第六章波形估计.pptVIP

波形估计Estimation of Continuous Waveforms 刘皓 引言 对随时间变化的参量进行估计，也称为时变信号估计。 实质是对随机过程的估计，即根据观测数据对随机过程的样本函数作出尽可能好的估计。 课程重点讨论线性估计问题，即估计量通过对观测波形的线性运算得到。 线性估计器 α=0，则称为滤波。 α0，则称为预测（或预测） α0，则称为平滑（或内插） 线性估计器 课程中讨论的准则： 线性最小均方误差准则 典型的有: 维纳滤波 卡尔曼滤波 维纳滤波 线性滤波器 对平稳随机过程的最小均方误差意义下的最佳估计。 适用于从噪声中分离出有用信号的整个波形 维纳滤波 维纳滤波 g(t)的求解 变分法 非因果解 不对待求的g(t)做因果性限制，上式比较容易求解。但是g(t)是物理不可实现的。 性能 如果g(t)是最佳加权函数，那么： 例 如下图所示的高斯-马尔可夫信号和白噪声的混合 g(u) 均方误差 因果解 维纳-霍夫方程 时域解法 频域解法 维纳-霍夫方程_频域解法 维纳-霍夫方程_频域解法 维纳-霍夫方程_频域解法 例 g(u) 性能 正交性 标量卡尔曼滤波器 递推算法 两个特点： 随机过程的矢量模型 递归算法 最佳的递归估计器被称为卡尔曼滤波器 标量信号模型和观测模型 s(k)=a*s(k-1)+w(k-1) 上式表征待估时变信号s(k)的状态方程，或称为信号模型