如何利用白噪声信号的特点测一个未知参数的线性系统的频率响应

来源：蜘蛛抓取(WebSpider) 时间：2019-11-29 11:40 标签： 白噪声信号

内容提示：（论文）白噪声驱动嘚线性系统动态特性测量方法

文档格式：PDF| 浏览次数：2| 上传日期： 13:27:44| 文档星级：?????

豆丁精品文档： 信号与系统复习題 软件测试复习题 信号测试技术 建筑施工技术复习题 高电压技术复习题 信号测试技术试卷 数控技术复习题 初一信息技术复习题 电子技术复習题 施工技术复习题

第三章 参数估计理论与应用 第三嶂 参数估计理论与应用 3.1 参数估计的评价准则 3.2 基于统计分布的参数估计方法 3.3 基于模型的参数最小二乘估计 本章小结 在许多情况下观测数据所服从的概率模型已知的，而 模型的未知部分是以未知参数形式出现的 参数估计的基础是优化理论，即被估计的参数应该在某 种准则下昰最优的以及任何获得最优的估计。 非参数估计方法不假定观测数据服从某种特定的概率模 型例如，频域上的谱估计与谱线拟合就是典型的非参数估 计方法 3.1 参数估计的评价准则 参数估计是通过样本去估计总体的某些数字特征或统计量。任何一 个统计量都可作为参数的估计量但其效果的优劣有所差别。 3.1.1 无偏性、有效性与相容性 （1）无偏性 设样本的总体分布密度函数为 p(x;θ), θ 是未知参数从总体中抽取容量为 N 的样本 x={x1, …, xN }, 用样本的估计量 来估计θ，如果希望多次估计中，平均 的估计值没有偏差，即 则称 是θ的无偏估计量。 例3-1 样本均值是总体数學期望的无偏估计 设x1, …, xN 是随机过程 {xk} 的N个独立观测样本，如果 参数θ是总体的数学期望E[x]即用样本的均值 作为θ的估计量，对该估计量取期望值，有 一个无偏估计量在多次估计中将不会产生系统偏差，但 并不意味着有偏估计就不好如果一个有偏估计是渐进无偏 的，即 那么咜仍然有可能是一个好的估计 考虑实随机过程{xk}的相关函数的两种估计量： 假定数据{xk}是独立观测的，容易验证 式中Rx(τ)=E[xk+τ xk] 是随机数据{xk}的相關函数。 以上二式表明估计量 1(τ) 是无偏的，而 2(τ)则是 有偏的但是， 2(τ)是渐进无偏的即 渐进无偏估计量 2(τ)是半正定的，而无偏估计量 1(τ)却 不一定是半正定的故 2(τ)的使用场合较多。 （2）有效性 如果 1 和 2 是两个根据N个独立观测样 本得到的无偏估计量无疑地，对θ 的平均偏差较小是选择 的标准之一例如，如果 则 1的值比 2 的值更密集地聚集在真值θ的附近。通常将方 差（或协方差阵）在所有的无偏估计量中达到最小的 称为 有效估计量 例3-2 设x1,…,xN 是N个独立观测样本，若被估计参数 θ=E[x]则对任何满足 都是θ的无偏估计量。利用不等式 可得 在估计总体嘚数学期望时，简单的算术平均比加权平均好 （3）一致性 估计量的精度是与样本的容量 N 有关系 的。一般说来总是认为N 越大估计的效果應该越好。如果 记依赖样本容量 N 的估计为 N 当满足 则称 N 是θ的一致性估计量，或相容估计。 例3-3 设总体 x 具有均匀分布，分布密度为 其中θ1 囷θ2 是未知参数。 总体样本的均值和二阶矩分别为（严格按定义计算） 解得 按矩的估计方法用独立样本的均值和独立样本的二阶 矩，分別作为总体均值和二阶矩的估计量就有 下面说明 1 和 2 分别是θ1 和θ2 的相容估计。 设 y1,…,yN 是具有同分布的独立观测样本根据大数定 律，有 令y=x2, 僦有 于是 3.1.2 Fisher信息和Cramer-Rao不等式 通常希望获得有效的参数估计量但是，由于不存在导 致最小方差无偏估计量的最佳算法所以通常采用参数无偏 估计的Cramer-Rao下限(或CR下界), 作为评价参数估计性能 的测度。为了简洁叙述这一的评价测度先定义一个重要的 概念。 Fisher 信息 Fisher 信息用J（θ）表示，定义为 （3.1.1） 当考虑 N 个观测样本 X={ x1,…,xN }, 此时联合条件分 布密度函数可表示为 将式（3.1.1）中的p(x|θ)改为p(X|θ)就可给出N个样本 变量X的Fisher信息的表达式。 定理（Cramer-Rao不等式） 设观测样本X={ x1,…,xN }, 若参数估计 是真实参数θ 的无偏估计并且条件分布密度 函数的p(X|θ) 对参数θ 的一、二阶偏导数存在，则有 （3.1.2） 参数 的方差所能达到的下限（称为CR下限）即上 式等号成立的充要条件是 其中, 函数K(θ)>0，并与样本向量 X 无关 当 为有偏估计量时，Cramer-Rao 不等式为 （3.1.3） 式Φη(θ)为估计偏差即η(θ)=E[ ]

最佳估计：基于某一准则下的最佳估计如果估计准则发生了变化，或者信号的统计特性发生了变化最佳滤波器的设计也会改变。 从几何上对相关抵消或最佳滤波理论進行说明为理解信号估计问题提供了一个简单直观的方法。 Gram-Schmidt正交华在信号建模中有重要应用在数据压缩、现代谱估计中有重要作用。 求x在某个基底上的投影ai 连续随机变量对应的是概率密度函数；离散随机变量对应的是概率质量函数 连续随机变量对应的是概率密度函数；离散随机变量对应的是概率质量函数。 连续随机变量对应的是概率密度函数；离散随机变量对应的是概率质量函数 各态历经说明了任哬统计量都可以通过任何单一样本的时间平均来获得。 各态历经说明了任何统计量都可以通过任何单一样本的时间平均来获得 第一个式孓：将sin函数展开为复指数形式，作为等比级数求和极限为0 实序列的自相关序列是偶序列 实序列的自相关序列是偶序列 说明乘积累加的形式称为相关 第二节 最佳线性估计与相关抵消 理解：设P为坐标 所确定的子空间 当且仅当 是 在P内的投影时，误差矢量 的长度最短此时， 垂直於子空间P则垂直于所有的坐标 ，则所有 垂直于 的每个坐标 为 的线性变换依然在P内 第二节 最佳线性估计与相关抵消 准则(2) : 使得均方误差和朂小，即 可以证明(后面),这两种准则是等价的 P为二维子空间情况 第二节 最佳线性估计与相关抵消 性能分析:估计误差矢量的协方差矩阵 练习1.10: 性質 定义： 先考察第1种准则 第二节 最佳线性估计与相关抵消 总的误差能量(标量)： 协方差矩阵的第i行第j列元素值： x的不同元素的估计误差的相關性 思考：估计性能的度量为什么不用Pe标量而是用 Re矩阵？ Pe值越小,则估计性能越好;相同Pe情况下,ei,ej(i?j)之间的相关性越弱,性能越好 再考察第2种准则 苐二节 最佳线性估计与相关抵消 第二节 最佳线性估计与相关抵消 利用了实随机过程自相关序列性质: ry(-m)=ry(m) 交换求导与求期望的次序 取 即得 结论:正茭误差准则和最小均方误差和准则是一致的 第二节 最佳线性估计与相关抵消 对称矩阵 练习：验证 准则2的简化推导： 第二节 最佳线性估计与楿关抵消 标量对矩阵的求导 利用一次型、二次型矩阵函数的求导性质 相关抵消的基本原理 第二节 最佳线性估计与相关抵消 假设x包含与y相关嘚成分x1以及与y不相关的成分x2在已知x,y情况下能否从x中分离出x2,即对消掉x1 举例：胎音的测量 事先通过大量数据的集合统计得到相关矩阵 定理：洳果抵消量 为根据 得到的 的最佳线性估计 则 与 不相关，可作为 的估计 第二节 最佳线性估计与相关抵消 性质：如果 与 相关，则可以通过 来估计 但只能估计出 中与 相关的部分 中 与 不相关的部分 为估计误差，将 称为相关抵消即从 中抵消掉与 相关的部分 ，得到与y不相关的部分 胎音 混合音(传感器1) 母音(传感器2) 第三节 Gram－Schmidt正交化 本节的教学内容 内积定义 正交分解定理 正交投影定理 Gram－Schmidt正交化 新息(Innovation) 正交化后避免大矩阵的求逆运算(参见线性最优估计的公式),推导各种快速计算方法 第三节 Gram－Schmidt正交化 一、内积定义 设 和 分别是N维和M维随机矢量 所要讨论的随机变量空间昰下列随机变量集合生成的N+M维线性矢量空间 设u和v两个随机矢量是该线性空间H中的任意两个矢量，随机矢量u和v之间的内积定义为 “线性矢量空间”的定义:空间中任意1个或多个矢量的线性变换依然在空间内 子空间 第三节 Gram－Schmidt正交化 内积(标量) 矢量长度(模) 矢量间夹角 若 u和v称为正交，记为 表示不相关。 ：矢量各坐标值的平方和,非负 随机矢量情况下的余弦定理 第三节 Gram－Schmidt正交化

我要回帖

更多关于 白噪声信号 的文章

 

随机推荐