高阶统计量解说.ppt

* 高阶谱估计 研究的必要性 高阶统计量 高阶谱 高阶累积量和多谱的性质 三阶相关和双谱及其性质 基于高阶谱的相位谱估计 基于高阶谱的模型参数估计 多谱的应用 参考:《现代数字信号处理》(184-199；204-205) * 研究高阶谱的必要性 二阶统计量方法的基本限制 前面讨论的方法中，一般都假设： 信号模型中的系统H(z)是最小相位的。 激励信号u(n)是均值为零，方差为 的高斯白噪声。 测量信号v(n)是均值为零，方差为 的高斯白噪声； 且v(n)与信号x(n)统计无关，即v(n)不影响信号的谱形状 故有 * 研究高阶谱的必要性 二阶统计量方法存在的问题 在许多实际应用(如地震勘探、水声信号处理、远程通 信)中，往往不能满足上述假设；甚至系统是非线性的。 对于非高斯信号的模型参数，如仅仅考虑与自相关函数 匹配，就不可能充分获取隐含在数据中的信息。 若信号不仅是非高斯的，而且是非最小相位的，采用基 于自相关函数的估计方法所得到的模型参数，就不能反 映原信号的非最小相位特点。 当测量噪声较大，尤其当测量噪声有色时，基于自相关 函数的估计方法所得到的模型参数有较大的估计误差。 * 研究高阶谱的必要性 解决问题的方法 从观测数据中提取相位信息 信号分析必须具有抗有色噪声干扰的能力 因此，必须用高阶谱(高阶统计量)来分析信号 * 随机信号的高阶特征 不同ARMA过程具有相同形状的功率谱,即模型的多重性 两个具有零均值和相同方差的高斯白色噪声和指数分布 白色噪声显然是不同的随机过程,但它们的功率谱相同 用这样两个白色噪声激励同一个ARMA模型,产生的两个 ARMA过程显然是不同的随机过程,但它们的功率谱相同 两个灰度图相同的图像有可能是不同的图像。 以上事实说明:要准确地刻画随机信号, 仅使用相关函数(二阶统计量)是不够的, 还必须使用更高阶的统计量。三阶和更高阶的统计量统称高阶统计量。 相关函数： 刻画信号的粗糙像 高阶统计量：刻画信号的细节 * 高阶统计量 特征函数与高阶矩 特征函数：随机变量 x 的特征函数定义为 或 其中 f(x) 是随机变量 x 的概率密度函数。 高阶矩：对(1b)求k 阶导数，得 则随机变量x 的k 阶矩(即k 阶原点矩)定义为 由于k 阶矩由 生成，故特征函数 为随机变量x的矩生成函数(矩母函数)，又成为第一特征函数。 * 高阶统计量 累积量生成函数与高阶累积量(cumulant) 累积量生成函数 或 称为累积量生成函数(第二特征函数或累积量母函数)。 高阶累积量：随机变量x 的k 阶累积量定义为 即累积量生成函数的k 阶导数在原点的值。 * 高阶统计量 累积量生成函数与高阶累积量(cumulant) 高阶矩与高阶累积量的关系 关系:(注意：k 阶中心矩定义为 ) 结论: － 二、三阶累积量分别是二、三阶中心矩；均值为 零时, 就是二、三阶相关(矩) －四阶以上的累积量不等于相应的中心矩 * 高阶统计量 累积量的物理意义 高斯随机变量的高阶矩与累积量 高斯随机变量可用二阶矩完全描述。实际上,零均值高斯 随机变量的k 阶矩(或零均值的k 阶中心矩)为 高斯随机变量只有一阶和二阶累积量；其二阶以上的累 积量为零, 它不提供新的信息。即 可见，其高阶矩仍然取决于二阶矩 。 若任一随机变量与高斯随机变量有相同的二阶矩, 则累积 量就是它们高阶矩的差。故有如下累积量的物理意义。 * 高阶统计量 累积量的物理意义 ? 一阶累积量－数学期望:描述了概率分布的中心 ? 二阶累积量－方差： 描述了概率分布的离散程度 ? 三阶累积量－三阶矩： 描述了概率分布的不对称程度 累积量衡量任意随机变量偏离正态(高斯)分布的程度 物理意义 偏态与峰态 ? 将三阶矩除以均方差的三次方 ,得偏态系数或偏态： ? 将四阶累积量除以均方差的四次方 ,得峰态: * 高阶谱 功率谱的缺点： 由功率谱只能恢复 ,不可能恢复 基于自相关函数的辨识系统，无法辨识非最小相位系统 “模型的多重性” “自相关函数等价性” “功率谱等价性” * 高阶谱（续） 含义：高阶谱(Higher-order spectrum),又称多谱(polyspectrum), 是信号多个频率的能量谱。 定义：高阶谱定义为k阶累积量的k-1维DFT，即