第1章(1.2;1.3)通信信号和系统的特性与分析方法.docVIP

1.2 线性均方估计与正交性原理 —用于采用LMS算法的自适应均衡分析，以获得最佳性能（最小均方误差）。 1．2．1, （时间平均的相关运算） 在H空间中，用内积可以表示向量的正交性、长度、距离（同信号空间）。 二、最小均方估计 在H空间中，设 x(t)为H空间中的一个向量， 为函数x(t)的估计函数，它是H空间子空间S（其基底向量为{})中的一个向量，且 ， ∈S 用函数估计x(t)的误差就是两向量的距离 将均方误差最小化，即 或者也可以写成 称为最小均方估计。 由于估计函数是基底向量各分量的线性组合，因此该估计是线性均方估计。 这里有三个问题需要解决： 如何获得最小均方估计（最小均方误差的条件）； 最小均方误差为多少（）； 最佳估计分量{}为多少。 这些将在下一节中讨论。 三、正交性原理——最小均方误差的条件 均方误差（误差的能量） 式中估计误差 极小化条件为 （设为复变量） 这样就可以得到两个等价的极小化条件: 或者表示成内积形式 (正交条件) 上述正交条件即为获得最小均方误差的条件。 几何意义: 在以{}为基底的S空间中，选择适当的使估计误差向量与各个基向量相互正交，此时误差向量的长度是最短的。 H ∵⊥，⊥ ∴⊥S ，即 ⊥ S ∴||||最小 1.2.2 随机变量的H空间与最小均方误差估计 以上H空间中，向量x(t)为时间函数，内积用时间平均的相关运算来表示。 若H空间中，向量为随机变量（随机向量），则内积应用统计平均的相关运算来表示。 一、随机变量的H空间 根据H空间的特点， 函数空间:向量为函数x(t)，t∈T， 内积定义: （时间平均相关运算） 我们来观察样本空间及其随机变量（复变量）： 令S为概率空间的样本空间，X、Y为样本空间的两个复随机变量，设P为X、Y在样本空间中的概率度量。 因为随机变量是随机事件的函数，即 X=X(s)，s∈S Y=Y(s)，s∈S 故样本空间是一个函数空间。 两个随机变量的相关运算为它们乘积的数学期望 ， 对离散变量 或 ，对连续变量 该相关运算类似于H空间的内积运算。因此，我们可以把随机变量的样本空间定义为随机变量的H空间。 在随机变量H空间中， X、Y称为随机变量向量（复变量）， 定义内积: （相关运算） 利用内积可表示随机变量向量的性质： 正交性 向量长度 均方误差 可见，在该空间中，以统计平均E[·]代替了原H空间中的时间平均，仍然具有类似的几何意义和物理意义。 二、最小均方误差估计 设 X为随机变量H空间中的一个向量，X∈H， 为X的估计值，它是H空间的子空间M中的一个向量， 设 子空间M的一组基底向量为（Y1,Y2,……,YN）,或{Yi}, i=1,2,……,N, {Yi}为一组随机变量。 则 为N个随机变量（基底向量）的线性组合，即 或 其中， ， 均方误差 最小均方误差可以表示为 或 或 根据正交性原理，可以回答以下三个问题： 最小均方误差的条件——正交条件 最小均方误差的大小 将正交条件代入均方误差表达式，得 代入正交条件，得 最佳ai =? 由正交条件可得 则 或 其中， 所以 1.3 匹配滤波器 (Matched Filter) MF是一种最佳线性滤波器，是在确定信号输入下的最佳线性系统。 要求掌握： 最佳准则：输出最大信噪比准则（在抽样判决时刻） MF的结构