信号检测与估计理论 第五章 统计估计理论.pptVIP

5.7.4 线性最小均方误差递推估计 4、递推估计的特点和性质 递推估计算法的优点： 算法效率高； 只需对低阶矩阵求逆； 被估计随机变量的前二阶矩先验知识未知，也可确定某一初始条件后运行算法； 递推算法在获得估计矢量的同时，也获得了反映估计精度的估计矢量的均方误差阵（对其求迹即可得到估计矢量的均方误差）； 修正增益矩阵与观测噪声矢量的协方差矩阵成反比。 5.7.4 线性最小均方误差递推估计 例5.7.2 线性最小均方误差估计（递推算法） 5.7.4 线性最小均方误差递推估计 5.29 若观测值 计算可得： 测量中，若发现 ，明显不合理，应当剔除，并补充一个 合理数值，如： 若 : 线性最小均方误差递推估计思想 Gram-Schmidt正交化方法 线性代数的几何意义 page134/174 线性最小均方误差递推估计思想 Steven M. Key page319 5.7.5 单参量的线性最小均方误差估计 已知被估计参量（标量）和观测矢量前二阶矩知识 观测噪声矢量的前二阶矩知识已包含在观测矢量的前二阶矩知识中。可得单参量的线性最小均方误差估计和均方误差阵如下 均方误差阵（矩阵）已退化成均方误差（标量）。 N×1 N×N 1×N 5.7.6 观测噪声不相关时的单参量估计 令 5.7.6 观测噪声不相关时的单参量估计 两边分别乘以 并令 5.7.6 观测噪声不相关时的单参量估计 与例5.2.1结果相同 若 5.7.6 观测噪声不相关时的单参量估计 例5.7.3 线性最小均方误差估计（时变观测，观测噪声不相关） 与例5.7.2结果相同 5.7.7 观测噪声相关时的单参量估计 自回归平滑随机过程ARMA 产生相关噪声的常用模型 5.7.7 观测噪声相关时的单参量估计 gk没有通式解，可用数值方法近似求解 5.7.7 观测噪声相关时的单参量估计 例子：考虑 的情况 当噪声 间互不相关时，即 有 5.8 最小二乘估计 5.8.1 最小二乘估计方法 最小二乘估计是1795年高斯提出的一种估计方法。该方法不需要任何先验知识，只需要关于被估计量的观测信号模型 ，就可实现信号参量 的估计。最小二乘估计法最小化如下的代价函数(误差平方和) 对于M维被估计矢量 ，设信号模型为 ，最小二乘估计代价函数如下 根据信号模型线性与否，可分为线性最小二乘估计和非线性最小二乘估计。 5.8.2 线性最小二乘估计 线性最小二乘估计 构造规则： 构造公式： 估计量性质： 5.8.2 线性最小二乘估计 例5.8.1 求二维矢量 的线性最小二乘估计 两次观测： 观测方程： ，即信号模型 最小二乘估计量： 5.8.3 线性最小二乘加权估计 线性最小二乘加权估计 矩阵不等式： 5.8.3 线性最小二乘加权估计 例5.8.2 求单参量的最小二乘估计和最小二乘加权估计 两次观测： 已知观测噪声特性： 观测方程： 最小二乘估计量： 最小二乘加权估计量： 5.8.4 线性最小二乘递推估计 线性最小二乘递推估计 5.8.4 线性最小二乘递推估计 线性最小二乘递推估计(续) 5.8.5 单参量线性最小二乘估计 线性观测方程 观测系数矩阵 观测噪声满足条件 单参量最小二乘估计 5.8.5 单参量线性最小二乘估计 习题5.33 5.8.5 单参量线性最小二乘估计 习题5.33 5.8.6 非线性最小二乘估计 1. 参量变换方法 2.参量分离方法 5.9 信号波形中的参量估计 观测到的信号波形为： 噪声信号为高斯白噪声。 借助第4章，随机过程的正交级数展开，观测信号的似然函数为： 最大似然估计量是下列方程的解： 5.9 信号波形中的参量估计 费舍尔信息矩阵： 其中： 单参量最大似然估计： * 5.5 矢量估计 似然函数为： 5.5 矢量估计 由上式可得： 总结： （1） 的CRLB相对于 B 是已知的情况有所增加； B 已知时，有 （2）对于 ，CRLB随着估计更多的参数而增加； （3）对于 ，B 更容易估计，其CRLB随 而减少； A 的CRLB与 有关； （4）表明 对 B 的变化比对 A 的变化敏感。 5.5.1 随