一種精確混合譜預測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于預測方法技術(shù)領(lǐng)域，尤其涉及一種精確混合譜預測方法。
【背景技術(shù)】
[0002]常規(guī)混合譜分析方法或是基于周期圖的，或是基于高階AR模型的，詳細討論了有限階AR譜估計方法對低階混合譜估計的漸近統(tǒng)計特性。然而，這些譜估計方法的估計精度受到采集數(shù)據(jù)長度有限及模型階數(shù)有限的影響。由于參數(shù)化方法相對非參數(shù)化方法具有較高的譜估計精度，因此，很多文獻通過對特定混合譜參數(shù)化模型進行參數(shù)估計來實現(xiàn)混合譜估計的目的。參數(shù)化的混合譜估計過程中需要對正弦參數(shù)及AR模型參數(shù)進行估計，因涉及高維搜索問題，運算復雜度過高。

【發(fā)明內(nèi)容】

[0003]本發(fā)明就是針對上述問題，提供一種運算復雜度低的精確混合譜預測方法。
[0004]為實現(xiàn)上述目的，本發(fā)明包括以下步驟。
[0005]AR模型參數(shù)a、τ及中間參數(shù)c根據(jù)被估計參數(shù)的滿足條件后,分布建立Markov鏈，通過循環(huán)抽取每個參數(shù)獲得服從相應分布的參數(shù)估計樣本。
[0006]步驟1:設(shè)置c=r,利用其計算出相應的矩陣D和矢量d。
[0007]步驟2:滿條件后驗分布抽取參數(shù)τ的樣本i τ。
[0008]步驟3:根據(jù)樣本i τ，依參數(shù)a的滿條件后驗分布抽取其樣本ia。
[0009]步驟4:根據(jù)將樣本i τ和ia，依中間參數(shù)c的滿條件后驗分布抽取其樣本ic。
[0010]步驟5:利用樣本ic重新計算矩陣D和矢量d，并執(zhí)行步驟2，循環(huán)計算。
[0011]作為一種優(yōu)選方案，本發(fā)明將Markov鏈收斂前的估值去除，并將收斂后的參數(shù)估計進行統(tǒng)計平均后為各個參數(shù)估值。
[0012]作為另一種優(yōu)選方案，本發(fā)明通過最小二乘法、子空間類法獲得相應的頻率ω及幅度Ct。
[0013]本發(fā)明有益效果。
[0014]本發(fā)明基于Bayes統(tǒng)計推斷思想，利用Markov鏈的MonteCarlo(MarkovChainMonteCarlo, MCMC)實驗方法,通過交替估計正弦參數(shù)與AR模型參數(shù)來實現(xiàn)混合譜參數(shù)估計。由于充分利用了模型信息和樣本數(shù)據(jù)內(nèi)在信息，并結(jié)合了模型總體分布中未知參數(shù)信息，本發(fā)明方法可以很好的解決傳統(tǒng)統(tǒng)計方法的樣本不足及樣本質(zhì)量不佳的問題，更適宜混合譜估計。
[0015]本發(fā)明根據(jù)混合譜參數(shù)化模型對混合譜數(shù)據(jù)中的正弦參數(shù)及AR雜波參數(shù)進行估計。由于更充分地利用了模型信息和樣本數(shù)據(jù)內(nèi)在信息，因此本發(fā)明方法更適用于小樣本環(huán)境。仿真實驗結(jié)果表明，本發(fā)明所提出方法與DPE算法相比，在小樣本條件下，性能更優(yōu)，兩類解耦算法都幾乎不受信雜比的影響。
[0016]本發(fā)明有效降低運算復雜度，通過先后對正弦參數(shù)及AR模型參數(shù)進行順序估計實現(xiàn)降低運算復雜度的目的。另外，由于DPE算法中的AR模型是與采集數(shù)據(jù)中雜波同階的，所以在估計過程中需要的初始數(shù)據(jù)較少，降低了對采集數(shù)據(jù)長度的需求。
【具體實施方式】
[0017]本發(fā)明包括以下步驟。
[0018]AR模型參數(shù)a、τ及中間參數(shù)c根據(jù)被估計參數(shù)的滿足條件后,分布建立Markov鏈，通過循環(huán)抽取每個參數(shù)獲得服從相應分布的參數(shù)估計樣本。
[0019]步驟1:設(shè)置c=r,利用其計算出相應的矩陣D和矢量d。
[0020]步驟2:滿條件后驗分布抽取參數(shù)τ的樣本i τ。
[0021]步驟3:根據(jù)樣本i τ，依參數(shù)a的滿條件后驗分布抽取其樣本ia。
[0022]步驟4:根據(jù)將樣本i τ和ia，依中間參數(shù)c的滿條件后驗分布抽取其樣本ic。
[0023]步驟5:利用樣本ic重新計算矩陣D和矢量d，并執(zhí)行步驟2，循環(huán)計算。
[0024]作為一種優(yōu)選方案，本發(fā)明將Markov鏈收斂前的估值去除，并將收斂后的參數(shù)估計進行統(tǒng)計平均后為各個參數(shù)估值。
[0025]作為另一種優(yōu)選方案，本發(fā)明通過最小二乘法、子空間類法獲得相應的頻率ω及幅度Ct。
[0026]本部分通過幾個仿真實驗結(jié)果來說明本發(fā)明所提出混合譜估計方法的性能。假設(shè)仿真實驗中的混合譜的復數(shù)據(jù)為為零均值高斯白噪聲。信雜比SCR定義為混合信號中的正弦分量與雜波分量的能量之比，通過改變正弦分量的幅度α可以實現(xiàn)調(diào)整混合譜信雜比。
[0027]首先研究仿真數(shù)據(jù)長度N對混合譜中AR雜波參數(shù)估計的影響。假設(shè)混合譜數(shù)據(jù)的信雜比SCR= - 5dB。本發(fā)明混合譜估計方法與DPE方法對參數(shù)la、2a的估計性能比較。
[0028]兩種方法對參數(shù)la、2a的估計性能隨數(shù)據(jù)長度的增大而改善，而且本發(fā)明提出方法在數(shù)據(jù)長度較短時性能優(yōu)于DPE算法，隨著數(shù)據(jù)長度N的增大，兩者差異減小。
[0029]本發(fā)明方法對混合譜中AR雜波參數(shù)估計的性能。假設(shè)仿真數(shù)據(jù)長度N=100。本發(fā)明混合譜估計方法與DPE方法對參數(shù)la、2a的估計性能，la、2a的估計性能幾乎不受信雜比SCR的影響。說明交替對混合譜數(shù)據(jù)中的正弦及雜波參數(shù)進行估計時，正弦分量的去除效果受信雜比的影響較小。
[0030]以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明，對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應當視為屬于本發(fā)明所提交的權(quán)利要求書確定的保護范圍。
【主權(quán)項】
1.一種精確混合譜預測方法，其特征在于包括以下步驟: AR模型參數(shù)a、τ及中間參數(shù)c根據(jù)被估計參數(shù)的滿足條件后,分布建立Markov鏈，通過循環(huán)抽取每個參數(shù)獲得服從相應分布的參數(shù)估計樣本； 步驟1:設(shè)置c=r，利用其計算出相應的矩陣D和矢量d ； 步驟2:滿條件后驗分布抽取參數(shù)τ的樣本i τ ； 步驟3:根據(jù)樣本i τ，依參數(shù)a的滿條件后驗分布抽取其樣本ia ； 步驟4:根據(jù)將樣本i τ和ia，依中間參數(shù)c的滿條件后驗分布抽取其樣本ic ； 步驟5:利用樣本ic重新計算矩陣D和矢量d，并執(zhí)行步驟2，循環(huán)計算。2.根據(jù)權(quán)利要求1所述一種精確混合譜預測方法，其特征在于將Markov鏈收斂前的估值去除，并將收斂后的參數(shù)估計進行統(tǒng)計平均后為各個參數(shù)估值。3.根據(jù)權(quán)利要求2所述一種精確混合譜預測方法，其特征在于通過最小二乘法、子空間類法獲得相應的矩陣D和矢量d。
【專利摘要】<b>一種精確混合譜預測方法屬于預測方法技術(shù)領(lǐng)域，尤其涉及一種精確混合譜預測方法。本發(fā)明提供一種運算復雜度低的精確混合譜預測方法。本發(fā)明包括以下步驟：</b><b>AR</b><b>模型參數(shù)</b><b>a</b><b>、τ及中間參數(shù)</b><b>c</b><b>根據(jù)被估計參數(shù)的滿足條件后，分布建立</b><b>Markov</b><b>鏈，通過循環(huán)抽取每個參數(shù)獲得服從相應分布的參數(shù)估計樣本；步驟</b><b>1</b><b>：設(shè)置</b><b>c=r</b><b>，利用其計算出相應的矩陣</b><b>D</b><b>和矢量</b><b>d</b><b>；步驟</b><b>2</b><b>：滿條件后驗分布抽取參數(shù)τ的樣本</b><b>i</b><b>τ；步驟</b><b>3</b><b>：根據(jù)樣本</b><b>i</b><b>τ，依參數(shù)</b><b>a</b><b>的滿條件后驗分布抽取其樣本</b><b>i</b><b>a</b><b>。</b>
【IPC分類】G06F19/00
【公開號】CN105574319
【申請?zhí)枴緾N201410622907
【發(fā)明人】李福霞
【申請人】李福霞
【公開日】2016年5月11日
【申請日】2014年11月8日