理论教育 Levinson算法:高效实用的信号处理方法

Levinson算法:高效实用的信号处理方法

时间:2023-06-17 理论教育 版权反馈
【摘要】:,pn,就能算出任何n 时的估计。图9-1用Levinson 算法进行辨识由图9-1 可知,为沿着网格上面支路的第n 个加法器的输出,它就是假定n 阶模型之下所得的剩余量。,L-1;再形成所需的互相关系数并计算。因为pn+1 仅取决于( k),很清楚,pn+1 与pj 无关,j>n+1,这意味着与计算系数a_i 相反。Levinson 算法不需要预先确定模型的阶数N。

Levinson算法:高效实用的信号处理方法

设模型阶数为n,相应的估计用img 表示,即

而估计img 满足

将方程的次序倒一下还可写成

现在令模型阶数加1,并令相应的估计为

于是,img 满足

写为如下分块矩阵形式

相关矩阵ΦN 的逆前乘式,可写出

的递推形式。当给定n 阶模型的估计时就能递推算出任何n+1 阶模型的估计。把这些方程重新按以下形式写出,就可明显看出这一点。令pn+1 代表img,就能写出

其中

参数p 叫作偏相关系数。可清楚地看出,如果知道p1,…,pn,就能算出任何n 时的估计img。现在,来考虑求这些系数。令img 乘以z-i,对i 求和,得

定义多项式

利用这些多项式,写为

现在用Fn(z-1)和Gn(z-1),求Gn+1(z-1)的关系。为此,用n+1-i 代替i,写为

进而就能得到如图9-1 所示的网格结构。

图9-1 用Levinson 算法进行辨识

由图9-1 可知,img(k)为沿着网格上面支路的第n 个加法器的输出,它就是假定n 阶模型之下所得的剩余量。这样就可以使E[(img(k))2]最小,以得到参数的估计img

正如前面指出的那样,这样得到的结构产生x(k)的最佳线性均方估计,是以x(k)过去的值x(k-1),…,x(k-n)表示的。为了看出这一点,我们把估计量定义为

然后,利用正交原理,系数img 必须保证估计误差,即(www.daowen.com)

与集合x(k-j)(j=1,…,n)正交。即

同样,以x(k-n),…,x(k-1)写出 x(k-n-1)的估计量

则估计误差为

利用正交原理解方程组就可得到各个系数。

比较,有

剩余误差由如下递推公式计算,即

使E[(img( k))2]最小或使E[(img(k))2]最小,就可计算出pn+1。可以证明,pn+1 的两个估计为

因为x(k)是平稳的,直接计算可知,

因此,可以通过合并计算得到估计值计算式

式中的互相关系数类似于

计算。

下面简要归纳本算法。给定数据序列x0,x1,…,xL-1,可组成两个序列

计算img;然后求img(k)和img(k)k=0,…,L-1;再形成所需的互相关系数并计算img。这一过程可根据需要一直迭代计算下去。

因为pn+1 仅取决于img( k),很清楚,pn+1 与pj 无关,j>n+1,这意味着与计算系数a_i 相反。当所设模型阶数增加时,不需要再计算pi。实际上,这一算法也提供了求模型阶数N 的方法。正如前面提到的,如果参数都被正确地辨识出来了,剩余的就是白噪声。因此,每一步递推运算中剩余误差的均方值为

对每个n 形成差值为

如果这个量达到最小值或基本趋于一常数,则意味着进一步处理并不能减小剩余误差。这时的n 值就被认为是对应于模型的阶数。系数img 可根据img 算出。

Levinson 算法不需要预先确定模型的阶数N。但是,它是一种成批处理技术,并包括计算相关系数。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈