随机信号分析与处理ppt估计理论.ppt

下面我们通过几个典型的应用来说明这两个问题。 雷达系统：雷达发射一个电磁脉冲（通常是一串脉冲信号），当遇到目标后会产生回波信号，这个回波信号被雷达接收机接收到，由于周围环境会有一些杂波影响，以及接收机内部也会有噪声，接收机进入信号处理器的信号是回波信号、杂波和噪声混在一起的混合波形，下图给出了发射信号、有目标和没有目标时接收的波形。 这里存在两个问题，其一是如何根据接收波形判断目标是否存在，由于回波信号淹没在噪声中，因此，这是一个噪声中检测信号的问题。其二，检测到信号后，如何确定目标的位置，目标的距离由回波的延迟时间确定，确定回波的延迟时间，就可以确定目标的距离，延迟时间的确定是一个参数估计问题。信号检测与参数估计是我们本课程后面需要学习的内容。由于信号检测与参数估计都是在噪声环境下进行，信号也可能是随机信号，因此，要最佳地检测信号，并估计信号的参数，需要详细地分析和了解信号和噪声的统计特性，只有充分地了解信号和噪声的统计特性，找出它们之间的差异，才能取得最佳的处理效果。 还有很多这样的应用问题，可以把这些问题简单归纳一下？ 图象处理----使用红外检测是否有飞机出现 图象分析----根据照相机的图象估计目标的位置和方向，用机器人抓目标时是必须的 生物医学----估计胎儿的心率 控制----估计汽艇的位置，以便采用正确的导航行为，如Loran系统 地震学----检测地下是否有油田，并根据油层和岩层的密度，根据声反射来估计油田的地下距离。 前面几章我们学习了随机过程的基本概念、基本分析方法，以及随机过程通过系统的分析，这些基本方法是统计信号处理的理论基础，统计信号处理的根本任务是要提取有用的信息，有用信息是通过检测、估计、滤波的方法对信号进行处理后提取出来的，所以, 检测、估计、滤波的统计信号处理方法是信号处理技术的理论基础，它的应用领域十分广泛， 最小二乘估计在目标跟踪中的应用 匀速直线运动的观测模型： 习题：7.26,7.31 1、波形估计 根据 {z(n), n?[n0, nf]} 估计s(n) 波形估计的分类 滤波(Filtering) 预测(Prediction) 内插或平滑 (Smoothing) 1、波形估计 根据 {z(n), n?[n0, nf]} 估计s(n) 波形估计的应用 图像恢复 语音恢复 目标跟踪 弹道数据处理 2、波形估计的准则 根据 {z(n), n?[n0, nf]} 估计s(n) 估计准则 贝叶斯准则 最大似然准则 线性最小均方准则 最小二乘准则 3、维纳滤波 线性最小均方估计是观测的线性函数，它可以看作为观测序列通过离散时间线性系统，即 Wiener-Hopf方程 滤波器系数的选择： 正交原理 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 维纳滤波器 信号s(n)与观测噪声统计独立时，维纳滤波器为： 观测为白噪声时，维纳滤波器为： 如果不是白噪声，那么可以先白化 Hw(z) H2(z) 例7.13　设观测过程为z(n)=s(n)+v(n)，其中假定观测噪声v(n)为零均值白噪声，方差为1，s(n)是具有有理谱的平稳随机序列，功率谱密度为 信号s(n)与v(n)统计独立，求估计s(n)的维纳滤波器 解： 离散时间滤波 连续时间滤波 物理可实现 物理可实现 7.31　设观测过程为z(t)=s(t)+v(t)，-?t ? 其中假定观测噪声v(n)为零均值白噪声，功率谱密度为1，s(n)是具有有理谱的平稳随机过陈，功率谱密度为 求估计s(t)的维纳滤波器。 无偏性、有效性、一致性 1 性能指标 （1）无偏性 ?为确定性参量（非随机参量） ?为随机参量 （2）有效性 方差越小估计性能越好。方差最小的无偏估计称有效估计 无偏性、有效性、一致性 1 性能指标 （3）一致性 随着观测数据的增加，估计依概率收敛于真值 例：高斯白噪声中未知电平的估计 先验信息的利用，将有利于提高估计的性能 2、无偏估计量的性能边界 （1）非随机参量 等号成立的条件： 克拉美-罗限 假定满足正则条件 2、无偏估计量的性能边界 正则条件 几点说明： 2、无偏估计量的性能边界 等号成立的条件 如果有效估计量存在，则该有效估计量一定是最大似然估计 如果有效估计量不存在，则最大似然估计 的方差不一定是最小的。 几点说明： 例2、高斯白噪声中的DC电平。 2、克拉美－罗限(Cramer-Rao Low bound) 无偏估计量的估计方差的最小值 ? 随机参量 任何无偏估计量的均方误差满足 等号成立的条件： 克拉美-罗限 2、克拉美－罗限(Cramer-Rao Low bound) 无偏估计