生物医学信号处理四教程.pptVIP

例4、 估计性质分析。取M次独立观察，对非随机未知量s=A进行估计，已知 各ni为正态分布N(0, )。求极大似然估计 ，并分析估计是否为有效估计，估计方差有多大？ 所以，为无偏估计。 所以，为有效估计。估计的方差应等于克拉美-劳下限，即： §5－3、线性估计 ★ 前提：必需满足估计算法是观察值的线性函数。 引 例 §5.3.1 在贝叶斯估计中，平均代价公式采用误差平方作为代价函数，即 成为 现取单次观察x做估计，并限定估计算法为线性函数，即： 于是有： 估计任务就是：选a、b使得 最小。 上式分别对a、b求导并令导数等于0，得： 解方程，得： 如果待估计量均值为0，即E(s)=0，观察值的均值也为0，即E(x)=0，则有 线性均方估计 §5.3.2 x的自相关矩阵 待定系数矩阵 s、x的互相关矩阵 ※ 采用均方判据，导出线性方程组，求解简便。算法所需先验知识为：观察x的自相关函数、信号与观察值之间互相关函数； ※ 估计误差e和所有观察值xi正交，这是LMS估计的重要特性； ※ LMS的最小均方误差为： 正交条件下，估计的均方误差是估计误差和信号乘积的均值。 例5、 LMS估计。取M次独立观察，xj=s+nj, j=1~N。 噪声为白色，即E(ninj)= ，E(nj)=0，s为信号， E(s)=0,E(s2)= 信号和噪声相互独立，则 按照线性估计算法 进行LMS估计。 也就是求各系数hj和估计值 。 医学信号处理：参数估计 第五章 信号的参数估计 提出问题：信号估计（Estimations）——从受噪声干扰的观测信号中估计信号参量和波形的问题，即参数估计问题。 参量估计的目的：在有限个信号观测样值中，以最佳方式估计信号的参数。 参数估计－被估计的量是随机变量（静态估计） 波形估计－被估计的量是随机过程（动态估计） §5－1、概述 数理统计中由随机信号的一组样本估计信号的统计特征，如均值、方差、均方、相关函数、功率谱等，是一种简单而常见的参数估计。 在数理统计中，均值、均方和方差的估计是按照定义，用有限个样本采用直接估计法来估计。 这里的参数估计问题应为：从含有噪声的观察中估计信号的参数。 估计准则 1、估计偏差 2、估计方差 3、估计值的均方误差 4、有效估计 5、一致估计 §5.1.3 有关定义： 估计准则： 无偏估计——如果待估计参数a和它的估计值 的均值 E( )相等，即E( )=a，就称为无偏估计，否则称为有偏估计。 估计偏差越小，则各次估计值的均值接近于真实值，但并不能保证每次估计值都接近于真实值，而且各次估计值可能分布很分散；而估计方差很小，表明估计值都接近于均值，即 分布很集中，但并不能保证均值E( )接近于真实值，也就是不能保证各个 集中分布于真实值a附近。 一致估计——根据以上分析，将估计偏差和方差结合起来的综合量表示估计质量的好坏，即估计值的均方误差。 如果随着样本数目的增加，估计的均方误差趋于0，即要求当N→+∞时，偏差和方差都趋于0，则称此估计为一致估计。 有效估计——由某一种估计方法得出的估计值的方差小于其它任何估计方法得出的方差，则称该估计为有效估计。如果该估计同时又是无偏的，则为均方误差最小的估计。 §5－2、非线性估计 贝叶斯估计 §5.2.1 为双变量连续函数 (c)均匀代价函数 这样C定义为单变量函数 典型代价函数 贝叶斯判据：平均代价最小，即 E(c)=min。 由于c是 的函数，而 又是观察值x的函数，所以c就是x和s的联合函数，所以有： 用后验概率函数表示为： ，R称为条件风险函数。 令 贝叶斯判据实际为以R最小作为判据。 情况(a)平方误差情况下，风险函数最小的估计量称为最小均方估计(minimum mean square estimation) 其风险函数为： 由于 则风险函数为： ∵p(x)≥0 故MS最小即等效为上式括号[ ]内项最小 最后，将三种情况估计式中后验概率密度函数借助于贝叶斯公式用先验概率代替得到： ABS估计为 MAP估计为 MS估计为 (Maximum Likelihood Estimation--MLE) 此式为必要条件，而不是充分条件。 极大似然估计 §5.2.2 由于：似然函数就是先验概率密度函数，极大似然估计准则就是使得似然函数最大的s值。实际中常用对数似然函数 多次观察 §5.2.3 把各式