第五讲滤波与推估.ppt

1）协方差函数定义: 协方差函数的估值： 为了消除误差干扰，研究数据变化规律，需对原始数据进行修匀或圆滑处理。 2）协方差函数的估计 1）对于能够得到大量实现的平稳随机函数，可以利用这些实现按协方差函数公式计算相应协方差函数值； 2）对于只能得到一个实现（一组观测数据）的平稳随机过程（具有各态历经性），则： 利用协方差函数的估值公式计算出相应协方差函数估值； 为合理确定协方差函数的表达式，需选择适当的函数式，应用最小二乘拟合法来确定。 常用拟合函数有常数、线性函数、指数函数、高斯曲线函数、多项式函数等。 可见： 协方差函数式是一个表达方差-协方差与某个量的依赖关系的。 下面，通过一个实例来说明确定平稳随机函数的协方差函数统计计算方法。 例：为求某断面方向上温度变化的协方差函数，沿该方向分别在A、1、2、3、4个点上进行了大量的温度观测，观测及各点的距离列于表，现假定温度变化是个平稳随机过程，即对于任何选定的时间，所有的观测有共同的期望。求协方差函数D（s）。(P48) 1 2 3 4 1 16.4 15.9 16.3 15.8 15.4 2 16.3 16.1 16.2 15.9 15.5 3 16.8 16.4 15.9 16.3 16.3 4 16.6 16.2 16.3 16.2 16.3 5 16.8 16.7 16.1 16.2 16.3 6 16.6 16.5 16.4 16.2 16.3 …… 18 16.1 15.9 16.0 16.1 16.5 序号 A 温度 测站 1）根据观测结果，可求得各个点的子样平均值、子样方差、各点间的协方差公式分别为： 2）计算子样(温度）方差、协方差，即为： 3）建立 坐标系，展点，见下图： 除五个点在d=0处，其余均按对应得距离展出。 为消除误差干扰,研究数据变化规律,按最小二乘对此协方差拟合距离多项式，令： 一般，多项式阶次数越低，抑制干扰的能力越强，但突出数据局部变化规律越差。 4）作最小二乘回归拟合 未知参数为 观测方程 系数阵B为 最小二乘解 协方差函数的最后形式为： 5）则，可按距离求的A至4点温度变化的协方差阵为： 一般来讲, 协方差函数拟合由以下几个步骤组 成: (1) 计算观测值中数及各观测值与中数的偏离 值, 这一步也称“观测值的中心化”。 (2) 利用偏离值, 根据统计学公式计算观测值的 初始方差- 协方差。 (3) 利用最小二乘法求解所选协方差函数的待 定参数。（曲线拟合) 协方差函数的模型可由实际问题选择确定，除用多项式外，还可选用指数形式等。 如高斯曲线函数： 希尔沃年公式： 例：同上例，已知AB距离为23米，测得A、1、2、3、4五个测站上大气温度为： 试推估B点大气温度。 推估公式： 即为： （观测值即为参数） 平稳随机过程性质，数学期望是常数： 按前拟合的协方差函数式，代入相应距离，可求得： 代入推估公式，即可求出B点温度推估值。 计算： 本节内容: 1)利用含有误差的观测值,对随机参数—信号 (信号:包括已测点信号,未测点信号)求最佳估值的方法------滤波与推估; （广义最小二乘应用） 2)随机函数的概念; 3)协方差函数式的最小二乘拟合估计方法。 (“滤波”的本来含义是从接收的电磁波信号中，排除各种噪声的干扰。对一般的数据处理问题，是指通过对一系列带有误差的实际观测数据的处理，得出所需要的参数的最佳估值的方法).本节是求：信号的估值的！ 因需考虑参数的随机性，故D△不等于DL！ 公式特点是：将包含有X项换为X`项，但DL项是不变的！即和求参数的一样！ 当未知参数X是正态随机向量时，将X的先验期望当作与L相互独立的虚拟观测值，将X看作非随机参数，按广义最小二乘原理求参数估值！ 随机函数，它是某个因素T的函数，且能在实验的结果中取某种确定的但预先未知的形式。 所求协方差函数不能表达为时刻ｔ的函数。 滤波与推估 解决问题： 1、模型中的参数X具有先验信息，求X的最佳估计－滤波； 2、另有非模型中的参数X’与模型中参数有相关关系，求X’估值－推估。 滤波对观测方程系数B是否是满秩，不做要求！ 例1：设已知 观测方程为 求X的估值 及其误差方差 。 （以上就是一个求已测点信号，即“滤波”的问题。） 例2：例1中，若还已知 求： 的估值 以及误差方差 。 （以上就是一个求未测点信号即“推估”的问题） 例3：下图，设A、B两点间距离SAB=23.00公里，沿AB连线在A、1、2、