现代信号处理卷.docxVIP

PAGE PAGE 9 一、简答题 1. 简述经典功率谱估计的方法和存在的问题，及ARMA模型改善该问题的思路。 答：（1）经典的功率谱估计方法有直接法和间接法，统称为周期图法。 A 直接法先计算N 个数据的傅里叶变换（即频谱），然后取频谱和其共轭的乘积，得到功率谱。 B 间接法则先根据N 各样本数据估计x(n)的样本自相关函数。然后，计算样本自相关函数的Fourier 变换，得到功率谱。（页67） （2）存在的问题是：假定了信号的自相关函数在数据观测区外等于零，分辨率低。 （3）平稳随机过程可以通过白噪声激励一线性时不变系统来产生，而线性系统又可以通过ARMA 模型进行描述；任何一个有理式的功率谱密度都可以用一个ARMA 随机过程的功率谱精确逼近。 MAP、MLE、贝叶斯估计的特点及他们之间的关系 3. 正交性原理及其引理(173,174) 正交性原理：估计误差与输入正交； 正交性原理的引理：当滤波器工作在最优条件时，有滤波器输出定义的期望响应的估计 与相应的估计误差彼此正交。 4. wiener、LMS 、RLS、kalman滤波器各自的特点 （1）LMS：算法结构简单，可收敛，但存在收敛速度慢，有额外误差等缺点。 （2）RLS：收敛，不存在额外误差项。收敛速度明显快于LMS 算法；运算量较LMS 算法大。无激励状态空间模型。 （3）Kalman：无收敛问题，无收敛参数，跟踪性能较好。其数学公式用状态空间描述；引入了状态空间，收敛速度，计算复杂度较低。(4) Wiener：适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是向量，都可应用。 4.比较最陡下降法和LMS算法的异同，以及影响LMS算法收敛速度的关键因素。（课本190页往后） 在自适应算法当中，使用最陡下降法的话，更新方向向量取做第n-1次迭代的代价函数的负梯度，也称为真实代价函数；如果我们用瞬时梯度向量代替真实梯度向量之后得到更新公式在进行计算，这样的自适应算法叫做最小均方误差自适应算法，简称LMS算法。 LMS算法中的步长参数决定抽头权向量在每步迭代中的更新量，是影响算法收敛速率的关键因素。 5 Bayes估计、MAP、MLE、线性均方、最小二乘 什么时候Bayes能够达到线性均方以及最优性能，整体最小二乘的基本思想。 答： Bayes估计需要已知后验分布函数，而最大似然估计（MLE）则需要已知似然函数,,但线性均方估计和最小二乘估计就是不需要先验知识、并且容易实现的线性估计方法。 线性均方（LMS）：在线性均方估计中，待定参数估计子被表示为观测数据的线性加权和，即： 式中，为确定的权系数。线性均方估计的原理就是使均方误差函数最小。 最小二乘法：为确定参数估计向量，我们选择这样一种准则：是误差的平方和 为最小，所求的的估计称为最小二乘估计，记做。 总体最小二乘法：同时考虑系数矩阵A（这里为样本相关矩阵）的误差，即考虑矩阵方程的最小二乘解，这种考虑总体误差的最小二乘法称为总体最小二乘法。 二、解答题 1. 谐波信号其中服从（0,2 QUOTE ）均匀分布 （1）A是一固定正实数； （2）A服从均值为0，方差为1的高斯分布 问此信号在以上两种情况下是广义平稳吗？ MUSIC算法，噪声子空间和信号子空间怎样正交。 MUSIC算法是建立在以下假设基础上的： (1)阵列形式为线性均匀阵，阵元间距不大于处理最高频率信号波长的二分之一； (2)信号源数小于阵元的数目，以确保阵列流型矩阵的各个列线性独立； (3)处理器的噪声为加性高斯分布，不同阵元间距噪声均为 HYPERLINK 平稳随机过程，各阵元间噪声相互独立，空间平稳（各噪声方差相等）； (4)空间信号为零均值平稳随机过程，信号与阵源噪声与相互独立； (5)信号源通常为窄带远场信号。正是由于MUSIC算法在特定的条件下具有很高的分辨力、估计精度及稳定性，从而吸引了大量的学者对其进行深入的研究和分析。 是一类空间谱估计算法。其思想是利用接收数据的协方差矩阵(Rx)进行特征分解，分离出信号子空间和噪声子空间，利用信号方向向量与噪声子空间的正交性来构成空间扫描谱，进行全域搜索谱峰，从而实现信号的参数估计。 计算题 课本上的例题（P39，例2.1.2） 课后习题（P62,题2.13）把观测值换成5个。