侯杰虎

（成都理工大學信息工程學院，四川成都610000）

1.引言

功率譜估計是數(shù)字信號處理的主要內(nèi)容之一，主要研究信號在頻域中的各種特征，目的是根據(jù)有限數(shù)據(jù)在頻域內(nèi)提取被淹沒在噪聲中的有用信號，將其廣泛用于民用通信和軍事通信中。現(xiàn)代譜估計主要是針對經(jīng)典譜估計的分辨率差和方差性能不好的問題而提出的?，F(xiàn)代譜估計從方法上大致可分為參數(shù)模型譜估計和非參數(shù)模型譜估計兩種[1]，前者有AR模型、MA模型、ARMA模型、PRONY指數(shù)模型等；后者有最小方差方法、多分量的MUSIC方法等。

在信號的傳輸過程中，會不可避免地存在著各種噪聲干擾，這些噪聲將對我們的功率譜估計的分析結果產(chǎn)生直接的影響。目前，常用的噪聲去除方法有小波去噪、中值或均值濾波、傅里葉變換濾波等，但是上述方法都存在著一定的缺陷，如穩(wěn)定性較差，去噪能力有限或者不能很好地解決尖刺問題。針對此現(xiàn)象，信號學家D.Evensen首次提出將kalman濾波應用到信號處理中[2]。

本文主要討論在平穩(wěn)隨機過程中用自相關法估計AR模型參數(shù)，進而實現(xiàn)功率譜估計的Yule-Walker算法進行加入kalman濾波的改進，從而達到減小譜估計誤差，提高計算結果的穩(wěn)定性。

2.Yule-Walker譜估計算法

參數(shù)不隨時間變化的系統(tǒng)稱為時不變系統(tǒng)。相當多的平穩(wěn)隨機過程都可以通過用白色噪聲激勵一線性時不變系統(tǒng)產(chǎn)生[3]，而線性系統(tǒng)又可以用線性差分方程進行描述，這種差分模型就是自回歸－滑動平均（ARMA）模型。設平穩(wěn)隨機序列x(n)(n=0，1…，N-1)的AR(p)模型為

其中a(i)(i=1，2，…，p)是AR系數(shù)，w(n)是均值為零、方差σ2為的白噪聲。

Yule-Walker方程的舉證表達式如下：

其中Rxx(m)是相關系數(shù)，｛a(1),a(2),…，a(p)｝是AR(p)模型的系數(shù)，σ2是預測誤差功率[4]。

在信號序列x(n)的(p+1)個自相關函數(shù)值Rxx(0)，Rxx(1)，…，Rxx(k)已知的情況下，通過萊文森-德賓算法經(jīng)過階次遞推，可依次計算出{a1(1),σ1}，{a2(1),a2(2),σ2}，…，{ap(1),ap(2)，…，ap(p)σp}其中AR模型參量都加了下標以表明階數(shù)，階數(shù)為p的最后那組參量就是方程的解，具體算法如下：

最后通過計算得到p階預測誤差濾波器的系數(shù){a(1),a(2),…,a(p)}和相應的預測誤差σ2，再利用公式

求得x(n)的功率譜估計。如果我們已知的是x(n)的N個值{x(0)，x(1)，…，x(N-1)}，而不是x(n)的(p+1)個自相關函數(shù)值。為了用Yule-Walker方程求得AR(p)模型的系數(shù)和相應的預測誤差σ2，我們必須首先按式（9）計算x(n)的自相關函數(shù)值，最后再進行譜估計。

3.譜估計中kalman濾波器的設計

kalman濾波算法是一個從觀測變量得到最優(yōu)狀態(tài)估計和狀態(tài)觀測的最優(yōu)化自回歸數(shù)據(jù)處理算法，對于解決很大部分的問題，是最優(yōu)、效率最高甚至是最有用的[5]。其基本思路如下：首先建立隨機動態(tài)變量隨時間變化的先驗模型，然后通過觀測得到觀測變量，利用卡爾曼方程組獲得目標狀態(tài)基于全局信息的的最優(yōu)估計值。這樣估計的實際意義為：對于一輸入未知的體系，可根據(jù)觀測輸出Z(k)、體系特征和統(tǒng)計性質來最佳地估計輸入X(k)。正是因為kalman濾波器具有自適應特性以及預測和校正功能，使其在計算中對觀測數(shù)據(jù)和噪聲無過多具體要求，具有較強的容錯能力。

首先，引入一個離散控制過程的系統(tǒng)。該系統(tǒng)可用一個線性隨機差分方程（Linear Stochastic Difference equation）來描述：

再加上系統(tǒng)的測量值：

上兩式子中，X(k)是k時刻的系統(tǒng)狀態(tài)，U(k)是k時刻對系統(tǒng)的控制量。A和B是系統(tǒng)參數(shù)，對于多模型系統(tǒng)為矩陣。Z(k)是k時刻的測量值，H是測量系統(tǒng)的參數(shù)，對于多測量系統(tǒng)，H為矩陣。W(k)和V(k)分別表示過程和測量的噪聲，并假設為高斯白噪聲(White Gaussian Noise)，其協(xié)方差分別是Q，R（這里設W(k)和V(k)不隨系統(tǒng)狀態(tài)變化而變化且相互獨立）。

本文將通過萊文森-德賓算法得到的AR(p)模型系數(shù)作為濾波器的最初狀態(tài)值X(k)，高斯白噪聲作為觀測噪聲，并通過隨機序列x(n)和Yule-Walker方程得到的觀測值Z(k)，對式（10），（11）進行kalman濾波得到狀態(tài)預測方程：

預測狀態(tài)下的協(xié)方差方程

濾波器增益方程

狀態(tài)最優(yōu)化估計方程

狀態(tài)最優(yōu)化估計的協(xié)方差方程

最終，本文通過上述式（10）～（16）以及已知的AR(p)模型系數(shù)、高斯白噪聲、觀測值、kalman濾波迭代運算中不斷被更新的增益值計算得到X(k)的最優(yōu)估計值，以得到的最優(yōu)AR模型系數(shù)來進行譜估計，達到降低由于在譜估計中平穩(wěn)隨機序列數(shù)量問題而引起的誤差的目的。

4.實驗結果分析

沒有經(jīng)過kalman濾波器的Yule-Walker功率譜估計結果如圖1所示，在相同條件下，在Yule-Walker功率譜估計中引入kalman濾波器的結果如圖2所示?？梢钥闯觯瑘D1中真實值與估計值相差較大，而在圖2中真實值與估計值的差異較圖1有所減小。為了直觀度量真實值與估計值的誤差，本文通過公式

來計算兩種方法的功率譜誤差協(xié)方差。其中Perr為系統(tǒng)響應的譜估計誤差，Pest為譜估計值，Ptrue為真實值，σerr為譜估計誤差Perr的協(xié)方差。

無kalman濾波器的功率譜誤差協(xié)方差σerr=1.5285，加入kalman濾波器的功率譜誤差協(xié)方差σerr=1.0059，可見加入kalman濾波器后提高了譜估計的精度和穩(wěn)定性。

圖1 功率譜估計值與真實值的比較

圖2 加入kalman濾波器的功率譜估計值與真實值的比較

5.結束語

Yule-Walker功率譜估計算法之所以有一定的誤差與其平穩(wěn)隨機序列x(n)中的n值和生成隨機序列時的噪聲有關，n值越大，其誤差越小，但當n值增大到一定程度后，誤差不再減小。而kalman濾波器通過其不斷的預測和修正，努力使最后的估計值達到最優(yōu)化。相對受白噪聲的影響大大減小，增加了計算結果的穩(wěn)定性，且kalman濾波器的自適應特性使其具有較強的容錯能力，能提高計算的精度。因此kalman濾波器在對于信號處理中的譜估計會有很好的應用前景。

[1] 李英民，董銀峰，賴明.地震動瞬時譜估計的Unscented Kalman濾波方法[J].應用數(shù)學和力學，2007:1370-1377.

[2] BUEHNER M，GAUTHIER P，LIU Z.Evalution of new estimates of background and observation error co-variances for variational assin ilation[J].Quart J Roy Meteor Soc，2006:3373-3383.

[3] 張賢達.現(xiàn)代信號處理(第二版)[M].清華大學出版社，2002.

[4] 吳順君.近代譜估計方法[M].西安電子科技大學出版社，1994.

[5] MOHINDER S.GREWAL，ANGUS P.ANDREWS.Kalman Filtering:Theory and Practice[M].A Wiley-Interscience Publication，2001.