论文部分内容阅读
频率谱估计是帮助人们了解信号特征的重要手段,它的实质就是对一段采样信号,估计其在整个频率域内的功率分布情况。本文针对如何充分利用现有观察数据,进而提高谱估计效果这一课题,对自适应谱估计算法进行了研究和扩展,主要贡献有：首先,提出了一般性广义噪声协方差矩阵的自适应迭代谱估计方法。该方法在加权最小二乘(weighted least squares, WLS)框架下能够同时估计信号频谱和观测噪声,每一次迭代都可利用上一次估计结果来逐步逼近真实的广义噪声协方差矩阵,并将其逆阵作为加权矩阵。由于构建了更优的加权矩阵,从而使该方法具有分辨率高、谱泄漏抑制好、并可增强信号协方差矩阵的可逆性和随意选择频谱范围等特点。其次,提出了一种鲁棒迭代自适应谱估计算法。该方法首先同时利用迭代谱估计结果和观测数据共同构建信号协方差矩阵,然后针对得到的信号协方差矩阵,利用鲁棒Capon波束成形求取其最优频率导向矢量,再求解传统的Capon谱估计的优化问题。分析表明,这种鲁棒迭代自适应谱估计算法同时具备迭代自适应谱估计方法(iterative adaptive approach, IAA)和亏秩鲁棒Capon滤波器组谱估计方法(Rank-Deficient Robust Capon Filter-bank, RD-RCF)的特点,且RD-RCF可以认为是该算法的特例。仿真结果显示,提出的鲁棒迭代自适应谱估计算法能够获得非常高的频谱分辨率,很好地估计真实频率成分。最后,提出了结合ιq范数矩阵填充丢失采样数据的谱估计方法。该方法首先恢复丢失的采样数据,再对恢复后的整体数据进行谱估计。该方法同时利用了频谱稀疏性和ιq范数矩阵填充的优势。仿真结果显示,在本文仿真条件下,采样数据丢失小于10%时,相比于对已获得数据直接进行IAA谱估计和经过其他数据恢复方法后再进行IAA谱估计,该方法真实频率成分估计值更加准确。