《随机信号分析与估计》_第6章.pptVIP

6.6最小二乘估计

最小二乘估计就是使最小的估计,记为,加权最小二乘估计就是使最小的估计,记为。求对的导数,并令导数等于零,得由此可解得最小二乘估计为。求的导数,并令导数等于零,得上一页下一页返回6.6最小二乘估计

由此可解得最小二乘估计为最小二乘估计具有如下特点:(1)对于线性的观测模型,最小二乘估计和加权最小二乘估计都是线性估计,对测量噪声的统计特性没有做任何假定,应用十分广泛。(2)当测量噪声的均值为零时,即Evi=0时,最小二乘估计和加权最小二乘估计都是无偏估计。上一页下一页返回6.6最小二乘估计

6.6.3最小二乘估计用于目标跟踪目标的跟踪问题可等效看成一个曲线拟合问题,对于匀速直线运动目标的跟踪可以等效一阶多项式拟合一个噪声测量的问题,而对于匀加速运动目标的跟踪可以等效成二阶多项式拟合一个噪声测量的问题。首先考虑匀速直线运动目标的跟踪问题,匀速直线运动目标模型(只考虑x方向,要扩展到平面x、y或空间的x、y、z是很容易的)为对运动目标进行连续观测,观测模型为上一页下一页返回6.6最小二乘估计

其中测量噪声w（i）是零均值高斯白噪声,方差为分别表示目标的起始位置和起始速度。令则令上一页下一页返回6.6最小二乘估计

由最小二乘估计公式,可得随着对运动目标的不断观测,可以根据上式对目标的起始位置估计不断更新,根据估计的起始位置,再外推目标在tk时刻的位置,就可以实现对目标的连续不断的跟踪。上一页返回6.7波形估计6.7.1波形估计的一般概念前几节讨论的参数估计问题是根据观测数据对信号的未知参量进行估计,另一类估计称为波形估计或状态估计;二者的差别在于,前者的被估计量不随时间而变化,也称为静态估计,而后者的被估计量是随时间变化的,也称为动态估计。假定离散时间的观测过程为下一页返回6.7波形估计其中,v(n)为噪声,s(n)为信号,n0为起始观测时间,nf为观测结束时刻。波形估计问题就是要根据观测过程zn(n=n0,n+1,…,nf)去估计信号sn。这一问题可以看作含有噪声的观测过程中信号的恢复问题,如语音恢复、图像恢复等,也可以看作一个受到噪声污染的信号去噪问题。把从含有噪声的观测波形中最佳地提取有用信号称为最佳滤波。波形估计有三种类型:(1)滤波:根据当前和过去的观测值{z（k）,k=n0,n0+1,…,nf}对信号s(n)进行估计。(2)预测:根据当前和过去的观测值{z（k）,k=n0,n0+1,…,nf}对未来时刻n(nnf)的信号s(n)进行估计,预测也称为外推。上一页下一页返回6.7波形估计(3)内插:根据某一区间内的观测数据{z（k）,k=n0,n0+1,…,nf}对区间内的某一个时刻n(n0nnf)的信号进行估计,内插也称为平滑。把估计简写成即滤波器系数的选择可以由线性最小均方估计的正交原理来求取,即上一页下一页返回6.7波形估计或者写成上式称为Wiener-Hopf方程,对应的均方误差为上一页下一页返回6.7波形估计6.7.2维纳滤波器假定信号和观测过程是平稳随机序列,并且是联合平稳随机序列,系统为因果的线性时不变离散时间线性系统,n0=-∞,即观测数据为zk,-∞k≤n,那么式(6.7.4)可表示为上一页下一页返回6.7波形估计令m=n-i,l=n-k上式用变量n替换m可表示为对上式两端做z变换,得上一页下一页返回6.7波形估计所以H(z)称为维纳滤波器。当信号s(n)与观测噪声统计独立时,维纳滤波器为其中,Gv(z)为噪声的功率谱,维纳滤波器用离散傅里叶变换可表示为上一页下一页返回6.7波形估计当观测为白噪声时,式(6.7.9)可表示为或者用z变换表示为其中G+sz(z)是Gsz(z)所有零、极点在单位圆内的那一部分。如果z(n)不是白噪声,那么可以先将z(n)白化,变成白噪声,然后利用上式。白化