第二章高斯噪声背景下谐波恢复数学模型.docVIP

第二章 高斯噪声背景下谐波恢复数学模型 2.1 高斯过程 高斯过程又称正态随机过程,它是一种普遍存在和重要的随机过程.所谓高斯过程,即指它的任意n维概率密度函数由下式表示的过程,即 式中 |B|---归一化协方差矩阵的行列式,即 ---行列式|B|中元素的代数余因子; ---归一化协方差函数: 由上式可以看出,正态随机过程的n维分布仅由各随机变量的数学期望,方差和协方差决定. 一维高斯正态分布的概率密度函数可写为: 式中,及是两个常量(均值和方差). 高斯噪声一般分为白噪声和有色噪声。 功率谱密度在整个频域内都是均匀分布的噪声，被称之为白噪声，即 白噪声的自相关函数为 显见，白噪声的自相关函数仅在时才不为零；这说明，白噪声只有在零点才相关，而它在任意两个时刻上的随机变量都是不相关的。 有色噪声与白噪声不同，它的功率谱在整个频段上不是均匀分布的。 2．2 谐波恢复的数学模型 高斯噪声背景下的谐波恢复，主要是利用特征子空间分析的方法，对观测值进行处理从而估计出原始信号的频率等参量特征，即完成了在噪声背景下对信号的恢复。 我们首先对特征子空间进行分析。从几何意义上说 协方差几何空间=信号子空间+噪声子空间 我们所要做的就是从大的空间抽取低秩子空间，对信号进行分解处理。下面将要介绍的Pisarenko,MUSIC,Prony,ESPRIT等方法其核心思想都是由此而来的。设观测信号模型： y(n)=x(n)+w(n) 其中，为信号幅度 为谐波信号频率 为相位在均匀分布的参量 p为谐波个数 w(n)为零均值方差为的高斯白噪声 构造协方差矩阵 设R=S+W ：S表示信号协方差矩阵，W表示噪声协方差矩阵。 其中： 下面我们对协方差矩阵R进行分析： R=S+W 首先我们来说明R为什么等于S+W. y(n)的自相关函数 对应矩阵各项可知R=S+W. 现在对矩阵R进行分析： (1)设分别是矩阵S的特征值和特征向量，则 i=1~M 讨论：因为Mp，信号阵的秩必为p。所以S阵有p个非零特征值（i=1~p）,M-p个零特征值（i=p+1~M）。 (2)W=I 由于 所以 讨论：（1）R阵与S阵具有相同的特征向量，且 （2） 是信号特征对 是噪声特征对 分别记： 由信号向量张成的子空间叫做信号子空间，而有噪声向量张成的子空间叫做噪声子空间。 （3）矩阵R的特征值 由以上结论我们可以看出，信号向量和噪声子空间中的所有向量（包括它们的线性组合）是正交的。即 由于此结论十分重要我们在此进行证明。 展开上式即有 证毕； 利用信号向量和噪声空间的正交性进行信号恢复的方法称之为噪声子空间方法。 第三章 算法概述与分析 定义观测信号的空间协方差矩阵为 R=E[y(n)yH(n)] (3.1) 设噪声方差为，由假设得 R=E{[As(n)+w(n)][As(n)+w(n)]H} =E{[ As(n)+w(n)][[ As(n)] H + w H (n)]} =E{[ As(n)+w(n)][ s H (n) A H+ w H (n)]} =E[ As(n) s H (n) A H + w(n) s H (n) A H + As(n) w H (n)+ w(n) w H (n)] =E[As(n) s H (n) A H]+E[w(n) s H (n) A H]+ E[As(n) w H (n)] +E[w(n) w H (n)] =ASA H+IM (3.2) 其中，S=E[s(n) s H (n)]，IM为单位阵。 注意到(3.1)式表达的是观测信号的“统计平均”。我们认为通信中的随机过程是平稳随机过程，而平稳随机过程具有各态历经性，所以在这里，我们可以用观测信号的“时间平均”来代替“统计平均”，即 R中各元素的估计为： 故可得R的估计为 (3.3)