信号处理中的高阶统计量概述

本部分知识主要参考网上各类资料以及高阶统计量信号处理方法

概述

高阶统计量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

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

随机变量（矢量）：高阶矩、高阶累积量，

随机过程：高阶矩、高阶累积量、高阶谱。

       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。

       倘若随机变量或随机过程不服从高斯分布的时候，一阶和二阶统计量就不能完备地表示其统计特征了。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。可以毫不夸张地说，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。

高阶统计量方法的应用

       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。

信号处理中使用高阶统计量的主要动机

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。

       我们知道，自相关函数或功率谱是不包含信号或系统的相位信息的。只有当系统或信号使最小相位时，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便是非线性系统