当前课程知识点:现代数字信号处理 > 第二章 参数估计理论 > 2.4 线性均方估计 > 2.4 线性均方估计
同学们好
今天我们进行
现代数字信号处理中
线性最小均方估计方法的学习
主要分为三个部分
估计准则
估计矢量构造和估计量的性质.
那么我们开始第一部分
估计准则
在前面我们讲解了
贝叶斯估计和最大似然估计
贝叶斯估计需要知道估计量的
先验概率密度函数
最大似然估计需要知道
似然函数表达式
那么如果两者均未知的情况下
我们就可以采用
线性最小均方估计方法进行估计
线性最小均方估计方法仅需要知道
观测矢量和估计矢量的前二阶矩的知识
也就是均值矢量
协方差矩阵和互协方差矩阵
估计准则是要使估计量的均方误差最小
但需要限定估计量是观测量的线性函数
由于观测矢量和被估计量的
前二阶矩容易得到
所以应用广泛
另外估计的误差矢量与观测矢量正交
在随机信号处理中亦占有重要地位
线性最小均方误差方法的估计准则是
建立在线性观测方程的基础之上的
观测矢量可以用被估计量进行线性表示
所以被估计量亦可表达为
观测矢量的线性函数
这就是估计准则的第一个要求
整个线性均方估计就是为了
求此线性函数的两个重要参数a和B
a相当于直线方程中的截距
b相当于直线方程中的斜率
估计准则第二个要求是
估计矢量的均方误差最小
再求均方误差时可以用
误差矢量的转置
与误差矢量本身的乘积来表示
也可以用误差矢量
与误差矢量转置的乘积的矩阵迹来表示
Tr就表示矩阵迹
接下来讲述第二部分估计矢量构造
线性最小均方误差估计矢量的构造
需要已知被估计量的均值矢量
协方差矩阵以及观测信号矢量的均值矢量
协方差矩阵和估计矢量
与观测信号矢量的互协方差矩阵
利用第二个估计准则
对估计量的均方误差
关于矢量a求偏导并令其值均为0
通过公式可以看出
系数a和系数b是有关的
我们再利用第二个估计准则
对系数b求偏导
联合两个偏导公式可以得出
系数a和系数b的值
从而可以构造出
线性均方误差的估计量
介绍完估计矢量的构造方法
我们需要对第三部分
估计矢量本身的性质
进行进一步的研究
根据估计矢量第一条构造原则可以得出
估计矢量是观测矢量的线性函数
且是线性估计中的最佳估计
另外我们对估计矢量的无偏性
进行进一步的研究
结果表明
线性最小均方误差方法的估计量
满足无偏性
然后对估计矢量的均方误差阵
进行进一步的研究
发现任意线性估计矢量的均方误差阵
一般可以分为三个部分
前两部分均为非负定矩阵
最后一项为线性最小均方误差估计阵
因此我们得出
线性最小均方误差方法计算的
均方误差阵满足最小性
另外我们进一步的研究
估计的误差矢量与观测矢量的关系
通过研究它们之间的相关性
我们得出误差矢量与观测矢量正交
为了更清晰的表明正交性
我们通过一个图形进行展示
被估计量的真实值
估计值和误差值三者满足矢量三角形
且此矢量三角形为直角三角形
这就从侧面证明了
线性最小均方误差估计方法得出的
误差阵具有最小性
在贝叶斯估计中
当代价函数为均方误差函数时
估计方法称之为最小均方误差估计
而今天我们研究的内容为
线性最小均方误差估计
这两者之间的共同点
都是要求估计量的均方误差最小
但是最小均方误差估计
需要已知估计量的
一些先验概率密度函数
而线性最小均方误差估计方法
则只需知道估计量与观测量的
前2阶矩信息
另外最小均方误差估计
可以是非线性估计
线性最小均方误差估计
则必须限于线性估计
两者在一定条件下是可以同等的
等同的条件为
被估计矢量与线性观测模型下的
噪声矢量是互不相关的高斯随机矢量
好了 同学们
本节的讲解到此结束
谢谢
-1.1 基本概念
--1.1 基本概念
-1.2 随机信号的比较、变换
-第一章 作业
--第一章 作业
-2.1 估计量的性质
-2.2 Bayes 估计
-2.3 最大似然和最小二乘
-2.4 线性均方估计
-第二章 作业
--第二章 作业
-3.1 离散随机过程与非参数化谱估计
-3.2 ARMA谱估计
-3.3 最大熵谱估计
-3.4 Pisarenko谐波分解法
-3.5 MUSIC方法
-3.6 ESPRIT方法
-第三章 作业
--第三章 作业
-4.1 匹配滤波器
-4.2 维纳滤波器
-4.3 Kalman滤波
-4.4 LMS类自适应算法
-4.5 RLS自适应算法
-第四章 作业
--第四章 作业
-6.1 信号的局部变换
-6.2 短时傅里叶变换
-6.3 Gabor变换
-6.4 小波变换
--6.4 小波变换
-第六章 作业
--第六章 作业
-7.1 时频分布的一般理论
-7.2 Wigner-Ville分布
-7.3 模糊函数
--7.3 模糊函数
-7.4 cohen类时频分布
-第七章 作业
--第七章 作业