原创力文档- 1、本文档共81页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
统计信号处理基础
—估计理论
内容提要
上次课的回顾
上次课的回顾
MLE
MLE
MLE的性质
MLE的性质
MLE的数值确定
MLE的数值确定
小结与应用实例
小结与应用实例
Reviewofthelastlecture
Reviewofthelastlecture
上次课的回顾
线性模型－LM
线性模型－LM
一般MVU估计－RBLS
一般MVU估计－RBLS
最佳线性无偏估计－BLUE
最佳线性无偏估计－BLUE
Reviewofthelastlecture
Reviewofthelastlecture
一般线性模型的MVU
定理4.2如果观测数据可以表示为:
xHθ=+s+w
其中x是N×1的观测矢量,H是已知的N×p（Np）观测矩
阵,秩为p。是p×1的待估计的参数向量，s是N×1的已知
θ
信号样本矢量,w是N×1的噪声矢量,并且PDF为N(0,C),则
MVU估计为:
T－1−1T－1
ˆ
θ＝HCHHCx-s
()()
协方差矩阵为
Cˆ(HTC－1H)−1
θ
对于一般的线性模型,MVU估计量是有效的，它达到了CRLB
Reviewofthelastlecture
Reviewofthelastlecture
Neyman-Fisher因子分解定理
定理5.1（Neyman-Fisher因子分解）如果我们能
够将PDF分解为
p(x;θ)g(T(x),θ)h(x)(5.3)
其中g为仅通过T(x)才与x有关的函数，h是仅依赖
于x的函数，那么T(x)是θ的充分统计量。反过
来，如果T(x)是θ的充分统计量，那么PDF可以分
解为上式。
理解：若诸样本随机变量的联合概率密度函数可以分解为某统计量
理解：若诸样本随机变量的联合概率密度函数可以分解为某统计量
的密度函数与某一完全不含参数的函数之乘积，那么该统计量必是
的密度函数与某一完全不含参数的函数之乘积，那么该统计量必是
该参数的充分统计量，反之亦然。
该参数的充分统计量，反之亦然。
Reviewofthelastlecture
Reviewofthelastlecture
RBLS定理
定理5.2（Rao-Blackwell-Lehmann-Scheffe）如果
是θ的无偏估计量，T(x)是θ的充分统计量，那么
是：
1.θ的一个适用的估计量（与θ无关）；
2.无偏的；
3.对于所有的θ，它的方差要小于或等于的方差
ˆ
θ
另外，如果充分估计量是完备的，那么是MVU估计量
文档评论（0）