13_高阶与分数低阶统计量信号处理.pptx

大连理工大学硕士研究生校管课程信号处理与数据分析Part V现代信号处理简介电子信息与电气工程学部邱天爽2015年12月大连理工大学大连理工大学大连理工大学硕士研究生校管课程信号分析与数据处理第13章高阶与分数低阶统计量信号处理电子信息与电气工程学部邱天爽2015年12月大连理工大学 内容概要§13.1 概述§13.2 高阶矩与高阶累积量§13.3 高阶谱与高阶谱估计§13.4 Alpha稳定分布与分数低阶统计量§13.5 非高斯信号处理应用§13.1 概述1. 高斯分布与非高斯分布传统信号处理中，通常假定随机信号与噪声服从高斯分布：服从中心极限定理（大量随机变量之和趋于高斯分布）；便于计算分析。但是实际应用中，大部分随机信号是非高斯分布的；若采用高斯分布来描述，会使所设计的信号处理系统退化。大连理工大学非高斯信号分析与处理成为信号处理领域的热点研究问题科学技术的发展提出了这种需要；数学、信号处理和计算机技术的发展，提供了这种可能。大连理工大学2. 矩与统计量的概念根据上图，二阶矩以上的统计矩称为高阶矩或高阶统计量，其范围为 ，一般取整数阶。二阶矩以下的统计矩称为分数低阶矩，或分数低阶统计量，其范围为（0,2），可以取这个范围内的任何值。大连理工大学大连理工大学二阶矩与二阶统计量主要包括相关与功率谱等概念方法；在最优信号处理方面，基于二阶矩的最小均方误差准则，往往是重要的选择；设表示具有零均值的广义平稳离散随机信号。在不引起混乱的情况下，以x(n)来表示同样的离散随机信号。x(n)的二阶统计矩（自相关序列）定义为二阶矩与二阶统计量（续） 与其傅里叶变换即功率谱密度函数一起构成基于二阶或二阶统计量的统计信号建模、分析和处理的基础。在过去的半个世纪中，自相关函数和功率谱密度函数为信号处理提供了许多重要的概念和结构，例如随机信号的频域表示，自适应滤波和线性预测理论等。大连理工大学高阶矩与高阶统计量在非高斯信号处理中，一些信号的二阶统计量无法描述信号的特征，需要采用高阶统计量。例如三阶和四阶统计量：大连理工大学大连理工大学信号的双谱和三谱信号的双谱和三谱分别是信号的三阶累积量和四阶累积量的二维和三维傅里叶变换：大连理工大学Alpha稳定分布是广义的高斯分布;是唯一的一类构成独立同分布（i.i.d.）随机变量之和的极限分布；不存在二阶和高阶统计量；因此常规的基于二阶统计量的信号处理算法退化；常用分数低阶统计量的方法进行信号处理。分数低阶统计量统计矩从0阶一直延伸至无穷，最常用的是一阶和二阶统计量；（0,2）阶的统计量称为分数低阶统计量；有多种分数低阶统计量，例如共变、分数阶相关、分数阶协方差等；分数低阶统计量适合于Alpha稳定分布信号处理。大连理工大学§13.2 高阶矩与高阶累积量1. 高阶矩的定义令 是k个连续的随机变量，则这k个变量的 k 阶矩表示为 特别地，令 则上式变成单变量x(t)的k阶矩,即： 大连理工大学2. 高阶累积量的定义随机信号 的 阶累积量表示为：说明：上式是定义式，一般不用于计算。大连理工大学大连理工大学3. 高斯信号的高阶矩和高阶累积量设 是高斯随机变量，均值为0，方差为 ，其概率密度函数表达式为则第一特征函数为随机变量x的各阶原点矩可表示为对第一特征函数求各阶导，并且将 带入所得的各阶导数表达式，得高斯随机变量的高阶矩计算结果，即根据 各阶导数的规律，高斯随机变量的任意高阶矩可表示为大连理工大学大连理工大学高斯随机变量的第二特征函数是第一特征函数的自然对数高斯变量的各阶累积量，即综上所述，任意高斯随机过程的二阶矩和二阶累积量相等，均等于其方差；奇数阶矩恒为0，偶数阶矩不为0；3阶及以上各阶累积量恒为0。由此看出，高阶累积量对于高斯随机过程是“盲的”，即高阶累积量适用于处理非高斯信号。4. 非高斯信号非高斯信号的定义概率密度函数为非高斯函数的信号称为非高斯信号；非高斯信号一定存在某个高阶累积量不为0。斜度(skewness)的概念实信号 的斜度定义为： 斜度是衡量一个随机信号偏离对称分布的歪斜程度。大连理工大学峰度（kurtosis）的概念实信号 的峰度定义为：归零化峰度（左）和归一化峰度 （右）归零化峰度0归零化峰度0归零化峰度=0大连理工大学矩和累积量的关系高阶矩和高阶累积量可以互相转换：（1）用高阶矩表示高阶累积量：（2）用高阶累积量表示高阶矩：式中： 和 分别表示符号集 的矩和累计量。大连理工大学矩和累积量的性质设 和