随机最优估计讲义.pptVIP

随 机 最 优 估 计 摆玉龙 主要内容 引言 随机最优估计的应用 随机过程基本知识 基本的估计方法 结论 引言 当我们在考察相同一段时间T内电网电压等类似一系列系统的波动情况时，虽然知道许多（标准电压为220V）确定的参数，但实际会受到各种外、内在因素的干扰，使得参数在一定范围内波动（标准电压在220V上下波动）。如何根据夹杂着干扰的量测信号把系统的参数及状态估计出来，以便实现某种最优的控制或极点的配置，这里我们将要涉及到的就是随机最优估计问题。 随机最优估计涉及的面很广，无论是在通信，导航，数据处理或过程控制，模型识别中都要遇到随机最优估计的问题。 ①在通信方面 通信系统的方块图如图所示： 随机最优估计的应用 发射器将有用信号发射出去，在发射信号中，不仅包含有用信号，而且 还包含在发射过程中产生的误差，它 还会受到周围环境噪声的干扰。接收信号就是在有用信号基础上叠加了许多干扰噪声的混合信号。接收机的任务就是从收到的混合信号中把有用信号提取出来，或者估计出有用信号。 ②导航问题 就是从夹杂着噪声干扰的对运动体的距离，角度及其变化率的量测数据中估计出运动体在几何坐标系内的位置及其速度，以便根据需要发出指令将它引导到指定位置上。 ③数据处理 例如一个空间飞行体在发射，进入轨道运动过程中在地面获得了很多遥测数据，试验完成后就要对这些数据进行处理，估计出飞行体的真实飞行路径制导系统的误差参数以及进入轨道的精度等。因此验后数据处理也是一个估计问题。 ④过程控制 一个过程或系统，为提高运动效率，提高输出产品的质量，常需要进行控制。首先要对运动过程中的测量数据进行处理，以得到关于过程或系统的最佳估计值，再将它输送给具有一定算法的控制器，控制器就输出一个控制作用，使系统有效地抵消干扰，达到预期的运行效果。 ⑤模式识别 模式识别问题是根据系统的输入输出观测值去估计系统模型中的未知参数和阶数，以便使得该数学模型最好的拟合系统的输入输出数据，揭示系统的内部特征。 ·随机变量 定义：若一个变量在大量的实验中取得某些值的可能性呈现出一定的规律性，这样的变量称为随机变量。 随机过程基本知识 x的方差为： x的期望值为： ，其中f(x)为随机变量x的概率密度。 ·随机过程 定义：随机变量 随参数 而变化的总体 为随机过程。 的期望函数 在式中 为随机过程的一维概率密度函数。 是一个非随机的时间函数，该过程的一切可能实现都围绕它摆动。 的协方差(当 时，就是随机过程的方差 ) 基本的估计方法 状态估计 最小方差估计 极大验后估计 极大似然估计 线性最小方差估计 最小二乘估计 Kalman滤波 估计方法 参数估计 ·最小方差估计 X 为待估计的n 维随机向量，Z 为m 维的随机向量观测值。 已知条件 p ( x ) p( z ) P (x,z) 用Z 的某个函数g(Z )作为X 的估计，这个估计要使估计误差的均方误差为最小，即： 使均方误差取最小值的X的估计值g(z)应是给定z时X的条件均值，称其为最小方差估计为： 最小误差方差为： 最小方差估计的性质： ②最小方差估计的估计误差方差最小 ③当X和Z的联合分布为正态分布时 ①无偏估计 ·极大验后估计 做过一定的实验以后来进行估计，叫做验后估计。 已知条件 p(x|z) p(x,z) p(z|x), p1(x) X p(x|z) 0 估计准则为能够使得p(x|z)取极大值的 做为估计值。 由于p(x|z)0，所以p(x|z)取极大值的点与lnp(x|z)取极大值的点一样。 用上式来确定具体的估计值，上述方程称为验后方程。 ·极大似然估计 若对x的验前统计知识毫无了解，假定p1(x)=a小常数。 验后方程式变为： 此种估计称为极大似然估计。 p(z|x) z 由此可知，极大似然估计比极大验后估计差，因为它掌握的信息较少。 待估计量X与噪声v混在一起，X与v独立且为高斯分布，即 已知量测Z是X和v的线性组合Z=CX+v,其中X为n维，Z与v是m维的，C为m×n量测矩阵. 试求X的最小方差估计，极大验后估计和极大似然估计。 例： 1.由最小方差估计的性质③ ，可得 解：由于X和v 是独立的，所以X和Z的联合分布也是高斯分布，而且 2.条件概率密度为： 则