第5章 高阶统计分析.pptVIP

第5章 高阶统计分析 清华大学自动化系 张贤达 功率谱估计，Weiner滤波器都是以信号的相关函数为工具。 相关函数的局限性 模型的多重性：考虑功率谱 由于 ,故 即不同ARMA过程的功率谱具有相同形状的功率谱。这一特性称为相关函数的多重性或模型的多重性。 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合称高阶统计量。 相关函数：刻画信号的粗糙像 高阶统计量：刻画信号的细节 选择双谱的优点: 只选择那些对分类作用最强的双谱作为特征向量。因此，这种方法可避免积分双谱方法共有的平凡双谱和交叉项等缺陷。 习 题 题5.1 题5.2 提示：使用积分公式 题5.8 或 5.9 题5.11 * * 5.1 高阶矩与高阶累积量 特别地，若 ，则称 函数f(x)的Fourier反变换。 函数g(x)的均值： 是随机变量x的特征函数。它实际上是概率密度 1. 单个随机变量x的高阶矩与高阶累积量 特征函数的k阶偏导数 K阶矩的定义： 用特征函数描述K阶原点矩：令 则 原点矩： 中心矩： 即 由于K阶矩由 生成，故称特征函数 为随机变量x的矩生成函数(矩母函数)，又称第一特征函数。 第二特征函数： k阶累积量 (cumulant)： 第二特征函数 累积量生成函数或累积量模母函数 k个随机变量r.v. (random variable) 第一联合特征函数 2. 多个随机变量的高阶矩与高阶累积量 第一联合特征函数的 阶偏导数 第二联合特征函数 k阶联合累积量： 当 时，有 k个随机变量r阶矩： 考查随机信号 ，令 随机信号x(t)的k阶矩： 随机信号x(t)的k阶累积量： 3. 随机信号的高阶矩与高阶累积量 随机信号的高阶矩与高阶累积量分别是多个随机变量的高阶矩与高阶累积量的推广 高斯随机变量 的矩与累积量 第一特征函数： K阶矩 第二特征函数： 由于 故有 结论：高斯随机变量的奇次阶矩恒为零，偶次阶矩仅决定于二阶矩，而二阶累积量与二阶矩等价，所有高阶累积量恒为零。 ？ 符号集 矩—累积量转换关系： 高阶矩的计算： 定义式： 估计式： 问题：如何估计 集合 的无序、非空、无交连分割 (唯一性) (1) 分割为1个子集合： (2) 分割为2个子集合： 矩—累积量转换公式： 若x(t)为零均值，则 (1) 分割为1个子集合： 矩—累积量转换公式： (2) 分割为2个子集合： (3) 分割为3个子集合： 特别地，若 具有零均值，则 类似地，对于零均值的随机过程或信号，有 四阶累积量的估计： 以上讨论的是“实信号”,复信号的高阶矩与高阶累积量的定义不同，详见后叙。 三阶累积量的估计： 二阶累积量的估计： 累积量的估计公式： 注释： 5.2 矩与累积量的性质 性质1: 性质2: 矩和累积量相对于变元是对称的，即 是 的排列 例： 仅需知道阴影部分的值，便可知道整个平面 性质3: 可加性 例. 观测数据 ， 与 独立， 性质4: 若 与 独立，则 与 独立，则 高斯噪