随机信号分析-估计理论幻灯片.ppt

8.6 最小二乘估计 最小二乘估计的性质 (1) 无偏性 当测量噪声的均值为零时，即E(vi)=0时， (2) 估计的方差阵 (3) 对于加权最小二乘估计，如果有一些模型的知识，如E(v)=0，E[vvT]=R，当W=R-1时，估计误差的方差阵达到最小，这个最小的方差阵为 信号处理实例 目标的跟踪问题可等效看成为一个曲线拟合问题，对于匀速直线运动目标的跟踪可以等效成一阶多项式拟合一个噪声测量的问题，而对于匀加速运动目标的跟踪可以等效成二阶多项式拟合一个噪声测量的问题。 首先考虑匀速直线运动目标的跟踪问题，匀速直线运动目标模型(只考虑x方向) 2．实验内容 （1） 匀速运动目标 假定有一个两座标雷达对一平面上运动的目标进行观测，目标在t=0?400s沿y轴作恒速直线运动，运动速度为-15m/s，目标的起始点为(2000m,10000m)，雷达扫描周期t=2s，x和y独立地进行观测，观测噪声的标准差均为100m。试建立雷达对目标的跟踪算法，并进行仿真分析，画出目标的真实轨迹、对目标的观测轨迹、滤波轨迹以及滤波的误差曲线。 实验:参数估计方法在目标跟踪中的应用 1．实验目的 针对一个匀速直线运动目标的跟踪设计最小二乘滤波器，了解跟踪滤波的基本方法，以及参数估计方法的应用。 （2）匀速+匀加速运动目标 假定有一个两座标雷达对一平面上运动的目标进行观测，目标在t=0?400s沿y轴作恒速直线运动，运动速度为-15m/s，目标的起始点为(2000m,10000m)，在t=400?600s向x轴方向做900的慢转弯，加速度为ux=uy=0.075m/s，完成慢转弯后加速度将降为零，加速度降至零后目标保持匀速直线运动至t=1000s。雷达扫描周期T=2s，x和y独立地进行观测，观测噪声的标准差均为100m。试建立雷达对目标的跟踪算法，并进行仿真分析，画出目标的真实轨迹、对目标的观测轨迹、滤波轨迹以及滤波的误差曲线。 7.7 波形估计 一、一般概念 波形估计有三种类型 ： (1)滤波： 根据当前和过去的观测值 {z(k),k= n0, n0+1,...,n}对信号s(n)进行估计 (2)预测: 根据当前和过去的观测值{z(k),k= n0, n0+1,...,nf}对未来时刻n(nnf)的信号s(n)进行估计，预测也称为外推。 (3)内插: 根据某一区间的观测数据{z(k),k= n0,n0+1,...,nf}对区间内的某一个时刻n(n0nnf)的信号进行估计，内插也称为平滑。 Wiener-holf方程 维纳滤波器 假定信号和观测过程是平稳随机序列，并且是联合平稳随机序列，系统为因果的线性时不变离散时间线性系统，n0= -?，即观测数据为{z(k),-?k?n}， 当信号s(n)与观测噪声统计独立时 当观测为白噪声的时候， h(n)=Rsz(n) ， n?0 如果z(n)不是白噪声，那么可以先将z(n)白化，变成白噪声， z(n) w(n) Hw(z) H2(z) 维纳滤波器 令 8.3 最大似然估计（Maximum Likelihood Estimate) z=?+v ?为待估计量，v为零均值高斯白噪声，方差为?2 ? f(z|?) 叫做最大似然估计 Maximum Likelihood Estimate The estimate can be interpreted as that the value of which most probably gave rise to observed quantity z lnf(z|?) --对数似然函数 最大似然方程 例 高斯白噪声中DC电平的估计 zi=A+vi i=1,2,....,N 观测是相互独立的 z=[z1,z2,.....,zN]T 令上式等于零，可解得 由于 所以求得的A0为极大值 即最大似然估计为： 例:设有N次独立观测zi=vi ，i=1,2,….N，其中v~N(0,?2)，求噪声方差?2的最大似然估计。 例: 高斯白噪声中的恒定电平估计--A已知而方差未知。 设有N次独立观测zi=A+vi ，i=1,2,….N，其中vi~N(0,?2)，?2为未知参数，求?2的最大似然估计。 例: 高斯白噪声中的恒定电平估计-未知参数与未知方差。 设有N次独立观测zi=A+vi ，i=1,2,….N，其中vi~N(0,?2)，?2、A均为未知参数，求A和?2的最大似然估计。(多参数同时估计) 8.4 估计的性能 1 估计的性能指标 无偏性 ?为确定性参量（非随机参量） ?为随机参量 当观测是多次测量时，这时估计量