我在網上找到了這個:
(1).周期圖法:思想:周期圖法是為了得到功率譜估計，先取信號序列的離散傅裏葉變換，然後取其幅頻特性的平方除以序列長度n..因為序列x(n)的離散傅立葉變換X(k)是周期性的，所以這個功率譜也是周期性的，通常稱為周期圖。周期圖是信號功率譜的有偏估計。此外，當信號序列的長度增加到無窮大時，估計的方差不趨於零。因此，隨著信號序列長度的不同，周期圖也不同，這就是所謂的隨機漲落。由於隨機波動大，用周期表不可能得到穩定的估計。
程序:
%首先，產生輸入信號的程序是:
清晰；fs = 20000n=0:1/ fs: 0。1;n =長度h(n)；W = 2000 * pi%因為方波頻率F=1000HZ，角頻率W = 2000 pi x 1n =平方(W * n)；%方波信號X2n=randn( 1，N)；%白噪聲信號xn=X1n+0。2 * X2n支線劇情(3，1，1)劇情(n，xn)；Xlabel(' n') ylabel('輸入信號')%其次，采用周期圖法進行估計；清除所有fs = 20000n = 0:1/fs:0.1；n =長度(n)；W = 2000 * pix 1n =平方(W * n)；x2n=randn(1，N)；xn = x 1n+0.2 * x2n；支線劇情(2，1，1)劇情(n，xn)；Nfft = 256N = 256%傅裏葉變換的采樣數為256pxx = ABS (FFT (xn，nfft)。2)/n；f=(0:長度(Pxx)-1)* fs/長度(Pxx)；Subplot (2，1，2)，plot (f，10 * log10 (pxx))，%轉換為DB單位。
(2)自相關函數法:思想:隨機信號x(n)的相關函數是描述時域隨機過程的重要特征。自相關函數是隨機信號在不同時間的值之間的相關性的度量，它是壹個非常有用的統計平均值。定義為自相關函數(1)，其中e代表數學期望，*代表* * *軛值，m代表時滯。在隨機信號處理中，自相關函數可以用來檢測淹沒在隨機噪聲幹擾中的信號，隨機信號的自功率譜等於其自相關函數的傅裏葉變換。因此，可以通過自相關估計來獲得信號的功率譜。用計算機計算自相關估計有兩種方法。壹種是直接法，先計算隨機信號與其延遲序列的乘積，然後取其平均值，得到相關函數的估計值。另壹種是間接法，通過快速變換算法計算隨機序列的功率譜密度，然後通過逆變換計算相關函數。
程序:n = 0:1/fs:1；n =長度(n)；W = 2000 * pix 1n =平方(W * n)；x2n=randn(1，N)；xn = x 1n+0.2 * x2n；圖(2)支線劇情(3，1，1)劇情(n，xn)；%輸入信號軸([00.01-55])m =-100:100[r，lag] = xcorr (XN，100，'有偏')%求XN的自相關函數r，有偏就是存在。%畫壹個離散圖，分布點範圍從-100到+100集合(hndl，' marker '，'.')set (hndl，'標記大小'，2)；Ylabel('自相關函數R(m)')%用間接法計算功率譜k = 0:1000；%取1000點w =(pi/500)* k；m = k/500；X=r*(exp(-li*pi/500)。^(m'*k))；%對於r傅裏葉變換，li為j magX = ABS(X)；支線劇情(3，1，3)劇情(M，10 * log 10(magX))；Xlabel(“改進的功率譜直接估計”)
(3)自協方差法:思想:在實際中，有時用隨機信號在兩個不同時刻的X(t 1)與X(t 2)的值之間的二階混合中心矩來描述隨機信號X(t)在任意兩個時刻波動的依賴程度，即自協方差。自相關函數和自相關函數描述的特性是壹樣的，所以它的原理和相關函數法類似。
全部清除；fs = 20000n = 0:1/fs:0.1；P = 2000 * piy =平方(P * n)；xn = y+0.2 * randn(size(n))；% Plot信號波形圖(3) Plot (2，1，1) Plot (n，xn)XLabel(' time(s)')ylabel(' amplitude ')Title(' y+randn(size(n))')ymax。ymin _ xn = min(xn)-0.2；Axis([0 0.3 ymin_xn ymax_xn])%用協方差法估計序列功率譜p = floor(length(xn)/3)+1；nfft = 1024；[xpsd，f]=pcov(xn，p，nfft，fs，' half ')；%繪制功率譜估計pmax = max(xpsd)；xpsd = xpsd/pmax；xpsd = 10 * log 10(xpsd+0.000001)；Subplot (2，1，2) plot (f，xpsd) title('基於協方差的功率譜估計')ylabel('功率譜估計(db)') xlabel('頻率')grid onymin = min(xpsd)-2；ymax = max(xpsd)+2；軸([0 fs/2 ymin ymax])
(4)最大熵法的思想:最大熵法在線搜索的原理是取壹組時間序列，使其自相關函數與壹組已知數據的自相關函數相同，同時使已知自相關函數以外的部分最隨機，取所選時間序列的譜作為已知數據的譜估計。相當於根據隨機過程熵最大化原理，利用n個已知自相關函數值外推其他未知自相關函數值得到的功率譜。最大熵功率譜估計是壹種可以獲得高分辨率的非線性譜估計方法，特別適用於短數據長度。未知數據(平穩隨機序列)的最大熵譜估計假設可以用周期圖法進行估計。這種估價方法隱含地假設未知數據是已知數據的周期性重復。現有的線性譜估計方法假設未知數據的自相關函數值為零，這帶來了很大的誤差。最大熵方法利用已知的自相關函數值外推未知的自相關函數值，去除了對未知數據的人為假設，使譜估計的結果更加合理。熵是信息論中對信息的壹種度量。壹個事件越不確定，它的信息量就越大，熵也就越大。對於上述問題，除了已知自相關函數值外，沒有關於隨機過程未知自相關函數值的先驗知識。所以在外推的時候，我們不想再加任何其他新的限制，哪怕是“最不確定”的。換句話說，就是最大化壹個隨機過程的熵。
程序:fs = 20000n = 0:1/fs:1；n =長度(n)；W = 2000 * pix 1n =平方(W * n)；x2n=randn(1，N)；xn = x 1n+0.2 * x2n；圖(5)支線劇情(3，1，1)劇情(n，xn)；asis([0 0.01-5 5])Nfft = 256；%段長256 [pxx，f] = pmem (xn，14，nfft，fs)；%調用最大熵函數pmem，篩選順序為14Subplot (2，1，2)，Plot (f，10 * log10 (pPX))，Title('最大熵方法，篩選14 ')。
(5)最大似然法:思想:最大似然法的原理是讓信號通過壹個濾波器，選擇濾波器的參數，使所關心頻率的正弦波信號能夠不失真地通過，同時使其他頻率的所有正弦波通過這個濾波器後輸出的均方值最小。在這種情況下，通過該濾波器後輸出的信號的均方值被用作其最大似然功率譜估計。可以證明，如果信號X由確定性信號S加上高斯白噪聲N組成，則上述濾波器的輸出是信號S的最大似然估計..如果n不是高斯噪聲，則上述濾波器的輸出是信號S的最小方差的線性無偏估計，它可以得到比使用固定窗函數的周期圖法更高的分辨率。
程序:fs = 20000n = 0:1/fs:1；n =長度(n)；W = 2000 * pix 1n =平方(W * n)；x2n=randn(1，N)；xn = x 1n+0.2 * x2n；圖(4)支線劇情(3，1，1)劇情(n，xn)；軸([0 0.01 -5 5])%估計自相關函數m =-500:500；[r，lag]=xcorr(xn，500，'有偏')；r =[r(501)r(502)r(503)r(504)；r(500)r(501)r(502)r(503)；r(499)r(500)r(501)r(502)；r(498)r(499)r(500)r(501)]；[V，D]= EIG(R)；V3=[V(1，3)，V(2，3)，V(3，3)，V(4，3)]。；V3=[V(1，4)，V(2，4)，V(3，4)，V(4，4)]；p = 0:3；WM =[0:0.002 * pi:2 * pi]；B=[(exp(-li))。^(wm'*p)]；%li是虛數單位j A = B；%最小方差功率譜估計z = A * inv(R)* A’；z = diag(z ')；pmv=1。/Z；支線劇情(2，1，2)劇情(wm/pi，PMV)；標題(“基於最大似然的功率譜估計”)ylabel(“功率譜幅度(db)”)xlabel(“角頻率w/pi”)
可以自己分著跑。