使用自动回归(AR)模型生成彩色噪声 2020年11月17日2019年12月4日 通过马图拉纳坦 重点关注点:了解如何使用自回归(AR)模型生成彩色噪声。应用Yule-Worker方程生成幂律噪声:粉红噪声、布朗噪声。 自动后退(AR)模型 一种不相关高斯随机序列可以转换为相关高斯随机序列使用AR时间序列模型。如果假设时间序列随机序列遵循自回归形式模型, 哪里是零均值和方差的不相关高斯序列,自然趋势是估计模型参数这里可以应用最小二乘法来查找模型参数,但随着顺序的增加,计算变得繁琐增加。幸运的是,AR模型系数可以用Yule Walker方程. Yule-Walker方程与自回归模型参数相关自相关随机过程的。使用Yule-Walker方程确定模型参数需要两步: 1.给定,估计过程的自相关.如果已被指定为函数,请按原样使用(请参阅中Jakes频谱或多普勒频谱的自相关方程书中第11.3.2节). 2.求解Yule-Walker方程以找到模型参数和噪声sigma. Yule-Walker方程 尤勒-沃克方程可以紧凑地写成 方程(2)Yule-Walker方程 尤勒-沃克方程以矩阵形式写成,由一组线性方程和未知参数。 以紧凑形式表示方程(3), AR模型参数可以通过求解找到 模型参数求解后、噪声方差可以通过应用在方程式(2)中,通过设置. The芳基命令(在Matlab和Python的spectrum包中)使用Levinson算法有效地求解Yule-Walker方程[1][2].一旦模型参数得到,AR模型可以实现为一个形式的emph{infinte pulse response(IIR)}滤波器 例子:幂律噪声产生 幂律在功率谱中表征了许多自然系统中波动的观测值。许多自然系统都表现出一些噪声是一个随机过程,其功率谱密度的幂指数可以取值简单地说,噪声是功率谱密度为在其整个频率范围内。 这个噪声可以根据. 紫色噪音–=-2,功率谱密度与.蓝色噪音–=-1,功率谱密度与.白噪声–=0时,整个光谱的功率谱密度是平坦的。粉红色噪音–=1,功率谱密度与也就是说,它减少了每倍频程随频率的增加而增加。布朗噪声–=2,功率谱密度与,因此它减少了每倍频程随频率的增加而增加。 幂律噪声可以通过一个有序的自回归(AR)滤波器对零均值白噪声进行排序来产生: 其中,是一个零米白噪声过程。参考中描述的AR生成方法[3],AR滤波器的系数可以生成为 其可以实现为无限冲激响应使用方程(6)中描述的滤波器传递函数进行滤波。 下面的脚本实现了此方法,示例结果如下图所示。 有关Matlab代码,请参阅本书 图1:模拟彩色噪声样本及其PSD估计值:粉色噪声(α=1)和棕色噪声(α=2) 评价这篇文章:(4平均票数:4.75(共5个) 参考文献 [1]Gene H.Golub,Charles F.Van Loan,《矩阵计算》,ISBN-9780801854149,约翰霍普金斯大学出版社,1996年,第143页。↗[2]J.Durbin,《模型中时间序列的拟合》,《国际统计研究所评论》,28:233-2431960年。↗[3]Kasdin,N.J.有色噪声和随机过程的离散模拟《电力法噪声产生》,《美国电气与电子工程师协会会刊》,第83卷,第5期,1995年,第802-827页。↗ 评价这篇文章:(4平均票数:4.75(共5个) 作者的书籍 Matlab中的无线通信系统第二版(PDF)注意:此帖子中包含评分,请访问此帖子进行评分。 $14.99–加入购物车 签出 已添加到购物车 使用Python的数字调制(PDF电子书)注意:此帖子中包含评分,请访问此帖子进行评分。 $14.99–加入购物车 签出 已添加到购物车 使用Matlab的数字调制(PDF电子书)注意:此帖子中包含评分,请访问此帖子进行评分。 $14.99–加入购物车 签出 已添加到购物车 手绘通信工程最佳书籍信号处理最佳书籍 本章主题 随机变量-模拟概率系统● 介绍●绘制估计PDF● 单变量随机变量 □均匀随机变量 □伯努利随机变量 □二项式随机变量 □指数随机变量 □泊松过程 □高斯随机变量 □齐方随机变量 □非中心齐方随机变量 □Chi分布随机变量 □瑞利随机变量 □Ricean随机变量 □Nakagami-m分布随机变量●中心极限定理——一个证明● 生成相关随机变量 □生成两个相关随机变量序列 □利用Cholesky分解生成多个相关随机变量序列●生成相关高斯序列 □谱分解法 □自动后退(AR)模型
有趣的是看到自相关和PSD指数之间的联系。 我实现了第99页书中的代码。 我该如何从PSD中描述阿尔帕山?如果我在日志空间中为PSD拟合一条线,那么这条线会受到PSD下端的噪声严重影响。 示例代码:log_f=10log10(F(2:结束));log_p=10log10(Pyy(2:结束));Const=polyfit(log_f,log_p,1); 斜率=常数(1);偏移=常数(2);Yp=多值(Const,log_f); 在生成示例噪声后,您有没有对斜率和偏移进行稳健估计的示例? 答复
该方法仅适用于具有一定统计特性的噪声。α、PSD和AR模型之间的关系无法通过简单的线-场模型获得。必须根据经验数据进行估算。 噪声应该表现出分形现象(长记忆性和自相似性),以便此方法工作。以下参考资料可能会帮助您进一步了解。 [1] Jan Beran,“长内存进程统计”,ISBN-13:978-0412049019,Chapman和Hall/CRC;第1版(1994年10月1日)URL:https://amzn.to/2w9I0NO[2] 塔贾纳·斯塔德尼茨基。《测量分形》,《生理学前沿》第3卷第127页。2012年5月7日,doi:10.3389/fphys.2012.0127网址:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3345945/ 答复