Non-iterative Subspace-based Method for Estimating AR Model Parameters in the Presence of White Noise with Unknown Variance

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

73 Lataukset (Pure)

Abstrakti

We consider the problem of estimating the parameters of autoregressive (AR) processes in the presence of white observation noise with unknown variance, which appears in many signal processing applications such as spectral estimation, and speech processing. A new non-iterative subspace-based method named extended subspace (ESS) method is developed. The basic idea of the ESS is to estimate the variance of the observation noise via solving a generalized eigenvalue problem, and then estimate the AR parameters using the estimated variance. The major advantages of the ESS method include excellent reliability and robustness against high-level noise, and also estimating the AR parameters in a non-iterative manner. Simulation results help to evaluate the performance of the ESS method, and demonstrate its robustness.

AlkuperäiskieliEnglanti
OtsikkoAsilomar Conference on Signals, Systems, and Computers proceedings
ToimittajatMichael B. Matthews
Sivut1299-1303
Sivumäärä5
ISBN (elektroninen)9781728143002
DOI - pysyväislinkit
TilaJulkaistu - marraskuuta 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaAsilomar Conference on Signals, Systems & Computers - Pacific Grove, Yhdysvallat
Kesto: 3 marraskuuta 20196 marraskuuta 2019

Julkaisusarja

NimiAsilomar Conference on Signals, Systems, and Computers proceedings
ISSN (elektroninen)1058-6393

Conference

ConferenceAsilomar Conference on Signals, Systems & Computers
LyhennettäACSSC
Maa/AlueYhdysvallat
KaupunkiPacific Grove
Ajanjakso03/11/201906/11/2019

Sormenjälki

Sukella tutkimusaiheisiin 'Non-iterative Subspace-based Method for Estimating AR Model Parameters in the Presence of White Noise with Unknown Variance'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä