-
參量估計
鎖定
參量估計(parameter estimation )用統計學中的估計理論,對接收端收到的混有噪聲和干擾的信號樣本,估計出有用信號參量(如振幅、頻率、相位、到達時間等)的方法。
- 中文名
- 參量估計
- 外文名
- parameter estimation
- 應用學科
- 通信
參量估計簡介
常用的參量估計方法有最小平方誤差估計、極大似然估計和貝葉斯估計。最小平方誤差估計對信號和噪聲的統計知識可以不作任何要求。極大似然估計是以似然函數的概念為基礎。貝葉斯估計首先要給定隨機參量θ的概率密度函數和因估計誤差而帶來的代價 函數。貝葉斯估計是使平均風險為最小的估計(見估計理論)。
參量估計的目的是在有限個信號觀測量值中,以最佳方式估計該參量。
參量估計貝葉斯估計
準則:對不同的估計結果給出不同的代價,並使估計代價最小。
貝葉斯估計是將貝葉斯判決理論,推廣到對隨機參量估計的貝葉斯估計理論。
有關定義如下:
代價函數C:
若s是一參量,可在參量空間Ω中取值;
若
是估計量,可在判決空間A中取值。
稱C(
,S)是代價函數,它是
和s的實值函數,且滿足下列兩個條件:
⑴ C(s,
)≥0,對所有的
,S
Ω
⑵ 對應於每個S
Ω和C(s,
)=0,在A中有一個最小的
。
風險函數(Risk function)
定義為代價函數的均值,即:
△ 貝葉斯估計-使風險函數最小的估計。
由於估計誤差
決定估計問題中估計質量的好壞,所以,通常僅對估計值與真實值之差
感興趣。若考慮誤差函數的代價,這時C可定義為(S-
)的單變量函數,有下列三種情況:
(a) 平方誤差
(b) 絕對值誤差
(c) 均勻代價函數如圖1。
貝葉斯判據:平均代價最小,即 E(c)=min。
由於c是
的函數,而
又是觀察值x的函數,所以c就是x和s的聯合函數,所以有:
令:
,R稱為條件風險函數。
情況(a): 平方誤差情況下,風險函數最小的估計量稱為最小均方估計(minimum mean square estimation)
其風險函數為:
由於:p(s,x)=p(s|x)p(x)
則風險函數為:
∵p(x)≥0故RMS最小即等效為上式括號[ ]內項最小。
上式內項對求導,故有
則有:
由於
情況(b):
絕對值誤差情況下,風險函數如圖2:
上式括號[ ]內項如圖3:
ABS估計應取在後驗概率密度函數面積的平分線上,即估值為條件概率密度函數的中值(median)。
——稱為後驗中值估計如圖5
情況(c):
均勻代價函數
上式[ ]號中的後面一項如圖6:
取對數,則有如圖7,既滿足圖8的條件。
最後,將三種情況估計式中後驗概率密度函數借助於貝葉斯公式
用先驗概率代替得到:
MAP估計如圖10:
MS估計如圖11:
參量估計極大似然估計
估計準則:選取使似然函數L(θ)為最大的
作為θ的估計量,稱為θ的最大似然估計。
L (θ)最大等效ln L(θ)最大。要求θ的最大似然估計
,必需解似然方程:
由於對數函數的單調性,取對數似然函數進行估計,則有:
此式為必要條件,而不是充分條件。
例5.1 在假設H1和H0下,接收信號為:
H1:Zk=m+vK, k=1,2,...N
H0:Zk= vK, k=1,2,...N
解:用前面的檢測理論是判決那個假設為真。
本節的估計理論,H1假設為真,vK為高斯噪聲。、本例中,參量估計=,其均值為m,接下來的步驟如圖13。
參量估計實例
以雷達系統為例,接收端收到的混有噪聲和干擾的信號樣本就是雷達目標的回波,通常可寫成Acos[2πf(t-tr)+φ0],A是回波幅度;f是回波頻率;tr是雷達波發射時間和回波收到時間之差(通常稱為時延)。這些都是待估計的參量,包含着目標的散射待性、空間距離和運動速度等信息。雷達接收端的任務就是要按照數學規則,採用適當技術措施把這些混合信號變換成具有一定概率模型的信號,然後再按照設定的規則得到估計量。假設待估計的參量之一是θ,從對n個觀測數據的處理所得的估計量為
,
一般也是一個隨機變量。估計量的好壞可用它的統計特性來表示。當θ為實際參量時,稱
與其真值θ之差為估計誤差,用
表示,即
=θ-
。如果
的期望值為零。即
或
表示估計量的期望值等於真值,稱為無偏估計。如果對同一參量用不同估計方法得出不同的無偏估計
如其中之一
的方差是所有估計量方差中最小的,並達到相應的下限時,則稱
為有效估計。如果對任一小的正數ε有下列概率的極限關係
則
稱為一致估計量。
- 詞條統計
-
- 瀏覽次數:次
- 編輯次數:2次歷史版本
- 最近更新: 小妖孽030