信号检测与估计仿真作业

信号检测与估计理论简答

信号检测与估计理论简答题 1.维纳滤波器与卡尔曼滤波器的区别 维纳滤波器： 1)只用于平稳随机过程。 2)该系统常称为最佳线性滤波器。它根据全部过去和当前的观测信号来估计信号的波形，它的解是以均方误差最小条件所得到的系统的传递函数H(Z)的形式给出的。 3)信号和噪声是用相关函数表示的。 卡尔曼滤波器： 1)平稳随机过程和不平稳随机过程均适用。 2)该系统常称为线性最优滤波器。它不需要全部过去的观测数据，可根据前一个的估计值和最近的观察数据来估计信号的当前值，它是用状态方程和递推方法进行估计的，其解是以估计的形式给出的。 3)信号和噪声是用状态方程和测量方程表示的。 2.解释白噪声情况下正交函数集的任意性 设)0)(()()(T t t n t s t x ≤≤+=中，噪声n(t)是零均值、功率谱密度为2/)(0N w P n =的白噪声，其自相关函数)(2)(0 u t N u t r n -= -δ。于是，任意取正交函数集)()},({t x t f k 的展 开系数 j x 和 k x (k=1,2,…)的协方差为 )])([(k k j j s x s x E --] )()()()([00??=T k j T du u f u n dt t f t n E ????????=T T k j dt du u f u n t n E t f 00)()]()([)(? ???????-=T T k j dt du u f u t t f N 0 00)()()(2 δjk k T j N dt t f t f N δ2 )()(2 = =? 当k j ≠时，协方差0 )])([(=--k k j j s x s x E ，这说明，在n(t)是白噪声的条件下，取任 意正交函数集)}({t f k 对平稳随机过程k x (k=1,2,…)之间都是互不相关的。这就是白噪声条件下正交函数集的任意性。 3.请说明非随机参量的任意无偏估计量的克拉美-罗不等式去等号成立的条件和用途 克拉美-罗不等式] )),(ln [(1 ])?[(2 2θ θθ θ??≥-x p E E 或 )] ),(ln [(1 ])?[(22 2θθθ θ??-≥-x p E E 当且仅当对 所有的x 和θ 都满足 k x p )?(),(ln θ θθθ-=??时，不等式去等号成立。其中k 是任意非零常 数。 用途：当不等式去等号的条件成立时，均方误差取克拉美-罗界，估计量θ? 是无偏有效的。以此，随机参量下的克拉美-罗不等式和取等号的条件可用来检验随机参量θ的任意无偏估计量θ? 是否有效。若估计量无偏有效，则其均方误差可由计算克拉美-罗界求得。 4.简述最小的均方误差估计与线性最小均方误差估计的关系。 在贝叶斯估计中讨论的随机矢量θ的最小均方误差估计，估计矢量mse θ可以是观测矢

信号检测与估计理论第一章习题讲解

1-9 已知随机变量X 的分布函数为 2 0, 0(),01 1,1 X x F x kx x x ? 求：①系数k ； ②X 落在区间(0.3,0.7)内的概率； ③随机变量X 的概率密度。 解： 第①问 利用()X F x 右连续的性质 k ＝1 第②问 {} {}{}()()0.30.70.30 .70.70 .3 0.7P X P X F P X F =<< =<≤-=- 第③问 201()()0 X X x x d F x f x else dx ≤

1-10已知随机变量X 的概率密度为()()x X f x ke x -=-∞<<+∞（拉 普拉斯分布），求： ①系数k ②X 落在区间(0,1)内的概率 ③随机变量X 的分布函数 解： 第①问 ()1 1 2 f x d x k ∞ -∞==? 第②问 { }()( )()2 1 1 221x x P x X x F x F x f x d x <≤ =-=? 随机变量X 落在区间12(,]x x 的概率12{}P x X x <≤就是曲线()y f x =下的曲边梯形的面积。 {}{}()() 1 0101011 12 P X P X f x dx e -<<=<≤==-? 第③问 ()102 10 2 x x e x f x e x -?≤??=? ?>?? ()00()1100 2 2 111010 2 22 x x x x x x x x F x f x dx e dx x e x e dx e dx x e x -∞ -∞---∞=??≤≤??? ?==????+>->????? ???

信号检测与估计课程体会

信号检测与估计课程的主要内容 信号检测与估计重点论述了信号的随机性及统计处理方法；概述了信号检测与估计的基本概念；扼要介绍了了信号检测与估计理论的基研知识，即随机变量、随机过程及其统计描述和主要统计特性，复随机过程及其统计描述，随机参量信号及其统计描述等；在论述信号统计检测基本概念的基础上，讨论了确知信号的最佳检测准则、判决式和性能分析，随机参量信号的统计检测，以及一般高斯信号和复信号的统计检测问题；在研究了匹配滤波器理论和随机过程的正交级数展开两个预备知识后，讨论了高斯白噪声中确知信号波形的检测、高斯有色噪声中确知信号波形的检测及高斯白噪声中随机参量信号波形的检测；还讨论了复信号波形的检测问题；重点讨论了信号参量的统计估计准则、估计量的构造和性质、非随机矢量函数的估计及信号波形中参量的估计；对线性最小均方误差估计和线性最小二乘估计导出了它们的递推算法公式，并简要讨论了非线性最小二乘估计问题；信号波形的估计问题，重点讨论了连续、离散维纳滤波器的设计，均方误差的计算，离散卡尔曼滤波的信号模型，利用正交投影及其引理导出的离散卡尔曼滤波递推算法公式、含义、递推计算方法、特点和性质及其扩展；还简要讨论了非线性离散状态估计问题；论述了噪声、杂波环境中信号的恒虚警率检测，可看作是信号检测与参量估计相结合的具体应用；本章还简要讨论了信号的非参量检测和稳健性检测的基本理论和方法 实际应用 随着现代通信理论、信息理论、计算机科学与技术及微电子技术等的飞速发展，随机信号统计处理的理论和技术也在向干扰环境更复杂、信号形式多样化、技术指标要求更高、应用范围越来越广的方向发展，并已广泛应用于电子信息系统、生物医学工程、航空航天系统工程、模式识别、自动控制等领域。目前信息科技的迅猛发展已成为世界科技变革发生和发展的驱动力量。在雷达、通信、声呐、遥控遥测、图像处理、自动控制等各种各样的应用信息系统中，信息传输的可靠性和真实性已经成为核心问题。我们知道，在信息的传输与交换过程中，都是通过信号这一物理实体来实现的。信号是信息的载荷者、传送者。在信号产生和传输的过程中，必然受到各种干扰因素的影响，因而必须加以处理，才能提供给信息接收者使用。由于被传输的信号本身和各种干扰往往具有随机性，信号处理设备必须进行统计分析，而这个统计分析的基本任务是检测信号（即判定某种信号是否存在）和估计携带信息的信号参量。由此可知，信号检测与估计理论就是信号处理的统计理论，所要解决的问题是信息传输系统的基本问题，因而具有广泛的应用性。MATLAB编程实践感想 MATLAB是由美国Math Works公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动

《信号检测与估计》总复习

《信号检测与估计》总复习 2005.4 第一章 绪 论 本章提要 本章简要介绍了信号检测与估计理论的地位作用、研究对象和发展历程，以及本课程的性能和主要内容等。 第二章 随机信号及其统计描述 本章提要 本章简要阐述了随机过程的基本概念、统计描述方法，介绍了高斯噪声和白噪声及其统计特性。 本章小结 （1）概率分布函数是描述随机过程统计特性的一个重要参数，既适用于离散随机过程，也适用于连续随机过程。一维概率分布函数具有如下性质 1),(0≤≤t x F X []0)(),(=-∞<=-∞t X P t F X ； []1)(),(=+∞<=+∞t X P t F X ； ),(),())((1221t x F t x F x t X x P X X -=<≤； 若 21x x <，则),(),(12t x F t x F X X ≥ 概率密度函数可以直接给出随机变量取各个可能值的概率大小，仅适用于连续随机变量。一维概率密度具有如下性质： 0),(≥t x f X ； 1 ),(=? +∞ ∞ -dx t x f X ； x d t x f t x F x X X ' '=? ∞ -),(),(； []?=-=<≤2 1 ),(),(),()(1221x x X X X dx t x f t x F t x F x t X x P （2）随机过程的数字特征主要包括数学期望、方差、自相关函数、协方差函数和功率谱密度。分别描述了随机过程样本函数围绕的中心，偏离中心的程度、样本波形两个不同时刻的相关程度、样本波形起伏量在两个不同时刻的相关程度和平均功率在不同频率上的分布情况。定义公式分别为： []dx t x xf t X E t m X X ?+∞ ∞ -==),()()( []{} []dx t x f t m x t m t X E t X X X X ? +∞ ∞ --=-=),()()()()(2 22 σ []2 12121212121),,,()()(),(dx dx t t x x f x x t X t X E t t R X X ? ? +∞∞-+∞ ∞ -== [][]{} [][]2 121212211 221121),,,()()()()()()(),(dx dx t t x x f t m x t m x t m t X t m t X E t t C X X X X X X ? ?∞+∞-∞+∞ ---=--=

《信号检测与估计》第十章习题解答

《信号检测与估计》第十章习题解答 10.1 设线性滤波器的输入信号为()()()t n t s t x +=，其中()[]0E =t s ，()[]0E =t n ，并且已知()τ τ-e =S R ， ()τ τ-2e =N R ，()0=τsn R ，求因果连续维纳滤波器的传递函数。 解：连续维纳滤波器与离散维纳滤波器的形式是相同的，即 ()()()()+ ???????? = s B s P s B s H xs w 11 2 opt σ 因此需要求解()t s 的复功率谱和()t x 的时间信号模型。 考虑到信号与噪声不相关，因此观测数据的功率谱就等于信号的复功率谱加上噪声的复功率 谱。对观测数据的复功率谱进行谱分解，就可以得到()t x 的时间信号模型。 ()t s 的复功率谱为 ()()()2 0s -10s 1-s --12 1111e e e e s s s d d d s P S ?= ?++=+==∫∫∫∞?+∞++∞∞?τττττττ ()t n 的复功率谱为 ()2 s -2-44 e e s d s P N ?= =∫+∞ ∞?τττ 因此，观测数据的复功率谱为 ()()()()() ()()()()s s s s s s s s s P s P s P N S X ?+?++=?+?= +=2211-22644112 2 取12 =w σ ()() ()() s s s s B +++= 2126 ()()()()()()() ( ) () s s s s s s s s B s P s B s P N xs +=?==1-2-26 2 -2-1-2612--2 令()()() s B s P s F xs -=，()τf 是()s F 的拉普拉斯反变换。要求()τf 是因果的，可将s 平面右半平面的极点扔掉， ()()()[] 1 2e 61,e Re e 21 -s s += ?== ∫ττ τ πτs F s ds s F j f C 给()τf 取因果，并做拉普拉斯变换，得到 ()s d s F +? += ??+= ∫ ∞ ++111 26 e e 1 260 s --τττ

信号检测与估值matlab仿真报告

信号检测与估值 仿真报告 题目信号检测与估值的MATLAB仿真学院通信工程学院 专业通信与信息系统 学生姓名 学号 导师姓名

作业1 试编写程序，画出相干移频键控、非相干移频键控（无衰落）和瑞利衰落信道下非相干移频键控的性能曲线。 （1）根据理论分析公式画性能曲线； （2）信噪比范围（0dB-10dB），间隔是1dB； （3）信噪比计算SNR=10lg（Es/N0） 一、脚本文件 1、主程序 %******************************************************** %二元移频信号检测性能曲线(理论分析) %FSK_theo.m %******************************************************** clear all; clc; SNRindB=0:1:20; Pe_CFSK=zeros(1,length(SNRindB)); Pe_NCFSK=zeros(1,length(SNRindB)); Pe_NCFSK_Rayleigh=zeros(1,length(SNRindB)); for i=1:length(SNRindB) EsN0=exp(SNRindB(i)*log(10)/10); Es_aveN0=exp(SNRindB(i)*log(10)/10); Pe_CFSK(i)=Qfunct(sqrt(EsN0));%相干移频键控系统 Pe_NCFSK(i)=0.5*exp(-EsN0/2);%非相干移频键控系统（无衰落） Pe_NCFSK_Rayleigh(i)=1/(2+Es_aveN0);%非相干移频键控系统（瑞利衰落）end semilogy(SNRindB,Pe_CFSK,'-o',SNRindB,Pe_NCFSK,'-*',SNRindB,Pe_NCFSK_Rayleigh ,'-'); xlabel('Es/No或平均Es/No(dB)'); ylabel('最小平均错误概率Pe'); legend('相干移频','非相干移频(无衰落)','非相干移频(瑞利衰落)'); title('二元移频信号检测性能曲线'); axis([0 20 10^-7 1]); grid on; 2、调用子函数 %******************************************************** %Q函数 %Qfunct.m %********************************************************

信号检测与估计模拟试卷

XXX 大学（学院）试卷 《信号检测与估计》试卷 第 1 页 共 2 页 《信号检测与估计》模拟试卷 一、（10分）名词解释（每小题2分） 1．匹配滤波器 2．多重信号 3．序列检测 4．非参量检测 5．最佳线性滤波 二、（10分）简述二元确知信号检测应用贝叶斯、最大后验概率、极大极小、纽曼-皮尔逊及最大似然准则的条件及确定门限的方法。 三、（10分）简述信号参量估计的贝叶斯估计、最大后验估计、最大似然估计、线性最小均方误差估计及最小二乘估计的最佳准则及应用条件。 四、（10分）概述高斯白噪声情况下的信号检测和高斯色噪声情况下信号检测所采用方法的特点。 五、（10分）设线性滤波器的输入为)()()(t n t s t x +=，其中)(t n 是功率谱密度为2/0N 的白噪声，信号为 ???><≤≤=0 0,000)(ττt t t t t s 对输入)(t x 的观测时间为),0(T ，且0τ>T 。（1）试求匹配滤波器的冲激响应及对应于)(t s 的输出信号。（2）求匹配滤波器输出的信噪比。 六、（10分）一个三元通信系统的接收机观测到的样本为n s x i +=，3,2,1=i 。其中，i s 是发射信号，n 是均值为0、方差为的2σ高斯白噪声。i s 取值分别为5、6和7，分别对应假设1H 、2H 和3H ，并且所有假设的先验概率相等。根据一次观测样本进行检测判决，（1）确定检测判决式和判决区域；（2）求最小平均错误概率。 七、（10分）在T t ≤≤0时间范围内，二元通信系统发送的二元信号为0)(0=t s ，)()(1t As t s =，其中，)(t s 是能量归一化确知信号；A 是正的确知常量，并假定发送两种信号的先验概率相等。信号在信道传输中叠加了均值为0、功率谱密度为2/0N 的高斯白噪声)(t n 。（1）试确定信号最佳检测的判决式。（2）画出最佳检测系统的结构。 八、（15分）设观测方程为k k n b a x +=，M k ,,2,1 =，其中a 和b 是非随机参量，k n 是均值为0、方差为1的高斯随机变量，且观测样本M x x x ,,,21 之间互不相关。（1）试求参量a 和b 的最大似然估计ML ?a 和ML ?b ；（2）分析最大似然估计ML ?a 和ML ?b 的有效性。 九、（15分）设目标以匀速度v 从原点开始做直线运动，速度v 受到时变噪声k w 扰动。现以等时间间隙T 对目标的距离r 进行直接测量，并且距离r 测量受到测距的观测噪声k n 的影响。假设在0=t 时刻开始，目标位于原点，观测时间间隔s 2=T 。目标在原点时，距离0r 的均值km 0][0=r E ，方差为220)km (2=r σ；速度0v 的均值km/s 3.0][0=v E ，方差为 220)km/s (2.0=v σ。速度扰动噪声k w 是均值为0、方差为22)km/s (2.0=w σ的白噪声随机序列。观测噪声k n 是均值为0、方差为22)km (8.0=n σ的白噪声随机序列，且与速度扰动噪声k w 不相 关。速度扰动噪声k w 、观测噪声k n 与目标初始状态),(00v r 彼此互不相关。如果运动目标距离的

赵树杰-信号检测与估计理论-极小化极大准则仿真说明

关于极小化极大准则的仿真 参考文献： （1）极小化极大优化问题的精确解_刘健康.caj （2）教材《信号检测与估计理论》第一版，赵树杰赵建勋编著page74~79 例题3.3.1与例题3.3.2 说明： 1）利用了例题3.3.1的结论； 2）将例题3.3.2的{-1，1} 改为{0，2}，以利用例题3.3.1的结论。 本文件包括： （1）仿真过程说明； （2）仿真源程序； （3）仿真结果。 （1）仿真过程说明

（2）仿真源程序 clear clc %在例题3.3.1的基础上，绘制平均代价曲线 %并验证极小化极大准则原理图3.8 %step1 设置参数 c00=1;c10=4;c11=2;c01=8; %设置代价因子的值 P1=0.5;P0=1-P1; %设置先验概率P(H0)与P(H1) N=1; %设置独立采样次数 A=2; %设置信号幅度 delta2=1/2; %设置高斯白噪声的方差 d2=N*(A^2)/delta2; %计算功率信噪比 d=sqrt(d2); th=(P0*(c10-c00))/(P1*(c01-c11)); %计算检测门限 gamma=delta2*log(th)/(N*A)+A/2; %计算检验统计量的划分域 Pf=qfunc(log(th)/d+d/2); %计算虚警概率Pf=P(H1|H0) Pd=qfunc(log(th)/d-d/2); %计算检测概率Pd=P(H1|H1) C=P0*(c00*(1-Pf)+c10*Pf)+P1*(c01*(1-Pd)+c11*Pd); %计算平均代价 %----------------------------------- %变化先验概率，绘制C(P1)曲线 kk=1001; %曲线绘制的精度 mP1=zeros(kk,1); thP1=zeros(kk,1); gammaP1=zeros(kk,1); CP1=zeros(kk,1); Pf=zeros(kk,1); Pd=zeros(kk,1); A1=zeros(kk,1); A2=zeros(kk,1); fori=1:kk mP1(i,1)=(i-1)/(kk-1); P0=1-mP1(i,1); thP1(i,1)=(P0*(c10-c00))/(mP1(i,1)*(c01-c11)); gammaP1(i,1)=delta2*log(thP1(i,1))/(N*A)+A/2; Pf(i,1)=qfunc(log(thP1(i,1))/d+d/2); Pd(i,1)=qfunc(log(thP1(i,1))/d-d/2); %计算平均代价 CP1(i,1)=P0*(c00*(1-Pf(i,1))+c10*Pf(i,1))+mP1(i,1)*(c01*(1-Pd(i,1))+c11*Pd(i,1)); A1(i,1)=c01*(1-Pd(i,1))+c11*Pd(i,1); A2(i,1)=c00*(1-Pf(i,1))+c10*Pf(i,1); end plot(mP1,CP1,'r-') hold on

信号检测与估计作业第一二三八章答案

试卷共8题，其中4题属于教材第一章内容，其余4题分别的其他章节。 请同学们对匹配滤波器，离散卡尔曼滤波，离散维纳滤波，高斯白噪声下确知信号的检测，K －L 展开，高斯白噪声信道中的单参量信号估计等内容重点关注。 1.1(付柏成 20060150) 在例1.2中，设噪声均方差电压值为σ＝2v ，代价为f c ＝2，m c ＝1。信号存在的先验概率P ＝0.2。试确定贝叶斯意义下最佳门限β，并计算出相应的平均风险。 解：根据式(1-15)，可以算出 00.82 80.21 f m Qc Pc ?Λ= = =? 而判决门限 2201ln 0.52ln88.822 βσ=+Λ=+= 根据式(1-21)可知平均风险 1010Pr 0.2r 0.8R Qr r =+=+ 01100.2(|)0.8(|) m f c P D H c P D H =+ 而 011(|)(|)D P D H p x H dx =? 1 100 (|)(|)D P D H p x H dx = ? 而 2 12 (1)(|)]2x p x H σ-= - 2 02(|)]2x p x H σ= - 所以 2011 2 (1)(|)(|)]2D D x P D H p x H dx dx σ-= =-?? 2 2 (1) x p []2x dx β σ-= -? ＝1 7.82 ( )( )(3.91)2 2 β-Φ=Φ=Φ

同理 11 2 100 2(|)(|)]2D D x P D H p x H dx dx σ= =-?? 2 2x p ()2x dx β σ∞ =- 8.82 1()1()1(4.41)22 β=-Φ=-Φ=-Φ 所以 0.21(3.91)0.82[1(4.41)]R =??Φ+??-Φ 1.2 (关瑞东 20060155) 假定加性噪声()n t 服从均值为零，方差为σ2的正态分布。此时，两个假设为 01:()():()1() H x t n t H x t n t ==+ 我们根据()x t 的两次独立测量值12,x x 作判断，则12,x x 是统计独立的，在假设1H 下其均值为1a =1，在假设0H 下均值为0a =0，因而在两种假设下它们的联合概率密度函数可写 2 2/2 2 1 ()(|)(2) exp()2n n i k k i x a p x H πσσ-=-=-∑ (0,1;2)k n == 于是，似然比等于 220110122 1 0()(|) ()exp[](|)2n i i a a n a a p x H x x p x H σσ=--Λ==-∑ 如果0()x Λ≥Λ，则选择假设1H ，否则选择假设0H 。由于指数函数是单调函数，上式两边取对数不影响原来的判决，易得到 1 121/2H n x i i H x x m x n β=> +== < ∑ 式中，x m 为样本平均值，220 1010ln ln 1()/2()22a a n a a σσβΛΛ=++=+ -为判决门限。 ① 划分判决区域0D 和1D 的界面是两维空间的一个曲线，其曲线方程 122x x β+=

信号检测与估计课后习题

三、（15分）在二元信号的检测中，若两个假设下的观测信号分别为： 012 2 112 ::H x r H x r r ==+ 其中，1r 和2r 是独立同分布的高斯随机变量，均值为零，方差为1。若似然比检测门限为η，求贝叶斯判决表示式。 解 假设0H 下，观测信号x 的概率密度函数为 1/2 201(|)exp 22x p x H π???? =- ? ????? 假设1H 下，22 12x r r =+， 而12 (0,1),(0,1)r N r N ，且相互统计独立。大家知道， 若(0,1)k r N ，且(1,2, ,)k r k N =之间相互统计独立，则 2 1N k k x x ==∑ 是具有N 个自由度的2 χ分布。现在2N =，所以假设1H 下，观测信号x 的概率密度函数 为 22/21 12/22 1(|)exp() 2(2/2)2 1exp(),022 x p x H x x x -=-Γ=-≥ 当0x <时，1(|)0p x H =。 于是，似然比函数为 1/2210exp ,0 (|)()222(|)0, 0x x x p x H x p x H x πλ??? ??-≥? ? ?==?????? ???-≥? ? ? ??-?? ?

四、（15分）已知被估计参量θ的后验概率密度函数为 2(|)()exp[()],0p x x x θλθλθθ=+-+≥ （1）求θ的最小均方误差估计量^ mse θ 。 （2）求θ 的最大后验估计量^ map θ 。 解 （1）参量θ的最小均方误差估计量^ mse θ是θ的条件均值，即 ^ 0220 221 (|)()[()]1()()2 ,mse p x d x exp x d x x x x θθθθ λθλθθ λλλλ ∞ ∞ +==+-+=++= ≥-+?? ^ 0,mse x θλ=<- （2）由最大后验方程 ^ln (|) |0map p x θθθθ =?=? 得 ^2[ln()ln ()]1 ()|0 map x x x θθλθλθθ λθ =? ++-+?=-+= 解得 ^ ^ 1 ,0, map map x x x θλλθλ = ≥-+=<- 七、（15分）若对未知参量θ进行了六次测量，测量方程和结果如下： 182222202384404384n θ???????????????? =+????????????????????

(完整版)功率谱估计性能分析及Matlab仿真

功率谱估计性能分析及Matlab 仿真 1 引言 随机信号在时域上是无限长的，在测量样本上也是无穷多的，因此随机信号的能量是无限的，应该用功率信号来描述。然而，功率信号不满足傅里叶变换的狄里克雷绝对可积的条件，因此严格意义上随机信号的傅里叶变换是不存在的。因此，要实现随机信号的频域分析，不能简单从频谱的概念出发进行研究，而是功率谱[1]。 信号的功率谱密度描述随机信号的功率在频域随频率的分布。利用给定的 N 个样本数据估计一个平稳随机信号的功率谱密度叫做谱估计。谱估计方法分为两大类：经典谱估计和现代谱估计。经典功率谱估计如周期图法、自相关法等，其主要缺陷是描述功率谱波动的数字特征方差性能较差，频率分辨率低。方差性能差的原因是无法获得按功率谱密度定义中求均值和求极限的运算[2]。分辨率低的原因是在周期图法中，假定延迟窗以外的自相关函数全为0。这是不符合实际情况的，因而产生了较差的频率分辨率。而现代谱估计的目标都是旨在改善谱估计的分辨率，如自相关法和Burg 法等。 2 经典功率谱估计 经典功率谱估计是截取较长的数据链中的一段作为工作区，而工作区之外的数据假设为0，这样就相当将数据加一窗函数，根据截取的N 个样本数据估计出其功率谱[1]。 周期图法( Periodogram ) Schuster 首先提出周期图法。周期图法是根据各态历经的随机过程功率谱的定义进行的谱估计。 取平稳随机信号()x n 的有限个观察值(0),(1),...,(1)x x x n -，求出其傅里叶变换 1 ()()N j j n N n X e x n e ω ω---==∑ 然后进行谱估计

信号检测与估计试题——答案(不完整版)

一、概念： 1. 匹配滤波器。 概念：所谓匹配滤波器是指输出判决时刻信噪比最大的最佳线性滤波器。 应用：在数字信号检测和雷达信号的检测中具有特别重要的意义。在输出信噪比最大准则下设计一个线性滤波器是具有实际意义的。 2. 卡尔曼滤波工作原理及其基本公式(百度百科) 首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程（Linear Stochastic Difference equation）来描述： X(k)=A X(k-1)+B U(k)+W(k) 再加上系统的测量值： Z(k)=H X(k)+V(k) 上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。 对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances 来估算系统的最优化输出（类似上一节那个温度的例子）。 首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态： X(k|k-1)=A X(k-1|k-1)+B U(k) (1) 式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。 到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。我们用P表示covariance： P(k|k-1)=A P(k-1|k-1) A’+Q (2) 式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。 现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)： X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) (3) 其中Kg为卡尔曼增益(Kalman Gain)： Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) (4)

信号检测与估计仿真作业

信号检测与估计计算机仿真作业 一．实验目的 1.学习Matlab软件在信号检测与估计中的应用 2.学习MUSIC、ESPRIT、GEESE等的空间谱估计算法的原理，并通过仿真分析比较这三种算法的不同及性能特点 3.通过仿真分析了解非平稳噪声和色噪声对MUSIC、ESPRIT、GEESE方法性能的影响二．实验原理 2.1最小错误概率准则 出发点是如何使译码后的错误概率PE为最小。其基本思路为：收到yj后，对于所有的后验概率P(x1|yj),P(x2|yj), …,P(xi|yj),…，若其中P(x*|yj)具有最大值，则将x*判决为yj的估值。由于这种方法是通过寻找最大后验概率来进行译码的，故又常称之为最大后验概率准则。 最大后验概率译码方法是理论上最优的译码方法，但在实际译码时，既要知道先验概率又要知道后验概率，而后验概率的定量计算有时比较困难，需要寻找更为实际可行的译码准则。 2.2MUSIC原理 MUSIC算法是一种基于矩阵特征空间分解的方法。从几何角度讲，信号处理的观测空间可以分解为信号子空间和噪声子空间，显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值（噪声方差）对应的特征向量组成。MUSIC算法就是利用这两个互补空间之间的正交特性来估计空间信号的方位。噪声子空间的所有向量被用来构造谱，所有空间方位谱中的峰值位置对应信号的来波方位。MUSIC算法大大提高了测向分辨率，同时适应于任意形状的天线阵列，但是原型MUSIC算法要求来波信号是不相干的。 2.3ESPRIT算法原理 ESPRIT算法估计信号参数时要求阵列的几何结构存在所谓的不变性，这个不变性可以通过两种手段得到：一是阵通过某些变换获得两个或两个以上的相同子阵。由于这种算法在有效性和方面都有非常突出的表现，已经被公认为空间谱估计的一种经典算法，随着ESPRIT 算法的深入研究，ESPRIT算法进一步被广大学者接受并推广。 2.4 GEESE算法基本原理 信号子空间特征向量的广义特征值法(GEESE)，可以在简化计算的情况下解决ESPRIT 算法中实际噪声测量有误差的问题。它利用信号子空间的一个显著特征，那就是真实方向向量所张成的子空间与除了阵列输出互相关矩阵的最小多重特征值之外的所有相应特征向量所张成的子空间是一样的。

2016年信号检测与估计考试试卷

信号检测与估计试题答案 三、（15分）现有两个假设 00,11,:,1,2,,:,1,2,,j j j j j j H y u z j K H y u z j K =+==+= 其中观测样本j y 为复信号，0,1,,j j u u 是复信号样本，j z 是均值为零、方差为 2*z j j E z z σ??=??的复高斯白噪声，代价因子为001101100,1c c c c ====，先验概率 010.5ππ== （1）试写出两假设下的似然函数()0p y 和()1p y ，其中12[,,,]T K y y y y = ；（4分） （2）采用贝叶斯准则进行检测，给出信号检测的判决规则表达式；（6分） （3）在上题基础上，计算虚警概率。（5分） 解： （1）观测样本j y 在假设0H 下的概率密度函数为 ()2 0,022 1exp 1,2,,j j j z z y u p y j K πσσ?? -??=-=? ???? ? ……..（2分） 由于样本间互相独立，则K 个观测样本的联合概率密度函数为 ()()()()() 20010200,2211 1exp K K j j K j z z p y p y p y p y y u σπσ=??== --?? ??∑ …….（1分） 同理可得，在假设1H 下的似然函数为 ()()()()() 21111211,2211 1exp K K j j K j z z p y p y p y p y y u σπσ=??== --?? ??∑ …….（1分） （2）首先计算似然比：

()()(){}{}1** 011,0,22221 102222exp Re Re K K j j j j j j z z z z p y L y y u y u p y εεσσσσ==??==--+????∑∑ 其中∑==K j j u 12 ,00||21ε，∑==K j j u 1 2,11||21ε。 ……..（2分） 然后，计算贝叶斯准则似然比门限为 () ()010******** B C C C C πτπ-= =- ………（2分） 因此，根据 {}{}1 **011,0,222 21 10 2222exp Re Re 1K K j j j j j j z z z z D y u y u D εεσσσσ==≥??--+??

2014年信号检测与估计各章作业参考答案(1~9章)

第二章 随机信号及其统计描述 1．求在实数区间[]b a ,内均匀分布的随机变量X 均值和方差。 解： 变量X 的概率密度 ??? ? ???≤≤-=其他，,01 )(b x a a b x p 均值 []?∞∞-+===2)(b a dx x xp X E m X 方差 ?∞ ∞--=-=12 )()()(2 2 2 a b dx x p m x X X σ 2．设X 是具有概率密度函数)(x p 的随机变量，令x 的函数为 0),exp(>-=a ax y 试求随机变量y 的概率密度函数)(y p 。 解： 反函数0,ln 1 >-=a y a x 雅可比式为 ay dy dx J 1-== 所以 0),ln 1 (1)ln 1()(>-=- ?=a y a p ay y a p J y p 4. 随机过程)(t X 为 )sin()cos()(00t B t A t X ωω+= 式中，0ω是常数， A 和 B 是两个互相独立的高斯随机变量，而且0][][==B E A E ， 222][][σ==B E A E 。求)(t X 的均值和自相关函数。

7. 设有状态连续、时间离散的随机过程)2sin()(t t X Ω=π，式中t 只能取正整数，即 Λ,3,2,1=t ，而Ω为在区间)1,0(上均匀分布的随机变量，试讨论)(t X 的平稳性。 8.平稳随机过程)(t X 的自相关函数为1)10cos(22)(10++=-τττ e R X ，求)(t X 均值、二阶 原点矩和方差。 解： 可按公式求解[] )()0(, )0()(, )(222 ∞-==∞=X X X X X X R R R t X E R m σ。 但在求解周期性分量时，不能得出)(∞R ，为此把自相关函数分成两部分： ( ) 12)10cos(2)()()(1021++=+=-τ ττττe R R R X X X 由于)10cos(2)(1ττ=X R 的对应的随机过程为 是随机变量为常数，??A t A t X ),10cos()(1+= 所以[]0)(1=t X E

信号检测与估值

1.信号检测与估计理论是现代信息理论的一个分支，研究的对象是信息传输系统中信号的 接收部分。 2.系统信息传输可靠性降低的主要原因：（1）信号经过传输以后,由于通信系统不理想,信 号可能出现畸变或幅值的衰减.通过正确地设计通信系统,可以尽可能地减少信号的畸变,获得满意的接收效果.（2）经过信道传输后,信号不可避免地受到信道噪声的污染,使得接收到的是信号与噪声的混合波形. 3.通信系统的性能要求 系统的有效性：要求系统能高效率地传输信息； 系统的可靠性（抗干扰性）：要求系统能可靠地传输信息 4.本课程要学习的主要内容 接收机的任务是要加工处理所接收到的混合波形,尽量减少判决错误.由于信道噪声是个随机过程,同时信号本身也可能带有不确定的参量,因此只能采用数理统计的方法,根据信号和噪声提供的的统计特性,依据某些判决的准则,对信号进行检测,判断,估计它的某些参量,或者复原信号的波形等等.这就是. 5.信号检测与估计的基本任务 研究如何在干扰和噪声的影响下最有效地辨认出有用信号的存在与否，以及估计出未知的信号参量或信号波形本身。它实质上是有意识地利用信号与噪声的统计特性的不同，来尽可能地抑制噪声，从而最有效地提取有用信号的信息。 6.信号的统计处理方法 对随机信号，应用统计学的理论和方法进行处理，称为统计信号处理，这主要体现在如下三个方面： 信号统计特性的统计描述：如信号的概率密度函数（PDF），各阶矩，自相关函数，协方差函数，功率谱密度（PSD）等。 统计意义上的最佳处理：如最佳准则，最佳判决，最佳估计，最佳滤波等，均是在统计意义上的最佳处理。 性能评价用相应的统计平均量：如判决概率，平均代价，平均错误概率，均值，均方误差等。 7.检测:指在接收端检测信号是否存在 估值: 指在接收端估计信号的某些参量: 如幅度的大小,频率的偏移等.（又称为信号的参量估计） 统称为信号的检测和估值 8.信号检测与估值中的三大任务 信号的检测：：根据有限观测，最佳区分一个物理系统不同状态； 信号参量的估计：根据有限观测，最佳区分一个物理系统不同参数； 波形估计 9.信号检测与估计研究步骤

信号检测与估计第四章计算机仿真作业

信号检测与估计第四章计算机仿真作业 题目1： 试编写程序，仿真4PSK 调制信号在高斯信道下的性能，并与理论分析结果相比。 (1). 解题思路： 图1-1 QPSK 的调制原理框图 如图1-1所示，QPSK 实质上是一种正交调制，它等于两路（I 路与Q 路）正交的BPSK 的叠加。图中串/并变换器将输入的二进制序列分为速度减半的两个并行双极性序列a 和b （a,b 码元在事件上是对齐的），再分别进行极性变换，把极性码变为双极性码（0→-1，1→+1）然后分别调制到cosωc t 和sinωc t 两个载波上，两路相乘器输出的信号是相互正交的抑制载波的双边带调制（DSB ）信号，其相位与各路码元的极性有关，分别由a 和b 码元决定。经相加电路后输出两路的合成波形，即是4PSK 信号。图中两个乘法器，其中一个用于产生0o 与180o 两种相位状态，另一个用于产生90o 与270o 两种相位状态，相加后就可以得到45o ，135o ，225o ， 和315o 四种相位 在时隙(1)s s n T t nT -≤≤上 _Q_cos 2cos 2()()] QPSK In c Qn c I PSK PSK s f t f t s t s t ππ= -=- (1.1) 那么，它的解调可以采用与2PSK 信号类似的解调方法进行解调，同相支路和正交支路分别采用相干解调方式解调，之后可以得到二者的和，经过抽样判决和串、并变换器，将上

图1-2 QPSK 解调原理框图 下之路得到的并行数据恢复为串行数据。那么此时就得到我们最初的原始信号，它的解调原理图如图1-2所示。 再来分析QPSK 的误比特性能，因为QPSK 的每个四元符号所包含的两个比特都独立，并行地按照BPSK 传输，各比特的传输误比特率均为_2s psk P （相当于2PSK 的无比特率），显然QPSK 系统与2PSK 系统具有完全相同的误比特性能，即 _41 2e PSK P erfc = (1.2) (2). 仿真结果 仿真性能曲线如图1-3所示： 图1-3 QPSK 高斯信道下的性能仿真曲线 1010 10 10 10 10 10 10 10 SNR QPSK,高斯信道下的性能曲线 误比特率