随机信号分析与处理估计理论国防科技大学课件.pptVIP

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) 无偏估计量的估计方差的最小值 ? 随机参量 如果有某个无偏估计达到CRLB,那么该估计必定是最大后验概率估计.而最小均方估计的均方误差也是最小的,所以这时最小均方估计与最大后验概率估计等价. 例2 高斯白噪声中的直流电平估计-高斯先验分布。设有N次独立观测zi=A+vi,i=1,2,….N，其中v~N(0, )，A~ ，求A的估计的CRLB。 1、线性最小均方估计(linear minimum mean square error estimation) 前提：不知道 ，知道 的一、二阶矩特性 准则：使均方误差最小的线性估计 实现： 选择适当的系数ai及b，使估计均方误差最小。 正交条件 正交条件是信号最佳线性滤波和估计算法的基础，在随机信号处理中占有十分重要的地位。 性能分析： ?线性最小均方估计为无偏估计，即有： ?线性最小均方估计的均方误差等于误差与被估计量乘积的统计均值，即： 其中： 例1、设观测模型为zi=s+vi ，i=1,2,..，其中随机参量s以等概率取{-2,-1,0,1,2}诸值，噪声干扰vi以等概率取{-1,0,1}诸值，且E[svi]=0， ，试根据一次、二次、三次观测数据求参量s的线性最小均方估计。 1、最小二乘估计（Least square estimation） 前提：适用于线性观测模型； 不规定估计的概率或统计描述； 需要关于被估计量的观测信号模型 ; 准则：使观测与估计偏差的平方和最小。 假定观测模型为线性，即观测数据zk与参量?1， ?2，…， ? M之间服从： 其中hk1，hk2，…，hkM为已知常系数。 将观测方程用矢量及矩阵表示： 最小二乘估计是使观测与估计偏差的平方和最小，即： 最小二乘估计为： 加权最小二乘估计为： 性能分析： ?对于线性观测模型，最小二乘估计是线性估计，对测量噪声的统计特性无任何假设，应用十分广泛； ?若噪声均值为零，最小二乘估计为无偏估计，即有： 性能分析： ?最小二乘估计的均方误差为： ?对于加权最小二乘估计，如果有一些模型的知识，如E(v)=0， ，当 时，估计误差的方差阵达到最小，这个最小的方差阵为： 例1、观测数据为： 其中a为待估参量，nk为观测噪声，求a的最小二乘估计。 例2、根据以下对二维矢量 的两次观测， 求 的线性最小二乘估计。 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 参量估计适用于非时变参量，无法解决时变参量估计问题。 关于时变参量甚至时变信号本身的估计称为时变信号估计或波形估计，因此波形估计又称过程估计。 波形估计其实质就是给定有用信号和加性噪声的混合波形，寻求一种线性运算作用于此混合波形，使信号与噪声实现最佳分离，最佳的含义是使估计的均方误差最小，故又称为最佳线性滤波理论。 波形估计通常分为滤波、平滑、预测三种基本估计。 ? 滤波： 根据当前和过去的观测值{z(k),k= n0, n0+1,...,n}对信号s(n)进行估计(Filtering)； ?预测: 根据当前和过去的观测值{z(k),k= n0, n0+1,...,nf}对未来时刻n(nnf)的信号s(n)进行估计，预测也称为外推；(Prediction) ?根据某一区间的观测数据{z(k),k= n0,n0+1,...,nf}对区间内的某一个时刻n(n0nnf)的信号进行估计，内插也称为平滑。(Smoothing)。 2、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： 维纳滤波和卡尔曼滤波是实现从噪声中提取信号，完成信号波形估计的两种线性最佳估计方法。 维纳滤波需要设计维纳滤波器，它的求解要求知道随机信号的统计特性，即相关函数或功率谱密度。当信号的功率谱为有