李 穎

(天津大學 理學院，天津 300072)

高維隨機信號THREE功率譜估計及其仿真

李 穎

(天津大學 理學院，天津 300072)

功率譜估計是隨機信號處理領(lǐng)域的基本問題之一，其基本方法是利用有限長的數(shù)據(jù)估計信號的功率譜.從演化進程上來看，可分為經(jīng)典譜估計和現(xiàn)代譜估計.參照現(xiàn)代譜估計中的THREE譜估計方法，對基于Hellinger度量的隨機信號的功率譜估計方法進行了探討，并進行了模擬仿真.通過數(shù)值模擬，發(fā)現(xiàn)基于Hellinger度量的隨機信號的功率譜估計方法能有效用于高維隨機信號的譜估計中.

譜估計；度量；凸優(yōu)化；牛頓算法

在許多工程技術(shù)、自然科學、社會經(jīng)濟領(lǐng)域中，根據(jù)觀測數(shù)據(jù)來分析研究對象的周期性或能量在頻域上的分布具有十分重要的意義.隨機信號的功率譜反映它的頻率成分以及各成分的相對強弱，能從頻域上揭示信號的節(jié)律，是隨機信號的重要特征.功率譜估計是利用給定的一組樣本數(shù)據(jù)估計一個平穩(wěn)隨機信號的功率譜密度.由于實際中的隨機信號長度總是有限的，用這種有限長度信號所得到的功率譜只是隨機信號真實功率譜的一種估計.功率譜估計方法可以分為經(jīng)典功率譜估計(非參數(shù)方法)和現(xiàn)代功率譜估計(參數(shù)方法)[1].經(jīng)典功率譜譜估計是將數(shù)據(jù)工作區(qū)外的未知數(shù)據(jù)假設(shè)為零，相當于數(shù)據(jù)加窗.經(jīng)典功率譜估計方法分為：相關(guān)函數(shù)法(BT法)、周期圖法以及兩種改進的周期圖估計法即平均周期圖法和平滑平均周期圖法,其中周期圖法應(yīng)用較多,具有代表性.這種方法的主要缺陷是估計方差大、頻率分辨率低[2-3].現(xiàn)代功率譜估計即參數(shù)譜估計方法則是為了克服經(jīng)典功率譜估計分辨率不高，不適合短序列的處理的缺點而提出的，它是通過觀測數(shù)據(jù)估計參數(shù)模型再按照求參數(shù)模型輸出功率的方法估計信號功率譜.主要方法有ARMA模型、AR模型、MA模型[4-7].但是，階數(shù)較小的AR或MA模型不能模擬具有尖銳峰和深零點的譜，而基于迭代算法的ARMA模型其全局收斂性得不到保證.

2000年，Byrnes等人為了克服ARMA模型的缺點提出了一種Byrnes-Georgiou-Lindquist(THREE)方法[8]，即一種基于插值理論的高分辨率的譜估計方法.當數(shù)據(jù)量很短時，該譜估計方法也能有效地檢測出譜線和譜峰現(xiàn)象.2003年，F(xiàn)errante等人又對該方法進行一系列的改進并推廣到高維隨機信號的功率譜的估計，形成了比較成熟的THREE型譜估計方法[9-13].該問題最終可轉(zhuǎn)化為凸優(yōu)化問題，可通過對偶理論求解.其實質(zhì)是已知隨機信號的先驗功率譜，在功率譜密度函數(shù)距離最小的意義下使得所求的功率譜估計值盡可能地接近先驗功率譜.對于一維平穩(wěn)隨機信號的功率譜，Tryphon T Georgiou等人于2003年把Kullback-Leibler距離應(yīng)用于功率譜估計中[14]，進而解決了對于給定的先驗功率譜的最佳近似問題.但是把Kullback-Leibler型的距離推廣到高維隨機信號功率譜估計時，遇到了很大的問題[10].最近幾年，F(xiàn)errante等人分別把Hellinger距離和Itakura-Satio距離應(yīng)用于隨機信號的功率譜近似問題中，實現(xiàn)了高維隨機信號功率譜的估計[10, 12].

在THREE型譜估計中，主要利用拉格朗日乘數(shù)法求約束最優(yōu)解.然而，對于矩陣型拉格拉日參數(shù)的求解確是比較困難的.Ferrante等人對于優(yōu)化參數(shù)的求解算法主要是矩陣牛頓算法、最速下降法.基于Kullback-Leibler度量的譜估計就是利用矩陣最速下降算法求解優(yōu)化參數(shù)的，而基于Hellinger度量的譜估計是利用矩陣牛頓算法求解優(yōu)化參數(shù)的.本文主要對基于Hellinger距離的高維隨機信號譜估計進行模擬并與其他算法進行了比較.

1 THREE功率譜估計問題及其可行性條件

THREE功率譜估計方法主要取決于下面4個要素：

1)數(shù)據(jù){y(n),n∈Z}通過一組濾波器，它的傳遞函數(shù)為

G(z)=(zI-A)-1B

(1)

其中：A∈Cn×n為穩(wěn)定矩陣，即它的特征值都在單位圓內(nèi)，B∈Cn×n.輸出為{x(n),n∈Z}即x(n+1)=Ax(n)+By(n)；

2)基于y1，y2,…,yN,得到{x(n),n∈Z}的協(xié)方差∑=∑T>0的估計值∑>0；

4)衡量功率譜密度函數(shù)之間的差異性的度量S.

基于上述四點，該問題可簡化為下面的有約束條件的最優(yōu)化問題[10]：

minimizeS(Φ‖Ψ)

(2)

對于問題(2)可以做進一步的化簡，即令

minimizeS(Φ‖Ψ)

(3)

該問題即為約束優(yōu)化問題，可用拉格朗日乘數(shù)法求解，其朗格朗日函數(shù)為

令δL(ΦδΦ,Λ)=0，可得最優(yōu)解Φ0(Λ).如果能進一步計算出朗格朗日參數(shù)Λ，則該問題就得到了解決.但在高維隨機信號功率譜的估計中，對于矩陣型拉格拉日參數(shù)的求解確是比較困難的.Ferrante等人對于優(yōu)化參數(shù)的求解算法主要是矩陣牛頓算法、最速下降法.基于Kullback-Leibler度量的譜估計就是利用矩陣最速下降算法求解優(yōu)化參數(shù)的，而基于Hellinger度量的譜估計是利用矩陣牛頓算法求解優(yōu)化參數(shù)的.

綜上所述，THREE功率譜估計方法的步驟：

Step2:

Step3：拉格朗日乘數(shù)法求解最優(yōu)解：拉格朗日函數(shù)

δL(Φ,δΦ,Λ)=0?Φ0(Λ)

Step4：利用對偶理論對拉格朗日參數(shù)Λ的求解：其 對偶函數(shù)為JΨ(Λ)=-L(Φ0,Λ)；

Step5：矩陣牛頓算法或矩陣最速下降算法進行迭代，求解最優(yōu)參數(shù)Λ0，使得

minimizejΨ(Λ)=-L(Φ0,Λ).

下面介紹如何針對具體的功率譜密度函數(shù)之間的度量求解朗格朗日參數(shù).

2 基于Hellinger距離的高維隨機過程功率譜密度及其仿真

Hellinger距離是一種能夠體現(xiàn)兩個分布之間距離的度量.假設(shè)在可度量空間(Θ，λ)中，P和Q分別代表對應(yīng)參數(shù)λ的兩個連續(xù)分布，則這兩個分布之間的Hellinger距離定義為：

對于該度量優(yōu)化參數(shù)Λ的求解是利用矩陣牛頓算法求解的.牛頓法雖然收斂速度很快，但其計算量大，對初值的依賴性很大.

現(xiàn)在，考慮均值為0，方差為I的二維高斯白噪聲過程通過一個平方整形濾波器得到的二維隨機過程的功率譜的估計，如圖1.圖1分別給出隨機采樣100個點，功率譜估計值Φ11(ejv),Re(Φ12(ejv)),Im(Φ12(ejv)),Φ22(ejv)與真實功率譜之間的比較.由圖1，我們發(fā)現(xiàn)基于Hellinger度量的THREE功率譜估計方法能夠有效地避免譜線分裂和譜峰偏移現(xiàn)象，對于高維隨機信號的譜估計具有很好的應(yīng)用價值.

圖1 功率譜估計與真實譜的比較

3 結(jié) 語

在功率譜估計中，對于一維隨機信號的譜估計的研究已相當完善.隨著一維現(xiàn)代譜估計技術(shù)的發(fā)展及實際應(yīng)用中對高維隨機信號譜分析的需要，國內(nèi)外對高維譜估計的研究均非常重視.本文主要對現(xiàn)代THREE譜估計技術(shù)進行了分析并通過實驗仿真.通過分析和仿真可以看出基于Hellinger度量的譜估計方法分辨率高而且估計出的譜線十分平滑.

[1] 吳仁彪, 韓 萍, 馮 青, 等譯.現(xiàn)代信號譜分析[M]. 北京: 電子工業(yè)出版社, 2012.

[2] 伊 鑫, 曲愛華. 基于Welch算法的經(jīng)典功率譜估計的Matlab分析[J]. 現(xiàn)代電子技術(shù), 2010, 33(3): 7-8.

[3] 余訓鋒, 馬大瑋, 魏 琳. 改進周期圖法功率譜估計中的窗函數(shù)仿真分析[J]. 計算機仿真, 2008, 3: 111-114.

[4] 廖禮彬, 邱永支, 席 斌. 一種改進的AR譜估計方法[J]. 現(xiàn)代電子技術(shù), 2005,199(8): 85-96.

[5] 鄧澤懷, 劉波波, 李彥良. 常見的功率譜估計方法及其Matlab仿真[J]. 電子科技, 2014, 27(2): 50-52.

[6] 王春興. 基于Matlab 實現(xiàn)現(xiàn)代功率譜估計[J]. 現(xiàn)代電子技術(shù), 2011, 34(16): 65-67.

[7] 鄧衛(wèi)強, 王躍鋼, 楊穎濤, 等. 一種改進的 ARMA 模型參數(shù)估計方法[J]. 振動.測試與診斷, 2011, 31(3): 377-380.

[8] BYRNES C I, GEORGIOU T T, LINDQUIST A. A new approach to spectral estimation: A tunable high-resolution spectral estimator [J]. IEEE Transactions on Signal Processing, 2000, 48(11): 3189-3205.

[9] PAVON M, FERRANTE A. A new algorithm for Kullback-Leibler approximation of spectral densities[C]// IEEE conference on decision and control, 2005, 44(7): 7332.

[10] FERRANTE A, PAVON M, RAMPONI F. Hellinger versus Kullback-Leibler multivariable spectrum approximation [J]. Automatic Control, IEEE Transactions on, 2008, 53(4): 954-967.

[11] FERRANTE A, RAMPONI F, TICOZZI F. On the convergence of an efficient algorithm for Kullback-Leibler approximation of spectral densities [J]. Automatic Control, IEEE Transactions on, 2011, 56(3): 506-515.

[12] FERRANTE A, MASIERO C, PAVON M. Time and spectral domain relative entropy: A new approach to multivariate spectral estimation [J]. Automatic Control, IEEE Transactions on, 2012, 57(10): 2561-2575.

[13] PAVON M, FERRANTE A. On the Georgiou-Lindquist approach to constrained Kullback-Leibler approximation of spectral densities [J]. IEEE Transactions on Automatic Control, 2006, 51(4): 639.

[14] GEORGIOU T T, LINDQUIST A. Kullback-Leibler approximation of spectral density functions [J]. Information Theory, IEEE Transactions on, 2003, 49(11): 2910-2917.

[15] GEORGIOU T T. The structure of state covariances and its relation to the power spectrum of the input [J]. Automatic Control, IEEE Transactions on, 2002, 47(7): 1056-1066.

[16] FERRANTE A, PAVON M, ZORZI M. A maximum entropy enhancement for a family of high-resolution spectral estimators[J]. Automatic Control, IEEE Transactions on, 2012, 57(2): 318-329.

[17] ZORZI M, FERRANTE A. On the estimation of structured covariance matrices[J]. Automatica, 2012, 48(9): 2145-2151.

Simulation of multivariable spectral estimation with THREE algorithm

LI Ying

(School of Science, Tianjin University, Tianjin 300072, China)

Power spectrum estimation, one of the basic problems of random signal processing, is to use the limited length of data to estimate the power spectrum of the signal. From the point of evolution, it can be divided into classical spectrum estimation and modern spectrum estimation. This paper considered the approximation of spectra in the Hellinger sense. Simulation results indicated that it could effectively detect spectral lines and steep variations in multivariable spectral estimation.

spectral estimation; distance; convex optimization; matricial Newton method

2014-09-22.

國家自然科學基金(61379014)

李 穎(1988-)，女，碩士，研究方向：多元信號譜分析.

TN911

A

1672-0946(2015)04-0506-04