没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![application/pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![7z](https://img-home.csdnimg.cn/images/20210720083312.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/release/download_crawler_static/88980870/bg1.jpg)
1
4. Linear Estimation—Orthogonality(线性估计—正交)
4.1 统计优化准则的选择
在估计问题中,假设 Y 是未知的待估参数,
是已经
获得的数据,通过对 X 的处理,实现对 Y 的估计,即
在上述滤波器优化设计中,可以考虑采用某种最小代价函数或某个性能指
标作为衡量标准,一般有以下 3 种选择。
1·估计误差的均值:
2·估计误差绝对值的期望:
3·估计误差绝对值的三阶或高阶期望
大多数情况下,我们通常选择第一种标准,一方面,平方代表能量,在直观的
物理意义上很匹配;另一方面,在数学上,平方求导后变成线性的,而线性问
题方便处理,相对于非线性问题,更容易获得解析解。
4.2 条件期望
普通的数学期望
表示一个固定的数,的随机性在求期望的过程中被消
除;而条件期望
表示一个关于的随机变量,这是两者的本质区别,其
中
依赖于,然而的随机性没有被完全消除掉,所以
是一个随机
变量。
条件期望的性质:
1)
2)
![](https://csdnimg.cn/release/download_crawler_static/88980870/bg2.jpg)
2
上式中,左侧的随机性来自于,在计算条件期望的时候,
将的随
机性暂时“冻结”(这时可以将看成一个定量),所以右侧的
可以提到
求期望的外面。期望计算完后,X 的随机性又恢复。
利用条件期望,可以把不同的随机变量分开,从而达到“各个击破”的目
的。下面举例说明之。
例. 假设有 N 个样本
独立同分布,
当随机变量的个数 N 没有随机性时,有
当 N 是随机变量,假设 N 与样本
相互独立,求期望的时候遇到了
困难:样本
是随机变量,样本的个数 N 也是随机变量,期望的作用对
象是随机个随机变量。对于这一问题,显然不能上一种情况那样,直接求期望
,因为N是一个不确定的随机变量。
当有2个或2个以上随机变量(不是随机变量的样本值)同时出现时,我们
通常采用的方法是“各个击破”:首先处理一个随机变量(假设为N),其它变
量作为条件,暂时“冻结”它(们)的随机性,等处理完这个随机变量后,再按
同样的方法一次处理剩余的随机变量,即
此时条件期望使 N 的随机性暂时消失,又因为
独立同分布,所以
最终将 N 和
分开,方便处理。
上面的结果是比较直观的:随机个随机变量的和的数学期望就是随机变量的
数学期望与个数期望的乘积。
4.2 最优估计
在 4.1 中的估计问题中,用一个数据 X 对 Y 进行估计,为了更好的估计
Y,选择均方误差作为准则,即让
尽可能小,这就形成了一个均方意义下的最优化优化问题:
这个问题比较复杂,原因是要对
进行优化,然而我们对它没有任何限
制,它可以是线性的,也可以是非线性的,甚至可以是我们所能想到的任何一
种函数形式,最优化就是从所有的这些函数中选择一个最优的。在这个过程
中,不能对
进行参数化处理,(如果可以的话,可以对参求导,然后再做
进一步处理)。
![](https://csdnimg.cn/release/download_crawler_static/88980870/bg3.jpg)
3
首先分析比较简单的问题。用一个常数 a 逼近另一个常数 Y,在均方意义
下,就是下面的优化问题:
对
求导并令其为 0:
得到
上面的结果表明,用一个常数逼近另一个常数的最优结果就是数学期望。
用一个变量
逼近另一个随机变量时,如果 X 是一个常数,类似上面
的分析,可以得到
由于条件期望可以暂时“冻结”随机变量的随机性,随机变量的随机性没了就变
成一个常数,所以我们不妨大胆假设当 X 是随机变量时,
即在均方意义下,用 X 对 Y 进行估计的最优估计就是条件期望
。
当然上述只是一种猜想,现在还不能作为一个结论,下面我们要验证这个
猜想是否正确。
在
中引入条件期望
:
因为
所以
其中
的随机性只和 X 有关,对 X 进行条件后可将其提出:
剩余10页未读,继续阅读
资源评论
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/default.jpg!1)
woaixuexi428
- 粉丝: 212
- 资源: 4
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)