随机信号分析
随机信号分析markdown笔记
wangs7_
努力学习!
展开
-
第五章 功率谱估计 笔记
第五章 功率谱估计文章目录第五章 功率谱估计5.1 引言5.2 经典估计方法5.2.1 相关图法(自相关函数估计)5.2.2 周期图法5.3 谱估计的参数化模型方法5.4 自回归(AR)模型方法5.4.1 AR模型的 Yule-Walker 方法5.4.2 AR 谱估计与线性预测谱估计等效5.4.3 最大熵谱估计及其与 AR 谱估计的等效性5.4.4 Levinson-Durbin 递推算法5.5 白噪声中正弦波频率的估计及谱估计的其它方法5.5.1 最大似然法5.5.2 Capon 最小方差法5.1原创 2020-12-18 19:40:30 · 1168 阅读 · 2 评论 -
第四章 自适应滤波 笔记
第四章 自适应滤波[待补充]文章目录第四章 自适应滤波4.1自适应滤波器的基本概念4.2 自适应滤波器的结构4.3 LMS 自适应滤波器4.3.1 最陡下降法原理4.3.2 LMS 算法的收敛性质4.44.1自适应滤波器的基本概念基本概念:根据信号环境特性用递推(自适应)算法,自动调整滤波器的脉冲响应,使自适应滤波的输出尽可能接近期望输出。在平稳环境中,迭代次数充分大时,自适应算法给出的结果在某种统计意义上收敛于维纳解,在非平稳环境中,自适应算法具有一定的跟踪输入数据统计特性(慢)变化的能力。原创 2020-11-13 18:00:10 · 456 阅读 · 0 评论 -
第三章 卡尔曼滤波 笔记
第三章 卡尔曼滤波文章目录第三章 卡尔曼滤波3.1 引言3.2 卡尔曼滤波器的信号模型模型分析3.3 卡尔曼滤波算法算法总结3.1 引言卡尔曼滤(Kalman)滤波和维纳(Wiener)滤波都是以最小均方误差为准则的最佳线性估计或滤波。但是,维纳滤波自由适用于平稳随机信号,而卡尔曼滤波则没有这个限制,这是它们最大的区别。另外,在处理方法上,它们也有很大不同。维纳滤波是根据全部过去和当前观测数据 x(n),x(n−1),⋯x(n),x(n-1),\cdotsx(n),x(n−1),⋯ 来估计信号的当前值原创 2020-11-03 17:50:53 · 395 阅读 · 0 评论 -
第二章 维纳滤波 笔记
第二章 维纳滤波2.1 引言信号检测目标:从噪声中提取信号。对于一个线性系统来说,如果其冲激响应为 h(n)h(n)h(n) ,则当输入某一随机信号 x(n)x(n)x(n) 时,它的输入为y(n)=∑mh(m)x(n−m)y(n)=\sum_{m}h(m)x(n-m)y(n)=m∑h(m)x(n−m)这里的输入往往是掺杂着噪声的信号,噪声是我们无法避免的,我们只能尽量减小噪声对信号的影响。x(n)=s(n)+v(n)x(n)=s(n)+v(n)x(n)=s(n)+v(n)式中 s(原创 2020-10-30 14:22:06 · 677 阅读 · 0 评论 -
第一章 离散随机信号 笔记
第一章 离散随机信号1.1 引言定义 :设已给概率空间 (Ω,ζ,P)(\Omega,\zeta,P)(Ω,ζ,P) ,ZZZ 为整数集,若对每一整数 n(n∈Z)n(n\in Z)n(n∈Z) ,均有定义在 (Ω,ζ,P)(\Omega,\zeta,P)(Ω,ζ,P) 上的一个随机变量 x(n,ξ)(ξ∈Ω)x(n,\xi)\quad(\xi \in \Omega)x(n,ξ)(ξ∈Ω) 与之对应,则称依赖与参数 nnn 的一列随机变量 x(n,ξ)x(n,\xi)x(n,ξ) 为一离散时间随原创 2020-09-24 10:37:15 · 1184 阅读 · 0 评论