)?a1u(n?1)?a2u(n?2)?v(n) 2其中v(n)是均值为零、方差为?v的白噪声。试用自相关函数来表示 系数a1、a2。 答案:AR模型的正则方程式可以表示为ru(0)?a1ru(?1)???apru(?p)??v 和 2 ru(?1)?ru(0)?r(1)ru(0)?u ?????ru(p?1)ru(p?2) 将p?2带入上面两式 为: ?ru(?p?1)??a1???ru(1)??a????ru(?p?2)??r(2)??2???u???????? ???????a ?ru(0)???r(p)??p???u ru(0)?a1ru(?1)?a2ru(?2)??v2 和 ?ru(0)ru(?1)??a1???ru(1)??r(1)r(0)??????r(2)? u?u??2??u? 可以解得 a1??ru(1)?ru(0)?ru(2)? 22ru(0)?ru(1) ru(0)ru(2)?ru2(1) a2??22ru(0)?ru(1) 30、白噪声是现代信号处理中常用的一种随机信号,请从时域和频域 两个角度对其加以阐述。 答:设?X?t?,??,t,??为实值平稳过程,若它的均值为零, 26 在时域中,其自相关函数仅在0点有一个冲击函数,在其他点均为0; 在频域中,谱函数在所有频率范围内为非零的常数,则称X(t)为白噪声过程。 33、 一个差分滤波器的输出为:y(n)=x(n)+x(n-1), n=1,2?? 令x(n)的功率谱为1/(1+f2),试求差分滤波器输出y(n)的功率谱密度。 解:由题意知,系统的传递函数H(z)=1+z-1,故 H(f)=H(z)|z?ej2?f?1?e?j2?f Py(f)?|H(f)|*Px(f)?|1?e2?j2?f1 |1?f22 所以系统输出y(t)的功率谱密度为: Py(f)?|H2(f)|*Px(f)?|1?e?j2?f|2 1 1?f2 39、已知输入信号向量u(n)的相关矩阵及与期望响应信号d(n)的互相关向量分别为 ?21?R???T2?12?,p?[54]且已知期望响应d(n)的平均功率为E{d(n)}?30。 (1) 计算维纳滤波器的权向量。 (2) 计算误差性能面的表达式和最小均方误差。 1?2?1??5??2?w0?R?1p????????3??12??4??1? 解: J(w)??d2?pHw?wHp?wHRw Jmin??d2?pHw0?30?[5 ?2?4]???1??16 40、离散时间的二阶AR过程由差分方程x(n)?a1x(n?1)?a2x(n?2)?w(n) 2?描述,式中w(n)是一零均值、方差为w的白噪声。证明x(n)的功率 谱为 Px(f)? 解: ?w21?a12?a22?2a1(1?a2)cos(2?f)?2a2cos(4?f) 27 Px(f)? 由AR过程的功率谱公式知 式中 2?w2?a1e?j2?f?a2e?j4?f(式1) ?a1e?j2?f?a2e?j4?f ?j2?f?j4?f?j2?f?j4?f(1?ae?ae)(1?ae?ae) 1212= 22?j4?fj4?fj2?f?j2?f?j2?fj2?f1?a?a?a(e?e)?aae?aae?a(e?e) 12212121= 221?a?a?2a1(1?a2)cos(2?f)?2a2cos(4?f)(式2) 12 = 将(式2)代入(式1)中可得: Px(f)? 证毕。 ?w21?a12?a22?2a1(1?a2)cos(2?f)?2a2cos(4?f) 45、设随机序列?X(n),n?0,?1,?2,??,其中X(n)是两两互不相关的随机变 量且 E(X(n))?0 D(X(n))??2,序列{X(n)}被称作白噪声。验证白噪声序列是平 稳序列。 解:显然均值函数为常数,当m?0时,因为X(n)不相关,所以 RX(n,n?m)?E(X(n)X(n?m))?E(X(n))E(X(n?m))?0 当m?0RX(n,n)?E(X(n)X(n))?D(X(n))?[E(X(n))]?? 所以,RX(n,n?m)只是时间差m的函数,序列是平稳的 46、若序列x(n)为实因果序列,h(0)=1,其傅氏变换的虚部为H1(ejω)=—sinω,求序列h(n)及其傅氏变换H(ejω)。 ?1h?2j解:因为H1(ejω)=—sinω=—( ejω—e-jω)=n???0(n) e-jω 22 ??1/2??0 ?1/2h0(n)=? ?0??h(n) ?2h(n)h(n)= ?0n??1n?011n?1 =-2δ(n+1)+2δ(n-1), n?1n?0n?1?1??1?0?n?0n?1其他n = 28 所以 h(n)=δ(n)+δ(n-1); H(ejω)=1+ e-jω 49、简述AR模型功率谱估计的方法 答:(1)根据N点的观测数据uN(n)估计自相关函数,得ru(m),m?0,1,2,,p,即 1N?1 ru(m)??uN(n)u*(n?m) NNi?0(2)用p?1个自相关函数的估计值ru(m),通过直接矩阵求逆或者按阶数递推的方法(如 Levinson-Durbin算法),求解Yule-Walker方程 ru(?1)?ru(0)?ru(0)?ru(?1) ???ru(?p)ru(?p?1) 得到p阶AR模型的参数估计值 a1,a2,ru(?p)??1???2??????ru(?p?1)??a1??0??? ?????????0????aru(0)???p??? ,ap和?p。 2 (3)将上述参数带入AR(p)的功率谱表达式中,得到功率谱估计式SAR(w),即 SAR(w)?2?p |1??ake?jwk|2 k?1p 50、简述LMS算法 答:(1)初始化,n?0 权向量:w(0)?0 估计误差:e(0)?d(0)?d(0)?d(0) 输入向量:u(0)??u(0) (2)对n?0,1,u(?1)u(?M?1)???u(0)0T0? 权向量的更新:w(n?1)?w(n)??u(n)e*(n) H期望信号的估计:d(n?1)?w(n?1)u(n?1) 估计误差:e(n?1)?d(n?1)?d(n?1) (3)令n?n+1,转到(2) 63、请写出ARMA(p,q)的数学模型表达式,并画出该模型的电路框图。 答:(1)ARMA(p,q)的数学模型表达式: 29 ??x(n?i)???u(n?j)ij i?0j?0 为常数,式中,pq?1,?2,...,?p,?1,?2,...,?q?0??0?1 (2)该模型的电路框图如下所示: 100、AR谱估计中的虚假谱峰是怎样产生的,怎样避免产生虚假谱峰, 谱线分裂的原因是什么,相位怎样影响谱线的位置,如何减少这种影响,怎样避免谱线分裂,噪声对AR谱估计有什么影响,怎样减少这种影响, 答:1(如果自相关函数的取样值的估计没误差,AR(0)模型参数的估计在理论上应该为:?a,i?1,2,p?pi??p?iai?p?1,p?2,?0, 于P的值有n,但是实际上自相关函数的估计是有误差的,这使得对大?pi?0a,相应的也会产生n-p个额外的极点在单位圆附近,这样就会形成虚假谱峰。2(要避免产生虚假谱峰,要求模型的技术不宜过高,最高不超过N/2,其中N是观测数据长度。3(如果估计的随机过程是由一个正弦信号叠加噪声构成的,那么对某些算法会观察到AR谱估计中存在两个靠的很近的谱峰,似乎在随机过程中还存在着另一个正弦信号,这种现象叫谱线分裂。原因有高信噪比,正弦分量初相位为π/4的奇数倍,数据序列的长度为正弦分量的1/4周期的奇数倍,估计的AR参数数目与数据的个数相比占有较大的百分比,虚假谱峰常伴随着谱线分裂现象,这与观测数据长度太短有关。4(AR谱估计中谱峰出现的位置与正弦信号的初相位有着很密切的关系,谱峰位置对相位的依赖性随着观测数据长度的增加而减少,一般认为谱峰对相位的依赖是由正弦信号的正负频率成分之间的相互作用引起的。5(解决的方法是用解析信号代替真实信号,对解析信号进行欠抽样,并利用复数据进行AR谱的估计。这样就不要求有复共轭极点,而模型的阶数可减少一半。另一种方法是对Burg算法的反射系数估计公式进行修改,用一实值窗函数wp(n)加权。6(通过增加观测数据的长度,或者利用向前和向后最小二乘算法和Marple递推算法。7(AR谱估计方法对观测噪声比较敏感,噪声会使谱峰展宽,从而导致分辨率下降,而且会 使谱峰偏离正确的位置。8(减少噪声对AR谱估计的影响一般使用四种方法:一、采用ARMA谱估计方 30 法;二、对观测数据进行滤波减小噪声;三、采用高阶AR模型;四、补偿自相关函数或者反射系数估计中噪声的影响。 104、设某积分电路输入输出之间满足以下关系 并设输入输出都是平稳过程。求证输出功率谱密度为 Y(t)??tt?TX(?)d?,式中,T为积分时间。 SY(?)?4SX(?) ?2??T?sin2???2? (提示:Y(t)?X(t)?h(t),而h(t)?u(t)?u(t?T),是矩形方波。) 证明:因为 Y(t)?? ?tt?TX(?)d??u(?t T)所以 h(t)?u(t)T 所以 H?j????h?t?e?j?tdt??h?t?e?j?tdt???02sin??T/2??e?j?T/2 所以 H?j??2??T?4sin2??2???2? 2 所以 SY(?)?SX(?)H?j???4SX(?)?2??T?sin2???2? 31 111、Wiener滤波器是现代信号滤波处理的经典,其核心在于考察滤波器输入输出信号之间的关系,请用恰当的数学模型对其加以描述。 滤波器的理想输出为s(t+a) 估计误差为e(t)=s(t+a)-y(t) 估计误差的平方为:e2(t)?s2(t??)?2s(t??)y(t)?y2(t) 而y(t)??h(u)x(t?u)du ??? 代入上式,两边取数学期望,得到均方误差: 2E?e?????? ??????h(u)h(v)Rx(v?u)dudv?2?h(u)Rs,x(??u)du?Rs(0) ??? 其中,Rs s(t)的自相关函数 Rx x(t)=s(t)+n(t)的自相关函数 Rs,x s(t)和x(t)之间的互相关函数 若信号s(t)和噪声n(t)不相关,且噪声均值为零,即E[n(t)]=0,则有: ?Rx?Rs?Rn ?R?Rs?s,x 2e维纳滤波就是希望求出最优h(u),使得E??(t)??最小。 32
本文档为【现代信号处理复习题】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑, 图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
该文档来自用户分享,如有侵权行为请发邮件ishare@vip.sina.com联系网站客服,我们会及时删除。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
下载需要: 免费 已有0 人下载
最新资料
资料动态
专题动态
is_314871
暂无简介~
格式:doc
大小:88KB
软件:Word
页数:43
分类:管理学
上传时间:2017-09-29
浏览量:209