信号处理中的数学方法期末试题答案.docVIP

叙述卡享南一洛厄维变换,为什么该变换被称为最佳变换f何为 其实用时的困难所在,举例说明其应用。 它经常用來处理随机变量信号，能使变换后的分量不相关，且使均方误差最 小，所以常称作最佳变换。 卡享南-洛厄维变换没有固定的变换矩阵，它依赖于给定的随机向量的协方 差阵。正是这种变换的特点，也是它在实际使用时的困难所在，因为它需耍依照 不固定的矩阵cv求特征值和特征向量。 卡享南-洛厄维变换应用在数拯压缩技术中。特别是随着信息时代的发展到 第三个阶段-大数据时代，海量的数据每时每刻扑而而来，按照最优化原则的数 据压缩技术可以解决通讯和数据传输系统的信道容量不足问题。 通过对信号作正交变换，根据失真最小的原则在变换域进行压缩。卡享南- 洛厄维变换使这种变换消除了原始信号诸分量间的相关性，从而使数据压缩能遵 循均方误差最小的准则实施。 最小二乘法的三种表现形式是什么？以傅里叶级数展开为例说明 其各自的优缺点。 希尔伯特空间中线性逼近问题的求解方法称为最小二乘法。它有三种不同的 表现形式：投影法、求导法和配方法。 下面以傅里叶级数展开为例来说明。 投影法： 设X为希尔伯特空间，｛弘勺，…｝为X屮的一组归一化正交元素，X为X中 的某一元素。在子空间M = span｛el,e2,--] I1求一元素加°,使得 \x - \x - = min x 一 m 1 meM (2-1) 由于M中的元素可表示为弓,勺,…的线性组合，那么问题就转化为求系数 匕叫…，使得 00 =min(2-2)一工Q =min (2-2) *=1 投影定理指出了最优系数e,也,…应满足 x_》ak 丄 J, m = 1,2,??- (2-3) k A=1 丿 曲此即得(兀—)=乞匕?勺竝=%。也就是说，当且仅当$取为兀关于归 1=1 ) 一化正交系｛勺心‘…｝的傅立叶系数务=(兀，?)吋式(2-2)成立。 求导法： 记泛函 00 2 TOC \o 1-5 \h \z x-工 a? (2-4) k-\ 为了便于使用求导法求此泛函的最小值，将它表为 ( 00 00 、 /(卬，°2,…)=兀一工冬弘兀一工匕局 I 归 心 丿(2-5) =卜『-2*灼+￡ *=1 k=l 其中ck = (x,ej。于是最优的匕,2,…应满足 — 0,加= 1,2,… 即-2cm + 2am = 0,或am = cm,加= 1,2,…。 配方法： TOC \o 1-5 \h \z 0 00 /(es，…)T卜『-2工％+工(2-6) k=l “1 00 00 00 00 =||%||2 -工-2》q灼 +￡ k=l k=l k=l k=l oo co =卜『-￡+￡($ -q )2 k=l k=l =min ak = ck , k = 12 … 以上三种方法都称为最小二乘法。比较起来，从数学理论上讲，投影法较高 深，求导法次之，配方法则屈初等；从方法难度上讲，求导法最容易，投影法和 配方法各有千秋；从结果看，配方法最好，因为它不仅求出了最优系数冬，而 冃由配方结果立即可知目标函数子（少。2,…）的极值。此外，配方法和投影法都 给出了 /达到极小的充分和必要条件，但求导法给出的仅仅是极值的必要条件， 如杲是极值，还不知道是极大还是极小，故是不完整的。 但我们不能简单的说这三种方法谁更好。因为它们实际应用时都冇自己的局 限性。例如投影法必须把所讨论的最优化问题放到某个希尔们特空间的框架屮去; 求导法必须有可行的求导法则，如果未知的变元是向量，矩阵或函数，求导法就 不那么直捷了；而配方法则是一种技巧性很强的方法，如果目标函数比较复杂， 那么用配方法很相当困难。 3、二阶矩有限的随机变量希尔伯特空间中平稳序列的预测问题的法 方程称为关于平稳序列预测问题的yule-walker方程，试用投影 法和求导法推导该方程。该方程的求解算法称为最小二乘算法， 请对这些算法的原理予以描述。 下面先介绍什么是随机序列的预测问题： 若二阶矩冇限的随机变量希尔伯特空间屮的序列匕宀,…}，记子空间 Mk,N = spcm {xk_N, ，…,“_]} （3-1） 现在的问题是，用屮的元索 m=l(3-2) m=l (3-2) 來估计忑，并使得均放误井最小，也就是求系数J…心使得 xk - xf = E {（无一址卜 min （3-3） 这个问题就是随机序列的预测问题。 下面从投影法和求导法对其进行推导： 投影法： 根据投影定理，址）应是血在了空间中的投影，即匕,…,色满足 TOC \o 1-5 \h \z （ N \ 无一工 丄 j I…,N （3-4） \ 加=1 7 根据空间中的止交性定义，上式即为 N E amE {一后T} = E {xkxk_t}，心 1,…,N （3-5） tn=\ 这就是最佳预测的法方程。因