pmusic
Pseudospectrum使用音乐算法
语法
描述
例子
输入参数
输出参数
提示
pseudospectrum在评估的过程中,pmusic
计算估计的噪声和信号子空间特征向量vj和特征值λj信号的相关矩阵。最小的特征值与阈值参数一起使用(2页)
影响在某些情况下噪声子空间的维数。
长度n特征向量的计算pmusic
是的尺寸的总和信号和噪声子空间。这个特征向量长度取决于你的输入(信号数据或相关矩阵)和语法使用。
下表总结了依赖性特征向量长度的输入参数。
特征向量的长度取决于输入数据和语法
形式的输入数据x |
评论的语法 |
长度n的特征向量 |
---|---|---|
行或列向量 |
|
|
行或列向量 |
|
|
行或列向量 |
|
2× |
l——- - - - - -米矩阵 |
如果 |
米 |
米——- - - - - -米半正定矩阵 |
|
米 |
你应该指定nwin
>(1页)
或长度(nwin)
>(1页)
如果你想要(2页)
>1
有任何效果。
算法
多重信号分类(音乐)算法估计pseudospectrum信号或相关矩阵使用施密特的特征空间分析方法[1]。算法执行的特征空间分析信号的相关矩阵估计信号的频率的内容。该算法特别适用于信号和加性高斯白噪声的正弦曲线。相关矩阵的特征值和特征向量的信号估计如果你不提供相关矩阵。
该算法用于计算音乐pseudospectrum估计考虑信号的相对大小和噪声子空间。
如果信号子空间的维数小于噪声子空间的维数,是由音乐pseudospectrum估计
在哪里p信号子空间的维数和吗vk是k相关矩阵的特征向量。中使用的特征向量和对应的最大特征值和信号子空间。
如果噪声子空间的维数小于信号子空间的维数,是由音乐pseudospectrum估计
在哪里N信号子空间的维数+噪声子空间的维数和vk是k相关矩阵的特征向量。中使用的特征向量和对应的最小特征值和噪声子空间。
在每种情况下,向量e(f)由复指数、内积vkHe(f)傅里叶变换。这是用于计算pseudospectrum估计。FFT计算vk然后总结平方大小。
引用
马普尔[1],美国劳伦斯。数字频谱分析。恩格尔伍德悬崖,新泽西:新世纪,1987年,页373 - 378。
[2]施密特,r . o .“多个发射器的位置和信号参数估计。”IEEE®交易天线和传播。AP-34卷,1986年3月,页276 - 280。
[3]斯托伊卡,那和伦道夫·l·摩西的。光谱分析的信号。上台北:Prentice Hall出版社,2005年。
扩展功能
版本历史
之前介绍过的R2006a