东南大学统计信号处理实验二.docVIP

《统计信号处理》实验二 实验目的： 掌握参数估计方法； 掌握用计算机分析数据的方法。 实验内容： 假设一个运动目标，在外力作用下作一维匀加速运动。其运动轨迹满足的方程为：。其中为目标的加速度，为t=0时目标运动的速度（初速度），为目标在t=0时的初始位置。对目标位置的观测结果为： 其中为观测到的目标位置，，为白色观测噪声。假设在t=0,1,2,…,99s时刻分别取得了100个观测结果x(0),x(1),…,x(99)。 分别用最大似然，最小二乘方法，根据观测结果求出，和； 用Monte_Carlo法，计算出上面两种方法求出的参数的偏差和方差； 利用估计出的参数，得到目标位置的时间参数的估计，并用Monte_Carlo法计算在t=0,1,2,…,99s等各个时间点上对目标位置估计的方差和偏差； 将噪声的分布改为在（-1，+1）区间分布，应用上面推导出的最大似然，最小二乘公式对参数进行估计，并计算估计的偏差和方差。 实验要求： 1)设计仿真计算的Matlab程序，给出软件清单； 2)完成实验报告，对实验结果进行描述，并给出实验结果，对实验数据进行分析。 实验结果如下： 最小二乘法： -----------------------------最大似然估计方法---------------------- 实验结果分析： 可以发现对于估测结果a最好，估测结果v次之，估测结果s0最差。从信号变化的角度，或许可以这样理解：随着时间变化，信号发生变化。其中，提供的加速度的信息最多，其次是初始速度，提供的初始位移信息量最少。最大似然估计和最小二乘法相比之下，最大似然估计结果较好一些，但相差很小，基本符合实际值。 （2）利用Monte_Carlo法，计算出上面两种方法求出的参数的偏差和方差 实验结果如下： 实验结果分析： 实际测得两种估计方法，得到的结果基本上是无偏的。同等观测条件下，两种方法的性能是一致的。 （3）利用估计出的参数，得到目标位置的时间参数的估计，并用Monte_Carlo法计算在t=0,1,2,…,99s等各个时间点上对目标位置估计的方差和偏差； 实验结果如下： 实验结果分析： 从图中可以看出，两种方法下的估计结果偏差很小，方差也不大，估计的效果很不错。 （4）将噪声的分布改为在（-1，+1）区间分布 w=2*delta*rand(1,100)-delta; 当噪声为均匀分布时，最小二乘公式不需要改变，但是最大似然估计的方法要进行变化： 对于均匀分布的情况，联合密度函数为二值函数，计算最大似然比较困难，近似用正态分布结果进行近似。 实验结果分析： 实际测得，这种情况下，两种估计方法，得到的结果也基本上是无偏的。同等观测条件下，两种方法的性能趋于一致。 软件清单： Estimate_show.m s0=0; v0=0.1; a=0.01; N=100; %1 figure(1) [ml ls]=estimation(s0,v0,a,N); subplot(1,2,1) bar(mean(ml)); set(gca,XTickLabel,{s0;v0;a}); title({最大似然估计值}); subplot(1,2,2) bar(mean(ls)); set(gca,XTickLabel,{s0;v0;a}); title({最小二乘法估计值}); %2 [ml ls bias_every_ml bias_every_ls variance_every_ml variance_every_ls]=estimation(s0,v0,a,N); ml=ml; ls=ls; bias_ml=sum(ml)./N-[0,0.1,0.01]; variance_ml = var(ml); bias_ls=sum(ls)./N-[0,0.1,0.01]; variance_ls = var(ls); figure(2); subplot(2,3,1) bar([bias_ml(1,1) bias_ls(1,1)]); set(gca,XTickLabel,{最大似然;最小二乘法}); title({s0 的偏差}); subplot(2,3,2) bar([bias_ml(1,2) bias_ls(1,2)]); set(gca,XTickLabel,{最大似然;最小二乘法}); title({v0 的偏差}); subplot(2,3,3) bar([bias_ml(1,3) bias_ls(1,3)]); set(gca,XTickLabel,{最大似然;最小二乘法}); title({a 的偏差}); subplot(2,3,4) bar([variance_ml(1,1) variance_ls(