信号检测与处理42.pptVIP

（4） 危险判断与报警 利用DCPA和TCPA进行报警 利用警戒环进行危险判断与报警（警戒环有一定宽度） 利用PPC或PAD进行危险判断与报警 目标丢失的危险判断与报警 设备故障报警 作业3 1.什么是取样的独立性和随机性？ 2.什么是统计估计量？ 3.估计量的无偏性和有效性指什么？ 4.什么是有效估计量？ 5.克拉美-罗限的意义是什么？ 6.如何估计确知信号的相位？ 7.如何估计确知信号的时延？ 8.什么是线性估计量？ 9.线性估计通常采用的最佳准则是什么？ 10.什么是卡尔曼滤波？ 11.什么是?-?滤波？ 12. 雷达目标跟踪的基本任务？ 13.边扫描边跟踪雷达目标跟踪的基本过程？ 14.什么是DCPA和TCPA ？ 4.3 最佳线性估计 贝叶斯估计、极大似然估计等构造的估计量常常是观测样本的非线性函数。 如何用线性处理器实现结构较为简单的最佳线性估计。 最佳的误差准则：最小均方误差 设观测样本为： 线性估计为： 估计的均方误差为： 均方误差最小要求： 有 常数b和系数hk决定于参量和观测样本的均值、观测样本的相关函数以及参量和观测样本间的互相关函数。 正交条件 线性均方估计只利用了参量和观测样本的一、二阶矩，但对于高斯的参量和观测样本，一、二阶矩完全代表了他们的统计分布特性。 例 已知：nk白噪声样本，E{nk}=0，E{ninj}=?2?ij ；E{a}=0 ，E{a2}=A,，E{ank}=0。 求a的线性均方估计。 正交条件： 求和号内为定值，因此各系数相等，估计为： 4.4 维纳滤波 线性最佳（最小方差）估计器。 用于信号波形估计和系统状态估计，和参量估计不同。 滤波器输入： 滤波器输出： ■滤波、预测与平滑 线性估计器 x(t) y(t) = s(t+?) = 0：滤波 ＞ 0：预测（外推） ＜ 0：平滑（内插） 设滤波器响应为g(t)，则在平稳情况下，由时间平均得到： 误差： 线性估计器 x(t) y(t) = s(t+?) s(t)自相关函数（平均功率） x(t)自相关函数 s(t)与x(t)的互相关函数 由已知的自相关函数和互相关函数求加权函数g(t)。 令受扰加权函数为g(t)+??(t)，E[e2]对?求导，求最有加权函数（变分法）。 由已知的自相关函数和互相关函数求加权函数g(t)。 若对g(t)无限制，即对?(t)也无限制，应有维纳滤波方程： E[e2]对?求导，在?=0时有最小值，则 考虑因果性，当?＜0时，?(?)=0；当?≥0时，?(?)满足方程： 则有（维纳-霍夫方程）： 相应地，有： 假定信号在t=0时加入滤波器，滤波器起始静止，即使输入序列是平稳的，滤波器的输出也是非平稳的。有： ■正交性 滤波器的误差： 则 设t1（0≤t1≤ t）时刻，滤波器的输入： g(u)满足方程 则有正交性： 最小均方滤波器t时刻误差与同一时刻及以前任何时刻的输入正交。 4.5 卡尔曼滤波 线性最佳（最小方差）的递归估计器。 ■递归 标量卡尔曼 例：均值估计 当前估值为上次估值和本次观测值的线性加权。 ■信号模型： a(k)为系统模型参数（系统状态转移模型）。 w(k)为系统噪声（状态噪声），假设为零均值白噪声。 ■线性观测模型： c为观测参数，n(k)为零均值白噪声。 ■滤波算法 要求 正交条件： 即： 亦有： 根据正交条件 ， 求解滤波器加权系数。 有： 一维信号（状态）和观测模型 卡尔曼增益 信息（残差） Z-1 a bk Z-1 + + + c + c a sk-1 sk wk-1 nk xk sk ^ + + + + + + + - 一维卡尔曼滤波器 卡尔曼时变增益 修正 滤波估值 = 预测值 + 滤波增益×新息 此项可看作对预测值（历史信息）的修正 由正交性 求卡尔曼滤波增益bk 其中： 又： 解得： 则有： 为归一化均方误差。 估计的均方误差： ■初值选择 取初值： 根据正交性： 有： 得： 其中： 初值选择应使 ■预测 在无其它信息可以利用时，一步预测： 均方预测误差 ■标量卡尔曼公式总结 信号模型： 线性观测模型： ＋ ＋ b(k) c a z-1 x(k) + － + + s(k) s(k+1/k) ^ ^ (2)矢量卡尔曼 信号模型： 例：匀速运动 线性观测模型： 系统噪声协方差距阵： 测量噪声协方差距阵： 滤波方程： 4.6 ?-?滤波 假设：目标等速直线运动，测量噪声均值为零，方差为?2（等精度）。 最优估计准则：误差平方和最小。 以x坐标为例。 滤波估计为 T为目标状态的采样周期（白扫描边跟踪雷达天线的旋转周期）。 预测方程： 滤波系数值大（初始或机动），强调新息的修正；滤波系数值小，强调目标稳定的运动。 4.7 雷达目标跟踪