简介：面向信号处理、通信与电子工程领域的学生和工程师，这份资源以实验报告形式系统讲解噪声背景下正弦信号的现代法频谱分析，重点覆盖自回归模型、列文森-杜宾递推、自相关法、勃格法、协方差法与改进协方差法。报告从基本原理出发，给出了完整的编程仿真步骤，并针对不同信噪比与不同模型阶次进行了功率谱估计对比，逐一分析各方法的频率分辨率、抗噪能力与稳定性表现。压缩包内为单个doc文档，大小约154KB，内容结构完整，包含实验目的、理论基础、编程实现、结果图表与结论，可直接作为课程设计或结课论文的参考。目前已有153人学习下载，适合需要完成现代谱估计实验、或希望理解经典周期图法与参数模型法差异的读者。借助这份报告可以理清参数模型法的推导脉络，并依据实验对比结论为实际信号处理场景选择适当的谱估计方法。

1. 两根正弦埋进噪声里：为什么周期图法先扛不住

把一个 100Hz 和一个 120Hz 的正弦信号叠在一起，再灌进方差为 1 的高斯白噪声，信噪比压到 10dB——这就是噪声中正弦信号的现代法频谱分析最经典的练习场。你用周期图法扫一眼频谱，会发现两个峰勉强能看见，但谱线抖得厉害，旁瓣还掺着噪声的毛刺；把数据窗加长，分辨率上去了，方差又爆了。经典谱估计的窗函数取舍本质上是拿分辨率换方差，而现代谱估计的思路完全不同：它不再跟窗函数较劲，而是假设信号由一个白噪声激励的线性系统产生，直接估计系统参数，再算出功率谱。这份实验报告的核心就是这件事——用 AR 模型把 100Hz 和 120Hz 两个峰从噪声里干净地抠出来，并对比自相关法、Burg 法、协方差法和改进协方差法四条技术路线的实际表现。适合正在学现代谱估计、做信号检测或准备课程设计的人，照着代码跑一遍，比看十页教科书都直观。

2. AR 模型与 Levinson-Durbin 算法：现代谱估计的原理主线

2.1 AR 模型在说什么：全极点与白噪声激励

AR 模型的全称是自回归模型，思路很直白：当前时刻的输出，等于过去 p 个时刻输出的加权和，再加上一个白噪声输入。写成差分方程就是：

% x(n) = -a(1)*x(n-1) - a(2)*x(n-2) - ... - a(p)*x(n-p) + u(n) % a 是 AR 系数，u(n) 是零均值白噪声，p 是模型阶次

注意这里我用了 MATLAB 工具箱的符号约定，系数前面带负号。实验报告里的公式写法是正号，两种写法在数学上等价，但如果你对照 report 里的公式和pyulear的输出，很容易被符号绕晕。我的习惯是统一按 MATLAB 的约定来，因为后面所有谱估计函数返回的系数都是这套符号。

这个模型对应的系统函数是全极点的：H(z) = 1 / (1 + a(1) z⁻¹ + ... + a(p) z⁻ᵖ)，也就是说它只有极点没有零点。为什么要强调这个？因为 AR 谱估计擅长处理尖锐的谱峰——正弦信号的频谱就是一根根离散的谱线，用全极点模型去拟合天然合适。而噪声的功率谱是平坦的，模型会把噪声能量分摊到极点之间，这就是为什么 AR 模型能在低信噪比下把正弦峰从噪声里挑出来。

2.2 正则方程如何把自相关和 AR 参数绑在一起

AR 模型的系数不是凭空猜的，它们和信号自相关函数之间有一组确定的线性关系，叫 Yule-Walker 方程，也叫正则方程。对 p 阶 AR 模型，把差分方程两边同时乘 x(n-m) 再取期望，就得到：

R(m) + a(1) R(m-1) + ... + a(p) R(m-p) = 0，m ≥ 1

再加上 m=0 时的方差关系，一共 p+1 个方程，正好能解出 p 个 AR 系数和激励白噪声的方差。自相关函数就是信号的统计指纹，只要自相关估得准，AR 参数就估得准。但这里有个工程上的关键分岔：你是先估计自相关函数再解方程，还是绕过自相关函数直接从数据里递推反射系数？后面四种方法的分野就从这里开始。

2.3 Levinson-Durbin 递推：反射系数与逐阶求解

直接解 Yule-Walker 方程要碰一个 p×p 的矩阵求逆，阶次一高计算量就上去了。Levinson-Durbin 算法利用 Toeplitz 矩阵的结构，从 1 阶开始逐阶递推，每阶只做标量运算，效率高得多。核心递推公式包含三个量：反射系数 k(m)、AR 系数 a(m,i) 和预测误差功率 E(m)。

% 手写 Levinson-Durbin 递推核心逻辑 % r 是自相关序列，p 是阶次 function [a, E] = levinson_durbin(r, p) a = zeros(1, p); E = r(1); % 0 阶预测误差功率等于信号能量 for m = 1:p % 反射系数：当前阶的误差与上一阶系数加权相关 km = -(r(m+1) + sum(a(1:m-1) .* r(m:-1:2))) / E; % 上一阶系数复制到当前阶 a_prev = a; a(m) = km; for i = 1:m-1 a(i) = a_prev(i) + km * a_prev(m-i); end % 更新预测误差功率 E = E * (1 - km^2); end end

这段代码里的km是反射系数，它的绝对值小于 1 是 AR 系统稳定的充要条件。Levinson-Durbin 递推天然保证 |km| < 1，除非你输入的自相关序列本身就不是合法的自相关序列。这就是为什么自相关法和 Burg 法得到的模型一定是稳定的，而协方差法直接解矩阵方程，不保证这个性质——后面实验里协方差法出现的抖动，根源就在这。

2.4 四种 AR 求解路径的分野：关键在误差准则

自相关法、Burg 法、协方差法、改进协方差法，都算 AR 参数，但优化目标完全不同：

自相关法先对数据加窗截取，再用有偏自相关估计，好处是稳定，坏处是加窗引入了分辨率损失。Burg 法跳过自相关估计，直接让前向和后向预测误差的平均功率对反射系数最小化，分辨率更高且稳定。协方差法不加窗，直接用数据矩阵求解，对短数据分辨率好，但系统可能出现不稳定。改进协方差法同时用前后向预测误差平均功率做准则，性能更进一步，但同样不保证稳定。理解了这张表的差异，后面实验结果看起来就顺理成章了。

3. 经典与现代对垒：周期图法 vs 自相关法的具体实验

3.1 信号生成：参数怎么设、信噪比怎么折算

实验第一步是构造测试信号：两个正弦，频率 100Hz 和 120Hz，初始相位 0，叠加方差为 1 的高斯白噪声，信噪比 10dB。这里最容易翻车的点是振幅换算。实验报告给出的公式是 A1 = sqrt(2 * 10^(SNR/10))，注意这个公式隐含了一个约定——噪声方差为 1，正弦波振幅 A 对应的功率是 A²/2，要让单路正弦的信噪比等于 SNR dB，就有 A²/2 = 10^(SNR/10)，所以 A = sqrt(2 * 10^(SNR/10))。

% 参数设置 fs = 1024; % 采样率，单位 Hz，满足奈奎斯特条件即可 N = 256; % 采样点数 t = (0:N-1) / fs; % 时间序列 f1 = 100; % 第一个正弦频率 f2 = 120; % 第二个正弦频率 snr_db = 10; % 信噪比，单位 dB A = sqrt(2 * 10^(snr_db/10)); % 单路正弦振幅 x = A * sin(2*pi*f1*t) + A * sin(2*pi*f2*t) + randn(1, N);

randn(1, N)生成的就是方差为 1 的高斯白噪声，正好和报告里“方差为 1”的条件对上。N 取 256 是故意的——两个频率相差 20Hz，在 256 点数据长度下，周期图法的频率分辨率 fs/N = 4Hz，理论上足够分辨，但实际谱线受噪声和窗函数旁瓣影响，峰形会比较毛糙。这给后面现代谱估计的对比留出了空间。

3.2 周期图法与自相关法对比：代码与结果解读

核心对比代码就两行：

% 经典谱估计：周期图法，加 hamming 窗抑制旁瓣 [Pxx_period, f_period] = periodogram(x, hamming(N), N, fs); % 现代谱估计：自相关法（Yule-Walker），100 阶 AR 模型 [Pxx_ar, f_ar] = pyulear(x, 100, N, fs); % 对比绘图 figure; subplot(2,1,1); plot(f_period, 10*log10(Pxx_period)); title('周期图法'); xlabel('频率 (Hz)'); ylabel('功率谱 (dB)'); subplot(2,1,2); plot(f_ar, 10*log10(Pxx_ar)); title('自相关法 (AR 模型, p=100)'); xlabel('频率 (Hz)'); ylabel('功率谱 (dB)');

periodogram的第一个参数是信号，第二个是窗函数，第三个是 FFT 点数，第四个是采样率。pyulear的前两个参数是信号和 AR 阶次 p，这里的 p=100 是报告里对比实验的固定值。从结果看，周期图法的谱线在 100Hz 和 120Hz 两个峰附近有明显的随机起伏，旁瓣抬升到接近主峰的一半高度；自相关法得到的两个峰清晰尖锐，背景噪声被压得更平。用 dB 单位看更直观，自相关法的主峰和旁瓣之间落差明显大于周期图法。

这个结果背后的道理是：周期图法直接用 FFT 对有限长数据做频谱，窗函数决定了谱泄漏和方差性能，而 AR 模型用参数化方式把数据的信息浓缩成少量系数，谱估计的方差主要来自系数估计误差，而不是窗函数旁瓣。所以同样 256 个点，AR 谱的分辨率和平滑度都占优势。

4. 抠参数：信噪比和阶次怎么影响频谱质量

4.1 变信噪比实验：从 30dB 到 -15dB 的退化过程

自相关法对信噪比有多敏感？报告里的实验把 SNR 分别设为 -15dB、-10dB、10dB、30dB，阶次固定 100 阶，采样点 256。实现方式是在循环里重新计算振幅、重新生成信号。

snr_list = [-15, -10, 10, 30]; figure; for k = 1:length(snr_list) A_k = sqrt(2 * 10^(snr_list(k)/10)); x_k = A_k * sin(2*pi*f1*t) + A_k * sin(2*pi*f2*t) + randn(1, N); [Pxx_k, f_k] = pyulear(x_k, 100, N, fs); subplot(2, 2, k); plot(f_k, 10*log10(Pxx_k)); title(['SNR = ', num2str(snr_list(k)), ' dB']); xlabel('频率 (Hz)'); ylabel('功率谱 (dB)'); xlim([0, 250]); % 只看 0~250Hz 频段，两个峰都在这个范围内 end

注意 SNR 每降低 20dB，振幅要除以 10。比如 30dB 时 A 约为 44.7，-15dB 时 A 约 0.56，这时候正弦信号的实际幅度已经比噪声标准差还小。从实验曲线看，30dB 和 10dB 时两个峰清清楚楚，-10dB 时峰还在但旁瓣明显抬高，最大旁瓣衰减变小，-15dB 时两个峰几乎被噪声吞掉，只有一个模糊的宽峰。这说明 AR 模型的能力有边界：信噪比低到一定程度，模型会把噪声也拟合成极点，谱峰就被拖垮了。

4.2 变阶次实验：p=10 到 p=200 的过平滑与过拟合

阶次 p 是 AR 模型最重要的超参数。报告固定 SNR=10dB，把阶次从 10 拉到 200。代码上就是一个循环套pyulear：

p_list = [10, 50, 100, 200]; figure; for k = 1:length(p_list) [Pxx_p, f_p] = pyulear(x, p_list(k), N, fs); subplot(2, 2, k); plot(f_p, 10*log10(Pxx_p)); title(['p = ', num2str(p_list(k))]); xlabel('频率 (Hz)'); ylabel('功率谱 (dB)'); xlim([0, 250]); end

结果分三种情况：p=10 时模型容量不够，两个峰被平滑成一个宽峰，频率分辨率完全不够用；p=100 时两个峰清晰分离，背景干净，这是报告认定的理想阶次；p=200 时谱图出现额外的小尖峰，看起来像是多了几个频率成分——这就是虚假峰。原因在于阶次接近甚至超过数据点数的一半时，AR 模型开始拟合噪声的随机波动，把白噪声的个别样本也当作信号极点。报告给的经验法则是：N=256 时，p 落在 N/3 到 N/2 之间，也就是 85 到 128，效果最稳。

5. 避坑与常见问题排查：稳定性和虚假谱峰

5.1 协方差法谱图莫名抖动：反射系数越界

现象：用pcov做谱估计，在某些信噪比下功率谱出现剧烈的尖峰抖动，甚至出现负功率。 原因：协方差法直接解矩阵方程求 AR 系数，没有经过 Levinson-Durbin 递推，得到的模型极点可能落在单位圆外，系统不稳定。极点一旦越界，功率谱在某些频率处就会趋近无穷大。 解决：换用 Burg 法或自相关法，或者对求得的 AR 系数用poly函数求根，检查所有极点模值是否小于 1，发现越界就放弃这次结果。我一般会在谱估计代码里加一行if max(abs(roots([1 a]))) >= 1, warning('模型不稳定'); end做快速校验。

5.2 p=200 出现虚假峰：阶次选过头了

现象：阶次从 100 提高到 200，100Hz 和 120Hz 两个峰旁边冒出一堆小尖峰。 原因：阶次过高，AR 模型把噪声也拟合了进去。数据只有 256 点，p=200 意味着要用 200 个参数去拟合 256 个样本，模型容量过剩，过拟合不可避免。 解决：按经验法则把 p 控制在 N/3 到 N/2 之间。另外可以用 FPE 或 AIC 准则辅助选阶，这两个准则会惩罚高阶模型，找使准则值最小的阶次。别为了追求分辨率盲目拉高 p，这是 AR 谱估计最容易犯的错误。

5.3 信噪比换算差 3dB：振幅公式的约定问题

现象：按自己理解的 SNR 公式生成信号，跑出来结果跟报告对不上，10dB 的谱图看起来像 7dB 的效果。 原因：A = sqrt(2 * 10^(SNR/10)) 是按单路正弦功率 A²/2 等于噪声功率的 10^(SNR/10) 来算的。如果信噪比定义是“总信号功率/噪声功率”，两路正弦叠加后总功率是单路的两倍，实际信噪比会高出 3dB 左右。 解决：先用上述公式生成信号，再用10*log10(sum(x.^2)/sum(noise.^2))验证一下实际信噪比，心里有个底。报告里的图是以单路信号功率为基准的，复现时别对标错数值。

5.4 对比实验参数不统一：结论就不是方法的差异

现象：对比四种方法时，有的用 256 点，有的用 512 点，或者有的加窗有的不加窗，最后得出“方法 A 比方法 B 好”的结论，换个人复现就对不上。 原因：谱估计方法对数据长度、窗函数、FFT 点数都很敏感，控制变量没做好，差异是参数带来的，不是方法带来的。 解决：对比实验固定 N、fs、nfft、信噪比，只改方法这一根变量。报告里四种方法对比时统一用 256 点、100 阶、20dB，这个原则要继承。

5.5 频率轴对不上：Fs 和 nfft 的坑

现象：画出来的功率谱峰值不在 100Hz 和 120Hz，而是偏了几个频点。 原因：pyulear的参数里写的是 FFT 点数 nfft，不是采样率。如果 nfft 设得比 N 小，频谱的频率分辨率会变粗；如果 Fs 设置错误，频率轴整体偏移。AR 谱的分辨率主要由阶次决定，nfft 只影响谱线的插值密度，但频率轴标定错了，峰位置照样错。 解决：固定 fs 和 nfft，nfft 不要小于数据点数，一般取 256 或 512 足够。检查代码里传给绘图函数的频率向量是否与谱估计函数用的 nfft、fs 一致。

6. 验证一套结果靠不靠谱：三个自检习惯

拿到谱估计结果后，先别急着写结论。我习惯做三件事验证。第一，用已知信号标定：把信号的频率、振幅、信噪比都设成已知值，跑完谱估计后检查峰值位置和理论值是否吻合，误差应在一个频率分辨单元内，也就是 fs/nfft 以内。第二，跑蒙特卡洛：同样的参数生成 20 次独立噪声，分别做谱估计，统计 100Hz 峰值位置的均值和方法，看方差是否稳定。第三，用 FPE 或 AIC 准则选阶：

% 用 FPE 准则辅助选择 AR 阶次 % FPE = E * (N+p)/(N-p)，E 是预测误差功率 fpe_min = inf; best_p = 0; for p_cand = 20:2:128 [a_cand, E_cand] = arcov(x, p_cand); fpe = E_cand * (N + p_cand) / (N - p_cand); if fpe < fpe_min fpe_min = fpe; best_p = p_cand; end end

arcov是协方差法的 AR 系数估计函数，这里只借用它算预测误差功率，实际选完阶次再用pburg或pyulear出谱图。FPE 选出来的阶次可能跟经验法则的 N/3 到 N/2 有出入，但两者交叉验证后选的阶次通常靠得住。从那以后我每次做 AR 谱估计，都强制走一遍“标定 + 蒙特卡洛 + FPE 选阶”的流程，宁可多花几分钟，也不在报告里留下一张解释不了的谱图。希望帮到你。

本文还有配套的精品资源，点击获取