实例介绍
【实例简介】
高阶统计量分析方法是一种重要的非高斯信号分析方法，在此上传张贤达的这本书，希望对大家的学习有所帮助
专题内容 概述 高阶统计量的定义、性质和估计 155 ()高阶矩、高阶累积量及其谱 ·*·····“········““··“· (二)高阶累积量与高阶谱的性质 三)高阶累积量与高阶谱的估计…......19 、非最小相位系统的辨识 21 (一)基本问题 21 (二)MA系统的辨识. 25 (三)ARMA系统的辨识…135 四、谐波恢复 42 ()基本问题 42 ()谐波恢复的高阶累积量方法 ……………·……… 43 五、空间窄带信号源的波达方向估计 ()基本问题 46 (二)基于二阶统计量的DOA估计方法及其不足.147 (三)基于高阶统计量的DOA估计方法53 、概述 高阶统计量( (Higher-order Statistics)是指比二阶统计量更高阶的随机变 量或随机过程的统计量。 二阶统计量有: 〉随机变量(矢量):方差、协方差(相关矩)、二阶矩。 随机过程:自相关函数、功率谱、互相关函数、互功率谱、自协 方差函数等 高阶统计量有: 随机变量(矢量):高阶矩( Higher-order Moment),高阶累积量 (Higher-order Cumulant) 随机过程:高阶矩、高阶累积量、高阶谱( Higher- order Spectra, Polyspectra)。 从统计学的角度,对正态分布的随机变量(矢量),用一阶和二阶统 计量就可以完备地表示其统计特征。如对一个高斯分布的随机矢量,知道 了其数学期望和协方差矩阵,就可以知道它的联合概率密度函数。对一个 高斯随机过程,知道了均值和自相关函数(或自协方差函数),就可以知 道它的概率结构,即知道它的整个统计特征。 但是,对不服从髙斯分布的随机变量(矢量)或随机过程,一阶和二 阶统计量不能完备地表示其统计特征。或者说,信息没有全部包含在一 二阶统计量中,更高阶的统计量中也包含了大量有用的信息。高阶统计量 信号处理方法,就是从非高斯信号的高阶统计量中提取信号的有用信息, 特别是从一、二阶统计量中无法提取的信息的方法。从这个角度来说,高 阶统计量方法不仅是对基于相关函数或功率谱的随机信号处理方法的重 要补充,而且可以为二阶统计量方法无法解决的许多信号处理问题提供手 段。可以亳不夸张地说,凡是使用功率谱或相关函数进行过分析与处理, 而又未得到满意结果的任何问题,都值得重新试用高阶统计量方法。 高阶统计量的概念于1889年提出。 高阶统计量的研究始于六十年代初,主要是数学家和统计学家们在做 基础理论的研究,以及针对光学、流体动力学、地球物理、信号处理等领 域特定问题的应用研究。直到八十年代中、后期,在信号处理和系统理论 领域才掀起了高阶统计量方法的研究热潮。标志性的事件有: 1. K. S. Lii. m. rosenblatt "Deconvolution and Estimation of Transfer Function phase and Coefficients for non-Gaussian Linear processes Ann Statistcs, Vol, 10, pp. 1195-1208, 1982 首次用高阶统计量解决了非最小相位系统的盲辩识问题。 2.C.L. Nikias,M.R. Raghuveer的综述文章“ Bispectrum Estimation:A Digital Signal Processing Framework”在Proc.正EE发表,1987July 3.1989、1991、1993、1995、1997、1999年举办了六届关于高阶统计量 的信号处理专题研讨会(海军研究办公室,NSF, IEEE Control System Society, IEEE ASSP Society, IEEE Geoscience and Remote sensing Society 4. IEEE Trans.onAC1990年1月专辑 5. IEEE Trans, on AssP1990年7月专辑。 6.J.M. Mendel的综述文章 Tutorial on Higher- Order statistics( Spectra)in Signal Processing and System Theory: Theoretical Results and Some Applications”.Proc,正E,1991(主要是关于非最小相位系统辨识)。 7.C.L. Nikias&A.P. Petropula的专著 Higher-order Spectral Analysis:A Nonlinear Processing Framework,由 Prentice-Hall I1993出版。 8. Signal Processing,19944月专辑。 9. Circuits, Systems, and Signal Processing,1994.6月专辑。 高阶统计量方法已在雷达、声纳、通信、海洋学、电磁学、等离子体 物理、结晶学、地球物理、生物医学、故障诊断、振动分析、流体动力学 等领域的信号处理问题中获得应用。典型的信号处理应用包括系统辨识与 时间序列分析建模、自适应估计与滤波、信号重构、信号检测、谐波恢复、 图像处理、阵列信号处理、盲反卷积与盲均衡等。 在信号处理中使用高阶统计量的主要动机可以归纳成四点 1、抑制未知功率谱的加性有色噪声的影响。 2、辨识非最小相位系统或重构非最小相位信号。 自相关函数或功率谱是相盲的,即不包含信号或系统的相位信息。仅 当系统或信号是最小相位时,二阶统计量的方法才能获得正确的结果。相 反,高阶统计量既包含了幅度信息,又保留了信号的相位信息,因而可以 用来解决非最小相位系统的辨识或非最小相位信号的重构问题。 3、提取由于高斯性偏离带来的各种信息 对于非高斯信号,其高阶统计量中也包含了大量的信息。对模式识别、 信号检测、分类等问题,有可能从高阶统计量获得信号的显著分类特征, 4、检测和表征信号中的非线性以及辨识非线性系统。 如用来解决非线性引起的二次、三次相位耦合问题。 参考资料: 1、张贤达,《时间序列分析一高阶统计量方法》,清华大学出版社,1996。 2、沈凤麟等,《生物医学随机信号处理》(第9章),中国科学技术大学出 版社,1999。 3 J M. Mendel. "Tutorial on Higher-order Statistics(Spectra) in Signal Processing and Systems Theory: Theoretical Results and Some Applications. Proc. IEEE, Vol. 79, pp. 278-305, 1991 4, C. L. Nikias A. P, Petropulu. Higher-order Spectral Analysis: A Nonlinear Processing Framework. Prentice-Hall. 1993 5 C L. Nikias J. M. Mendel.Signal Processing with High er-order Spectra. IEEE Signal Processing Magazine, Vol 10, July, pp 10-37, 1993 6 C. L Nikias M. R Raghuveer." Bispectrum Estimation: A Digital Signal Processing Fi ramewo ork". Proc. IEEE, Vol. 75, pp. 869-891, 1987 7 P. A. Delaney d. O. Walsh. " A Bibliography of Higher-Order Spectra and Cumulants". IEEE Signal Processing Magazine, Vol 11 July, pp. 61-70 1994 8、J.A. Cadzow.“ Blind Deconvolution via Cumulant Extrema”.IEEE Signal Processing Magazine, Vol 13, No 3, pp 24-42, 1996 www.ant,uni-bremen.edu.de/hoshome 二、高阶统计量的定义、性质和估计 (一)高阶矩、高阶累积量及其谱 从随机变量→随机矢量→随机过程) 1、随机变量的特征函数与累积量 定义:设随机变量x具有概率密度fx),其特征函数定义为 (s)=f()edx=Eel 其中s为特征函数的参数。 (可看作八x)的拉普拉斯变换) 特征函数Φ(s)只是参数s的函数。对Φ)求k次导数,可得 Φ^(s)=Exe 因此 (O)=E}=m 也就是说)在原点阶导数等孩x阶筹k。因此,Φ(s)也称作矩生成 函数(又叫第一特征函数)。 矩生成函数可以唯一地、完全地确定一个概率分布。这可由矩生成函 数唯一性定理阐明: 定理:设F(x)和G(x)是具有相同矩生成函数的分布函数,即: e dF (x)= esdG(x) 则F(x)=G(x) 由矩生成函数可以定义随机变量κ的累积量生成函数(又叫第二特征 函数)及累积量。 定义:设随机变量x的矩生成函数为Φ(s),则函数 H(s)=nΦ(s) 称为x的累积量生成函数,而v()在原点的k阶导数 dky(s) ds k 0 称为x的k阶累积量 如果将s)和v展开成 Taylor级数,根据以上定义,就会有 ①(s)=1+m1S+m2S2+…+,,mkS+… k! (2+4+x12cm k! k1 也就是说,x的k阶矩和累积量分别是其矩生成函数和累积量生成函数的 Taylor级数展开中s项的系数。 2、随机矢量的特征函数与累积量 定义:令x=[x,x2,…,x是一随机矢量,且s=s,s2,…,sr,则随机矢 量x的矩生成函数定义为 Φ(S1S E S11+2x2+…+Skxk l52为 E x的累积量生成函数定义为 (S1,S2,…,Sk)=lnΦ(s1, x的(vy2…,w)阶矩和累积量分别定义为矩生成函数和累积量生成函数的 Iayr级数展开中S1S2…S项的函数,即 0Φ(S1,s2;…,s) Ex VI S "Y( 152 1512sk as1Os2…as k 其中 vko 对v=V2=…=认=1的特殊情况,记随机矢量x的矩和累积量分别为 mom(,, cum(Y1 X 我们下面将用它们来定义随机过程的高阶矩和累积量。 3、随机过程的高阶矩和高阶累积量 定义:设{x(n)}为k阶平稳随机过程,则该过程的k阶矩定义为 ma(z1,z2,…,k-)=mom{x(n),x(n+),…,x(n+xk-1)} 而k阶累积量定义为 cs(1,z2,…,k-)=cum{x(m),x(nt+),…,x(n+tk1)} 根据这一定义,平稳随机过程的k阶矩和k阶累积量实质上就是取 x1=x(n),x2=x(n+a),…,x=x(n+k)之后的随机矢量[(n),x(n+z),…, 【实例截图】
【核心代码】
高阶统计量分析方法是一种重要的非高斯信号分析方法，在此上传张贤达的这本书，希望对大家的学习有所帮助
专题内容 概述 高阶统计量的定义、性质和估计 155 ()高阶矩、高阶累积量及其谱 ·*·····“········““··“· (二)高阶累积量与高阶谱的性质 三)高阶累积量与高阶谱的估计…......19 、非最小相位系统的辨识 21 (一)基本问题 21 (二)MA系统的辨识. 25 (三)ARMA系统的辨识…135 四、谐波恢复 42 ()基本问题 42 ()谐波恢复的高阶累积量方法 ……………·……… 43 五、空间窄带信号源的波达方向估计 ()基本问题 46 (二)基于二阶统计量的DOA估计方法及其不足.147 (三)基于高阶统计量的DOA估计方法53 、概述 高阶统计量( (Higher-order Statistics)是指比二阶统计量更高阶的随机变 量或随机过程的统计量。 二阶统计量有: 〉随机变量(矢量):方差、协方差(相关矩)、二阶矩。 随机过程:自相关函数、功率谱、互相关函数、互功率谱、自协 方差函数等 高阶统计量有: 随机变量(矢量):高阶矩( Higher-order Moment),高阶累积量 (Higher-order Cumulant) 随机过程:高阶矩、高阶累积量、高阶谱( Higher- order Spectra, Polyspectra)。 从统计学的角度,对正态分布的随机变量(矢量),用一阶和二阶统 计量就可以完备地表示其统计特征。如对一个高斯分布的随机矢量,知道 了其数学期望和协方差矩阵,就可以知道它的联合概率密度函数。对一个 高斯随机过程,知道了均值和自相关函数(或自协方差函数),就可以知 道它的概率结构,即知道它的整个统计特征。 但是,对不服从髙斯分布的随机变量(矢量)或随机过程,一阶和二 阶统计量不能完备地表示其统计特征。或者说,信息没有全部包含在一 二阶统计量中,更高阶的统计量中也包含了大量有用的信息。高阶统计量 信号处理方法,就是从非高斯信号的高阶统计量中提取信号的有用信息, 特别是从一、二阶统计量中无法提取的信息的方法。从这个角度来说,高 阶统计量方法不仅是对基于相关函数或功率谱的随机信号处理方法的重 要补充,而且可以为二阶统计量方法无法解决的许多信号处理问题提供手 段。可以亳不夸张地说,凡是使用功率谱或相关函数进行过分析与处理, 而又未得到满意结果的任何问题,都值得重新试用高阶统计量方法。 高阶统计量的概念于1889年提出。 高阶统计量的研究始于六十年代初,主要是数学家和统计学家们在做 基础理论的研究,以及针对光学、流体动力学、地球物理、信号处理等领 域特定问题的应用研究。直到八十年代中、后期,在信号处理和系统理论 领域才掀起了高阶统计量方法的研究热潮。标志性的事件有: 1. K. S. Lii. m. rosenblatt "Deconvolution and Estimation of Transfer Function phase and Coefficients for non-Gaussian Linear processes Ann Statistcs, Vol, 10, pp. 1195-1208, 1982 首次用高阶统计量解决了非最小相位系统的盲辩识问题。 2.C.L. Nikias,M.R. Raghuveer的综述文章“ Bispectrum Estimation:A Digital Signal Processing Framework”在Proc.正EE发表,1987July 3.1989、1991、1993、1995、1997、1999年举办了六届关于高阶统计量 的信号处理专题研讨会(海军研究办公室,NSF, IEEE Control System Society, IEEE ASSP Society, IEEE Geoscience and Remote sensing Society 4. IEEE Trans.onAC1990年1月专辑 5. IEEE Trans, on AssP1990年7月专辑。 6.J.M. Mendel的综述文章 Tutorial on Higher- Order statistics( Spectra)in Signal Processing and System Theory: Theoretical Results and Some Applications”.Proc,正E,1991(主要是关于非最小相位系统辨识)。 7.C.L. Nikias&A.P. Petropula的专著 Higher-order Spectral Analysis:A Nonlinear Processing Framework,由 Prentice-Hall I1993出版。 8. Signal Processing,19944月专辑。 9. Circuits, Systems, and Signal Processing,1994.6月专辑。 高阶统计量方法已在雷达、声纳、通信、海洋学、电磁学、等离子体 物理、结晶学、地球物理、生物医学、故障诊断、振动分析、流体动力学 等领域的信号处理问题中获得应用。典型的信号处理应用包括系统辨识与 时间序列分析建模、自适应估计与滤波、信号重构、信号检测、谐波恢复、 图像处理、阵列信号处理、盲反卷积与盲均衡等。 在信号处理中使用高阶统计量的主要动机可以归纳成四点 1、抑制未知功率谱的加性有色噪声的影响。 2、辨识非最小相位系统或重构非最小相位信号。 自相关函数或功率谱是相盲的,即不包含信号或系统的相位信息。仅 当系统或信号是最小相位时,二阶统计量的方法才能获得正确的结果。相 反,高阶统计量既包含了幅度信息,又保留了信号的相位信息,因而可以 用来解决非最小相位系统的辨识或非最小相位信号的重构问题。 3、提取由于高斯性偏离带来的各种信息 对于非高斯信号,其高阶统计量中也包含了大量的信息。对模式识别、 信号检测、分类等问题,有可能从高阶统计量获得信号的显著分类特征, 4、检测和表征信号中的非线性以及辨识非线性系统。 如用来解决非线性引起的二次、三次相位耦合问题。 参考资料: 1、张贤达,《时间序列分析一高阶统计量方法》,清华大学出版社,1996。 2、沈凤麟等,《生物医学随机信号处理》(第9章),中国科学技术大学出 版社,1999。 3 J M. Mendel. "Tutorial on Higher-order Statistics(Spectra) in Signal Processing and Systems Theory: Theoretical Results and Some Applications. Proc. IEEE, Vol. 79, pp. 278-305, 1991 4, C. L. Nikias A. P, Petropulu. Higher-order Spectral Analysis: A Nonlinear Processing Framework. Prentice-Hall. 1993 5 C L. Nikias J. M. Mendel.Signal Processing with High er-order Spectra. IEEE Signal Processing Magazine, Vol 10, July, pp 10-37, 1993 6 C. L Nikias M. R Raghuveer." Bispectrum Estimation: A Digital Signal Processing Fi ramewo ork". Proc. IEEE, Vol. 75, pp. 869-891, 1987 7 P. A. Delaney d. O. Walsh. " A Bibliography of Higher-Order Spectra and Cumulants". IEEE Signal Processing Magazine, Vol 11 July, pp. 61-70 1994 8、J.A. Cadzow.“ Blind Deconvolution via Cumulant Extrema”.IEEE Signal Processing Magazine, Vol 13, No 3, pp 24-42, 1996 www.ant,uni-bremen.edu.de/hoshome 二、高阶统计量的定义、性质和估计 (一)高阶矩、高阶累积量及其谱 从随机变量→随机矢量→随机过程) 1、随机变量的特征函数与累积量 定义:设随机变量x具有概率密度fx),其特征函数定义为 (s)=f()edx=Eel 其中s为特征函数的参数。 (可看作八x)的拉普拉斯变换) 特征函数Φ(s)只是参数s的函数。对Φ)求k次导数,可得 Φ^(s)=Exe 因此 (O)=E}=m 也就是说)在原点阶导数等孩x阶筹k。因此,Φ(s)也称作矩生成 函数(又叫第一特征函数)。 矩生成函数可以唯一地、完全地确定一个概率分布。这可由矩生成函 数唯一性定理阐明: 定理:设F(x)和G(x)是具有相同矩生成函数的分布函数,即: e dF (x)= esdG(x) 则F(x)=G(x) 由矩生成函数可以定义随机变量κ的累积量生成函数(又叫第二特征 函数)及累积量。 定义:设随机变量x的矩生成函数为Φ(s),则函数 H(s)=nΦ(s) 称为x的累积量生成函数,而v()在原点的k阶导数 dky(s) ds k 0 称为x的k阶累积量 如果将s)和v展开成 Taylor级数,根据以上定义,就会有 ①(s)=1+m1S+m2S2+…+,,mkS+… k! (2+4+x12cm k! k1 也就是说,x的k阶矩和累积量分别是其矩生成函数和累积量生成函数的 Taylor级数展开中s项的系数。 2、随机矢量的特征函数与累积量 定义:令x=[x,x2,…,x是一随机矢量,且s=s,s2,…,sr,则随机矢 量x的矩生成函数定义为 Φ(S1S E S11+2x2+…+Skxk l52为 E x的累积量生成函数定义为 (S1,S2,…,Sk)=lnΦ(s1, x的(vy2…,w)阶矩和累积量分别定义为矩生成函数和累积量生成函数的 Iayr级数展开中S1S2…S项的函数,即 0Φ(S1,s2;…,s) Ex VI S "Y( 152 1512sk as1Os2…as k 其中 vko 对v=V2=…=认=1的特殊情况,记随机矢量x的矩和累积量分别为 mom(,, cum(Y1 X 我们下面将用它们来定义随机过程的高阶矩和累积量。 3、随机过程的高阶矩和高阶累积量 定义:设{x(n)}为k阶平稳随机过程,则该过程的k阶矩定义为 ma(z1,z2,…,k-)=mom{x(n),x(n+),…,x(n+xk-1)} 而k阶累积量定义为 cs(1,z2,…,k-)=cum{x(m),x(nt+),…,x(n+tk1)} 根据这一定义,平稳随机过程的k阶矩和k阶累积量实质上就是取 x1=x(n),x2=x(n+a),…,x=x(n+k)之后的随机矢量[(n),x(n+z),…, 【实例截图】
【核心代码】
标签：
好例子网口号：伸出你的我的手 — 分享！
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论