研究了一种新的AR SαS过程的谱估计算法。该算法将整个数据作为一个整体,利用分数低阶p阶矩从前向、后向两个方向对数据进行处理,获得了一种高分辨率的参数估计算法——双向最小p范数法(Bidirectional Least p Norm,BLPN)。利用得到的...研究了一种新的AR SαS过程的谱估计算法。该算法将整个数据作为一个整体,利用分数低阶p阶矩从前向、后向两个方向对数据进行处理,获得了一种高分辨率的参数估计算法——双向最小p范数法(Bidirectional Least p Norm,BLPN)。利用得到的参数,结合共变谱的定义,构建了AR SαS过程下的共变谱估计表达式,并分别对AR SαS过程参数估计、α稳定分布噪声中的正弦信号的谱估计进行仿真。仿真结果表明,基于BLPN的ARSαS模型的共变谱估计方法对于不同的α值均具有良好的韧性,特别是在α值较小或者短时数据时,本文方法的性能明显优于基于FLOM的AR SαS模型共变谱估计方法。展开更多
基金Supported by the National Natural Science Foundation of China(10771001)the NSF of Educational Bureau of Anhui Province(KJ2009A005Z)the NSF of Anhui Province(090416237)
文摘研究了一种新的AR SαS过程的谱估计算法。该算法将整个数据作为一个整体,利用分数低阶p阶矩从前向、后向两个方向对数据进行处理,获得了一种高分辨率的参数估计算法——双向最小p范数法(Bidirectional Least p Norm,BLPN)。利用得到的参数,结合共变谱的定义,构建了AR SαS过程下的共变谱估计表达式,并分别对AR SαS过程参数估计、α稳定分布噪声中的正弦信号的谱估计进行仿真。仿真结果表明,基于BLPN的ARSαS模型的共变谱估计方法对于不同的α值均具有良好的韧性,特别是在α值较小或者短时数据时,本文方法的性能明显优于基于FLOM的AR SαS模型共变谱估计方法。