现代数字信号处理(基础知识).ppt

最佳估计：基于某一准则下的最佳估计。如果估计准则发生了变化，或者信号的统计特性发生了变化，最佳滤波器的设计也会改变。 从几何上对相关抵消或最佳滤波理论进行说明，为理解信号估计问题提供了一个简单直观的方法。 Gram-Schmidt正交华在信号建模中有重要应用，在数据压缩、现代谱估计中有重要作用。 求x在某个基底上的投影ai 连续随机变量对应的是概率密度函数；离散随机变量对应的是概率质量函数。 连续随机变量对应的是概率密度函数；离散随机变量对应的是概率质量函数。 连续随机变量对应的是概率密度函数；离散随机变量对应的是概率质量函数。 各态历经说明了任何统计量都可以通过任何单一样本的时间平均来获得。 各态历经说明了任何统计量都可以通过任何单一样本的时间平均来获得。 第一个式子：将sin函数展开为复指数形式，作为等比级数求和，极限为0 实序列的自相关序列是偶序列 实序列的自相关序列是偶序列 说明乘积累加的形式称为相关 第二节 最佳线性估计与相关抵消 理解：设P为坐标 所确定的子空间 当且仅当 是 在P内的投影时，误差矢量 的长度最短，此时， 垂直于子空间P，则垂直于所有的坐标 ，则所有 垂直于 的每个坐标 为 的线性变换，依然在P内 第二节 最佳线性估计与相关抵消 准则(2) : 使得均方误差和最小，即 可以证明(后面),这两种准则是等价的 P为二维子空间情况 第二节 最佳线性估计与相关抵消 性能分析:估计误差矢量的协方差矩阵 练习1.10: 性质 定义： 先考察第1种准则 第二节 最佳线性估计与相关抵消 总的误差能量(标量)： 协方差矩阵的第i行第j列元素值： x的不同元素的估计误差的相关性 思考：估计性能的度量为什么不用Pe标量，而是用 Re矩阵？ Pe值越小,则估计性能越好;相同Pe情况下,ei,ej(i?j)之间的相关性越弱,性能越好 再考察第2种准则 第二节 最佳线性估计与相关抵消 第二节 最佳线性估计与相关抵消 利用了实随机过程自相关序列性质: ry(-m)=ry(m) 交换求导与求期望的次序 取 即得 结论:正交误差准则和最小均方误差和准则是一致的 第二节 最佳线性估计与相关抵消 对称矩阵 练习：验证 准则2的简化推导： 第二节 最佳线性估计与相关抵消 标量对矩阵的求导 利用一次型、二次型矩阵函数的求导性质 相关抵消的基本原理 第二节 最佳线性估计与相关抵消 假设x包含与y相关的成分x1以及与y不相关的成分x2，在已知x,y情况下能否从x中分离出x2,即对消掉x1 举例：胎音的测量 事先通过大量数据的集合统计得到相关矩阵 定理：如果抵消量 为根据 得到的 的最佳线性估计 则 与 不相关，可作为 的估计。 第二节 最佳线性估计与相关抵消 性质：如果 与 相关，则可以通过 来估计 但只能估计出 中与 相关的部分 ， 中 与 不相关的部分 为估计误差，将 称为相关抵消，即从 中抵消掉与 相关的部分 ，得到与y不相关的部分 胎音 混合音(传感器1) 母音(传感器2) 第三节 Gram－Schmidt正交化 本节的教学内容 内积定义 正交分解定理 正交投影定理 Gram－Schmidt正交化 新息(Innovation) 正交化后避免大矩阵的求逆运算(参见线性最优估计的公式),推导各种快速计算方法 第三节 Gram－Schmidt正交化 一、内积定义 设 和 分别是N维和M维随机矢量 所要讨论的随机变量空间是下列随机变量集合生成的N+M维线性矢量空间 设u和v两个随机矢量，是该线性空间H中的任意两个矢量，随机矢量u和v之间的内积定义为 “线性矢量空间”的定义:空间中任意1个或多个矢量的线性变换依然在空间内 子空间 第三节 Gram－Schmidt正交化 内积(标量) 矢量长度(模) 矢量间夹角 若 ，u和v称为正交，记为 ，表示不相关。 ：矢量各坐标值的平方和,非负 随机矢量情况下的余弦定理 第三节 Gram－Schmidt正交化