生物医学信号处理--信号的参数估计.ppt

* 例4、 估计性质分析。取M次独立观察，对非随机未知量s=A进行估计，已知 各ni为正态分布N(0, )。求极大似然估计 ，并分析估计是否为有效估计，估计方差有多大？ * 所以，为无偏估计。 所以，为有效估计。估计的方差应等于克拉美-劳下限，即： * 3、线性估计 ★ 前提：必需满足估计算法是观察值的线性函数。 * 引 例 在贝叶斯估计中，平均代价公式采用误差平方作为代价函数，即 成为 现取单次观察x做估计，并限定估计算法为线性函数，即： 于是有： 估计任务就是：选a、b使得 最小。 * 上式分别对a、b求导并令导数等于0，得： 解方程，得： 如果待估计量均值为0，即E(s)=0，观察值的均值也为0，即E(x)=0，则有 * 线性均方估计 * * * x的自相关矩阵 待定系数矩阵 s、x的互相关矩阵 * * ※ 采用均方判据，导出线性方程组，求解简便。算法所需先验知识为：观察x的自相关函数、信号与观察值之间互相关函数； ※ 估计误差e和所有观察值xi正交，这是LMS估计的重要特性； ※ LMS的最小均方误差为： 正交条件下，估计的均方误差是估计误差和信号乘积的均值。 * * 例5、 LMS估计。取M次独立观察，xj=s+nj, j=1~N。 噪声为白色，即E(ninj)= ，E(nj)=0，s为信号， E(s)=0,E(s2)= 信号和噪声相互独立，则 按照线性估计算法 进行LMS估计。 也就是求各系数hj和估计值 。 * 代入 * 解得： ★ 最小均方误差？ 因此： * 观察值：xj=s+nj, j=1,2,…… 如果先验统计信息： 用递归线性最小均方估计算法由上一次估计和本次观察值做出本次估计 估计判据为使均方误差最小： 递归线性最小均方估计 系数b1的确定：令 ，E(s)=0，则 由正交原理 可证明以下关系式： * ① 推导ak+1和bk+1之间的关系。 两边取均值有： LMS为无偏估计 * ② 推导 * 由于： 即： 相应地有： 同时： （1） （2） （3） * 将(1)和(2)代入(3)得到： 即： * 递归线性最小均方估计算法流程 当k很大时， 递归过程最终收敛。 * ★ 递归过程的收敛性。 最终bk→0，于是 因此算法收敛。 * 最小二乘估计 ★ 没有任何先验知识的问题需用最小二乘法进行估计。 * 最小二乘法的估计准则就是选s的估计值 ，使得各次测量的误差平方和最小，即： 测 线性测量方法得到的理论值， 由测量方法决定的系数； 各次测量的误差 上式对s求导，得到： 也就是： * 以上结论可推广到待估计量s为多维矢量的情况。 LS为m维待估矢量，C为n×m维已知系数矩阵，X为n维观察矢量。 即： X=CS+V, * 令 ，得 * ※ 最小二乘估计是观察值X的线性函数，采用的估计准则是平方误差最小； ※ 在误差均值为0的假设下，最小二乘估计是无偏估计； ※ 可以证明，估计误差矢量与系数矩阵中各列矢量内积为0，即估计误差与各系数列矢量正交。 * 作 业 1、 观察x(n)=A+ v(n) ，A是常数， v(n) 是高斯白噪声，均值为0，方差为 ，根据x(1),x(2),…,x(N)得到A的估计值 ，求估计方程的Cramer-Rao下界。 2、观察样本为yi=s+wi，i=1,2,…,N。wi是零均值的高斯白噪声，且具有单位方差。已知信号s的概率密度函数为： 求 * 3、对一未知的实随机向量x，求其线性均方估计 。 若x服从均匀分布，其概率分布为 在无其他信息的情况下，求x的线性均方估计值。 医学信号处理：参数估计 * 信号的参数估计 提出问题：信号估计（Estimations）——从受噪声干扰的观测信号中估计信号参量和波形的问题，即参数估计问题。 参量估计的目的：在有限个信号观测样值中，以最佳方式估计信号的参数。 参数估计－被估计的量是随机变量（静态估计） 波形估计－被估计的量是随机过程（动态估计） * §1、概述 数理统计中由随机信号的一组样本估计信号的统计特征，如均值、方差、均方、相关函数、功率谱等，是一种简单而常见的参数估计。 在数理统计中，均值、均方和方差的估计是按照定义，用有限个样本采用直接估计法来估计。 这里的参数估计问题应为：从含有噪声的观察中估计信号的参数。 * 数学描述： 设观察x=x1,x2,...,xN为随机变量