性不大,能清晰的分辨出两个频率值,且没有出现假峰。从图中可以看出在两个阶数不同的情况下都能很好的分辨出两个频率的峰值, 说明增加阶数并没有增大频率分辨率, 而增加的阶数反而使计算量加大。相比较 Levinson-Durbin 算法而言, Bur g 算法因为没有使用自相关估计法,结果与真实值更加接近,而且可以进行外推,所以 Burg 算法要比 Levinson-Durbin 算法要好。当噪声方差加大为原来的 10 倍时,还能比较清楚的分辨出两个频率值如图 2 所示,说明 Burg 算法的抗干扰能力比较好。六.总结参数建模谱估计方法是现代谱估计的重要内容, AR 模型谱估计隐含着数据和自相关函数的外推, 其长度可能超过给定的长度, 分辨率不受信源信号长度的限制, 所以现代谱估计研究主要是用基于 AR 模型的方法估计功率谱,这是经典谱估计无法做到的。通过实践, AR 模型的 Burg 法也存在问题: (1) 计算量大; (2) 信号起始相位变动可导致谱线偏移和分裂; (3) 低信噪比可导致谱分辨率下降、谱线偏移、甚至丢失; (4) 阶数的确定还没有找到确切有效准则。这些是 AR 模型估计的不足之处。功率谱估计是信息学科中的研究热点。现代谱估计主要是针对经典谱估计( 周期图和自相关法) 的分辨率低和方差性能不好的问题而提出的。其内容极其丰富, 涉及的学科和领域也相当广泛, 按是否有参数大致可分为参数模型估计和非参数模型估计, 前者有 AR 模型、 MA 模型、 ARMA 模型、 PRONY 指数模型等; 后者有最小方差方法、多分量的 MUSIC 方法等。从信号的特征来分, 在这之前所说的方法都是对平稳随机信号而言, 其谱分量不随时间变化。对非平稳随机信号, 其谱是时变的, 近十五年,以 Wigne r 分布为代表的时频分析引起了人们广泛的兴趣,形成了现代谱估计的一个新的研究领域。