PowerPoint Presentation
|
|
- 鞍 满
- 5 years ago
- Views:
Transcription
1 信号检测与估计 第 章序贯检测与估计
2 本章内容.1 序贯检测判决规则. 分批序贯检测.3 相关样本的序贯检测.4 复合假设序贯检测.5 序贯最小均方误差估计.6 序贯最小二乘估计.7 相关样本的序贯估计
3 .1 序贯检测判决规则 序贯检测 : 事先不规定样本数而留待实验过程中确定的假设检验方法 基于修正纽曼 - 皮尔逊准则的二元序贯检测 : 在虚警概率 P fa α 和漏警概率 1 PD β 的约束下, 从所获得的第 一个数据开始进行似然比检验, 若能做出明确判决, 检验结束 ; 若不能做出判决, 则采用新接收的数据与前面已有的数据按照同样的规则进行联合判决, 直至能做出判决为止
4 似然比判决规则 [ x, x,, x ],( 1,, ) x = = 1 ( x ) ( x ) λ th λ th th < λ ( x ) < th 0 1 判为 H 判为 H 增加一个样本, 重新判决 为观测样本矢量, 为观测样本数, 随着判决过程进行不断增加, 直至做出判决为止 th th 由给定的虚警概率 α 和漏警概率 β 决定 0, 1
5 判决域
6 虚警概率 ( ) ( ) ( ( x ) ) ( x ), ( x ) α = P λ th H + P th < λ < th λ th H ( λ( x ), λ( x ), λ( x ) ) ( ) P th < < th th < < th th H + 漏警概率 ( ( ) ) ( ) ( x ) ( ( ) ( ) ) x1 1, x 0 1 β = P λ th H + P th < λ < th λ th H ( λ( x ), λ( x ), λ( x ) ) ( ) P th < < th th < < th th H +
7 可解得判决门限 1 β 1 β th1 or ln th1 ln α α β β th0 or ln th0 ln 1 α 1 α 对数似然比 判决规则为 : 1 β ln λ ( x ) ln α β ln λ ( x ) ln 1 α β 1 β ln < ln λ ( x ) < ln 1 α α 判为 H 判为 H 1 0 接收下一个数据
8 平均样本数的计算 若到第 = N 个样本时结束判决, 即只存在 ln λ ( x ) ln 或 N th ln λ ( x ) ln 0 N th1 则 { ln λ ( xn ) 1} ln 1 ( 1 1) + ln 0 ( 0 1) = ( 1 β) lnth + β lnth E H thp D H th P D H 1 0 { 1} { ln λ ( ) 1} E N H E x H { ln λ ( xn ) 0} ln 1 ( 1 0) + ln 0 ( 0 0) = αln th + ( 1 α) ln th E H thp D H th P D H 1 0 { 0} { ln λ ( ) 0} E N H E x H
9 可以推出 : { } E N H 1 { } E N H 0 ( β) 1 lnth + βlnth E 1 0 ( ) ( α) ( ) { ln λ x H } αlnth + 1 ln th E { ln λ x H } 0 则结束判决所需的平均取样数 : ( ) ( ) { ln λ } ( ) { ln λ( ) } αln th + 1 α ln th 1 β ln th + β ln th E{ N} = P( H ) + P H E x H E x H ( ) 可以证明 : 当观测样本数趋于无穷时判决一定结束
10 例 : 二元假设检验 H : x = n 0 H : x = + n 1 = 1,, ( ) 其中 n N 0,1 的白噪声 先验概率 P H = P H, 虚警 ( ) ( ) 1 0 概率和漏警概率约束为 α = β = 0.05 采用序贯似然比检验, 求结束判决所需的平均样本数
11 . 分批序贯检测 似然比判决规则 N 0 λ ( xk ) th, λ ( xk ) th, th < λ ( x ) < th 0 k , 判为 H 判为 H 舍弃该批 N 0 个样本, 获得下 一批样本并重新判决 其中为每次判决所用的样本数, th, th 由给定的虚警概率 α 和漏警概率 β 决定 0 1 x k = x( ), x ( 1),, x k N + k N0+ kn0
12 定义 { λ( x ) } k λ( xk) { λ( x ) } k λ( xk) { } p = P th H, q= P th H, r = 1 p q { } p = P th H, q = P th H, r = 1 p q 则当 H 0 为真时, 虚警概率和判决所用的平均样本数分别为 { } α = p+ rp+ r p+ = r E N H = N r + N r r + N r r + 0 0(1 ) 0 (1 ) 3 0 (1 ) N + k 1 0 = N0 kr ( 1 r) = k = r p
13 当 H 1 为真时, 漏警概率和判决所用的平均样本数分别为 β = q + rq + r q + = N 1 r 0 { 1} = E N H q 1 r 则结束判决所需的平均样本数为 : { } = { } + { } E N E N H P( H ) E N H P( H ) N0 N0 = PH ( 0) + PH ( 1) 1 r 1 r
14 例 : H H 0 1 : : x = n x = A+ n = 1,, 其中,, n N 0, 相互独立, 且 = ( ) A > 0 α β 根据似然比判决规则可得 : x k A ln th th H NA =, 判为 0 kn0 1 A = x + ln th0 = th 0, 判为 H0 N0 = ( k 1) N0 + 1 NA 0 其他, 重新获取样本, 再次判决
15 此时 x k H ~ N(0, ), x H ~ N( A, ) 0 k 1 N0 N0 由于 α = β th A A = δ, th = + δ ' ' 0 1 p = q, q = p A A + δ p = P xk + δ H0 = 1 Φ N 0 A A δ q= P xk δ H0 =Φ N 0
16 可得 = Φ 1 +Φ ( ) ( ) N p q A δ = ( 1 p) ( q) ( p) ( q) A Φ Φ Φ 1 +Φ 利用 有 p p α = = 1 r p+ q N0 N0 N0 E{ N} = P( H0) + P( H1) = 1 r 1 r p + q ( 1 α ) α 1 1 p p Φ ( p) + qn,, δ, th th = 1 Φ ' ' mn 0 0, 1 Ap α
17 .3 相关样本的序贯检测 二元假设检验模型 : H : x = n 其中 A > 0, n 是均值为零 自相关函数为 R m = ρ 的 高斯噪声, ρ e s,0< ρ < 1 0 H : x = A+ n 1 n ( ) m Ruxn Nu and Pramod K. Varshney, Samplng schemes for sequental detecton wth dependent observatons, IEEE ransacton on Sgnal Processng, Vol.58, No.3, March 010.
18 1. 分批采样方式 每 M 个相关样本为一组, 构成一个超级样本, 超级样本 之间互不相关 假设检验模型 : H H 0 1 : x : x = s+ n = n 其中 x [ x1, x,, x ], s A[ 1,1,,1] [ n, n,, n ] ~ N(, ) = = M n = 0 1 M
19 1 ρ ρ ρ ρ 1 ρ ρ ρ ρ 1 ρ M 1 M M 3 ρ ρ ρ 1 M 1 M, ρ M 3 = = e s s 为组内相邻采样点间隔 相邻组间间隔为 ln ε, ε 为一微小量 似然比判决规则 : ( y ) ( y ) λ th λ th th < λ ( y ) < th 0 1 判为 H 1 1 判为 H 0 0 [,,, ] y = x x x 1 增加一个超级样本, 重新判决
20 其中 又 1 s ln λ ( x) = s x th 1 β β, th α 1 α { ( ) } { ( ) } 1 E ln λ x H1 = E ln λ x H0 = s s 1 = 1 ρ 0 0 ρ 1 ρ (1 ρ ) ρ ρ 0 0 ρ 1
21 得 A E H1 M M (1 + ρ) { ln λ ( x ) } = [ ( ) ρ] 结束判决所需的平均组数 : { 1} E N H { 0} E N H ( 1 β) lnth + β ln E{ ln λ ( x ) H1} αln th + ( 1 α) ln E ln λ ( x ) H { 0} 平均终止时间 : E{ N}[ M + ] ( 1) s th th
22 . 均匀采样方式 自回归噪声模型 { } v { } 1 1 ρz n 1 { v } 1 1 ρz 预白化 { } n 白噪声序列 ( ) v ~ N 0,(1 ρ ) n = v + ρn 1 v = n ρn 1 定义 y = x ρ x 1
23 新的检验模型 : 似然比判决规则 : H : y = v 0 H : y = (1 ρ) A+ v 1 ( y ) ( y ) λ th λ th th < λ ( y ) < th 判为 H 判为 H 增加一个样本, 重新判决 其中 y = [ y, y,, y ] 1 th 1 β β, th α 1 α 1 0
24 由于 : ln λ E ( y) ( ρ ) ( + ρ) A y 1 A 1 { ln λ( y) } = ln λ( y) { } H E H 结束判决所需的平均取样数 : = ( 1 ρ ) ( + ) 1 0 = 1 A ρ 1 1= th0 ( ) ( ) λ( ) ( ) E{ ln λ ( y) H1} { ln } ( ) { ln λ( ) } ( ) ( ) A ( 1 ρ ) αln th + 1 α ln th 1 β ln th + β ln th E{ N} = P H + P H E y H E y H ( ) α= β 1 β lnth + βlnth 1 β 1+ ρ lnth = th 1 0 1
25 .4 复合假设序贯检测 我们将对应随机参量信号的检测称为复合假设检验 设 Φ = [ ϕ1, ϕ,, ϕ ] m 和 = [ θ1, θ,, θ ] n 分别是与假设 和假设 H 1 有关的随机参量矢量, 它们的先验概率密度函数 分别为 f ( ) 和 f ( ) 当取到第 个样本时, 序贯似然 比函数为 0 Φ 1 Θ H Θ 0 ( λ x ) = ( Θ) ( Φ) f( x Θ, H ) f ( Θ)dΘ 1 1 f( x Φ, H ) f ( Φ)dΦ 0 0
26 序贯似然比判决规则 ( λ x ) th1, 判为 H1 ( λ x ) th0, 判为 H0 th0 < ( λ x ) < th1, 增加一个样本, 重新判决 th 1 β β, th α 1 α 其中 1 0 α, β 定义如下 α = β = ( Φ) ( Θ) α( Φ) β ( Θ) f f 0 1 ( Φ)dΦ ( Θ)dΘ 可见, 复合序贯检测与一般的序贯检测相比, 使用了归一化 似然比和归一化虚警和漏警概率, 其他类似
27 .5 序贯最小均方误差估计 在许多信号处理的应用问题中, 接收的数据是通过对连续时间信号波形进行采样而得到的 随着时间进展, 可供使用的数据越来越多 我们可以等到所有可供使用的数据全部采样到时再处理, 也可以按照时间顺序进行数据处 理 特别地, 如果我们已经求出了基于 { x [0], x[1],, x[ N 1]} 的线性最小均方误差估计值 ˆθ, 直接根据当前数据 x[n ] 更新 ˆθ, 称之为序贯最小均方误差估计
28 .5.1 最小均方误差估计 (MMSE).5. 线性最小均方误差估计 (LMMSE).5.3 白噪声中的 DC 电平序贯模型.5.4 序贯矢量 LMMSE 估计量
29 .5.1 最小均方误差估计 (MMSE) 使估计的均方误差达到最小的一种估计 估计的均方误差为 推得 ξ ˆ θ E θ ˆ θ θ ˆ θ f θ xdxd θ ( ) = {( ) } = ( ) (, ) ( θ ) ( x) ˆ θ = θf ( θ x ) MS ( θ ) dθ
30 .5. 线性最小均方误差估计 (LMMSE) 最小均方误差估计的一种特例, 它要求估计量与观测样本 之间必须满足线性关系, 即 其中, 和 b N = = + k k = + k = 1 ˆ θ g( x) a b x a a 1 b x = [ b, b,, b ] N 是待定系数, 根据最小均方误 差估计准则来确定 估计的均方误差为 B ˆ E ˆ E a ( θ) = {( θ θ) } = {[ θ ( +bx)] }
31 求解 a 和 b a b { ( θ bx) } B( ˆ θ) = E a = 0 a= a L L b= b L {( θ bxx ) } B( ˆ θ) = E a = 0 a= a L L b= b L L L 解得 则 a = E Cov x Cov x x E x L L 1 {} θ {,} θ {,}{} b = Cov x x x 1 { θ, } Cov {, } ˆ {} {,} 1 {,}[ {}] LMS = al + bx L = E + Cov xcov xx x E x θ θ θ B ˆ Cov Cov Cov Cov 1 mse( θ ) = { θθ, } { θ, x} { x, x} { x, θ}
32 正交原理 : 线性最小均方误差估计的估计误差与观测样本是正交的 E{( θ ˆ θ ) x } = 0 LMS
33 矢量的 LMMSE 估计 假设多参量与观测样本满足线性关系 θ ˆ = a+ Bx 其中 = θ1 θ θ M θˆ ˆ, ˆ,, ˆ, a = [,,, ], x = a1 a a M [ ] x1 x x N,,,, B b b b b b b b b b N 1 N = M1 M MN { } 估计的均方误差为 B( θˆ ) = E [ θ a Bx] [ θ a Bx]
34 求解 a 和 B a B { } B( θˆ ) = E θ a B x = 0 a= a L B= B ( ) B( θˆ ) = E θ a B x x = 0 a= a L L B= B L L { } L L L 解得 1 al = E{ θ} Cov{ θ, x} Cov { x, x} E{ x} 1 B = Cov{ θ, x} Cov { x, x} L 则 ˆ { } {, 1 θ = θ + θ x} { x, x} x { x} LMS E Cov Cov E mse {( )( ) } ˆ B ( θ ) = M = E θ θˆ θ θˆ ˆ θ
35 进一步, 若观测样本具有贝叶斯线性模型形式, 即 x= Hθ + w 其中 x 是一个 N 1的数据矢量, H 是一个已知的 N M 矩阵, θ ( u, C ) 是一个 M 1 的随机矢量, N θ θ w N(0, Cw ) 是一个 N 1 的噪声矢量, 且与无关 θ C w 是对角矩阵
36 可得 ˆ 1 = θ + θ ( θ + w) ( θ) θ u C H HC H C x Hu 误差的协方差矩阵 ˆ θ {( )( ) } ( ) 1 Cθ CθH HCθH Cw HCθ θ w { } {( )} M = E θ θˆ θ θˆ = E θ θˆ θ E θ θˆ a = ( + ) = ( C + H C H) L
37 .5.3 白噪声中的 DC 电平序贯模型 假设加性高斯噪声中的 DC 电平模型为 xn [ ] = A+ wn [ ] ~ (0, A), 其中,DC 电平噪声样本 w~ N(0, ) 且独立 同分布, 信号与噪声不相关 A N
38 根据线性最小均方误差估计准则,A 的估计为 N 1 1 ˆ( 1) A A N = bx L = x [ n ] N n= 0 A + N 最小均方误差为 B ˆ[ mse ( A N 1]) = N + A A
39 当 x[n] 可用时更新估计量 N 1 ˆ[ ] A AN = xn [ ] N + 1 n= 0 A + N + 1 N 1 = ( xn [ ] + xn [ ]) ( N + 1) + N 1 A A N n= 0 N = N A ˆ[ N 1] + x[ N] ( N + 1) + ( + 1) + A + A A A A N A N + = ˆ[ 1] + xn [ ] ( N + 1) + ( + 1) + A A AN A N A
40 ˆ N + = A[ N 1] + ( 1) A[ N 1] + x[ N] ( N + 1) + ( + 1) + A ˆ A A N A ˆ = AN [ 1] + ( xn [ ] AN ˆ[ 1]) ( N + 1) + A A 将修正老的估计 x[ N] Aˆ[ N 1] 的系数定义为增益因子 K[ N] = ( N + 1) A A + = B Bmse( Aˆ[ N 1]) ( Aˆ[ N 1]) + mse 又 B N + ˆ A A A mse ( A[ N]) = = ( N + 1) A + ( N + 1) A + N A + = (1 KN [ ]) B ( AN ˆ[ 1]) mse
41 综述序贯 LMMSE 估计过程 计算增益因子 KN [ ] 更新估计量 = B ˆ mse( A[ N 1]) ˆ B ( A[ N 1]) + mse Aˆ [ N] = Aˆ[ N 1] + K[ N]( x[ N] Aˆ[ N 1]) 更新最小均方误差 B Aˆ[ N]) = (1 K[ N]) B ( Aˆ[ N mse( mse 1])
42 利用矢量空间方法的序贯估计 { x[0], x[1]} 基于 LMMSE 估计 Â[1 ] A AA Â[0] x [0] Â[1 ]] x[1] x[1] Â[0] ΔÂ[1] Â[1] Δ ΔÂ[1] x [ 1] x ˆ[10] ] ˆx[10] x[1] (a) (b) (c)
43 x [0] 和 x[1] 可能不是正交的 Â[0] 和 ΔÂ[1] 是正交的 ˆx [10] 是基于 x[0] 的 LMMSE 估计量, 根据正交条件有 x [0] x[ 1] xˆ[10 ] 和 正交 Aˆ [1] = Aˆ[0] + ΔAˆ[1]
44 计算修正项 ΔÂ[1 ] 根据 ˆ {} {, } 1 {, }[ {}] LMS = al + bl x = E + Cov x Cov x x x E x θ θ θ 可知对于零均值的变量 x 和 y,y 基于 x 的 LMMSE 估计量为 得 Exy { } x x yˆ = x = y, Ex Ex Ex { } { } { } Ex { [0] x[1]} E{( A+ w[0])( A+ w[1])} xˆ[1 0] = x[0] = x[0] E x E A+ w = { [0]} {( [0]) } A A + x[0]
45 误差矢量 xˆ [1] = x[1] xˆ[10] 表示 x[1] 贡献给估计 A 的新信息, 称之为新息 A 在这个误差矢量上的投影即是修正项 : xˆ[1] xˆ[1] E{ Axˆ[1]} xˆ[1] Δ Aˆ[1] = A, = Ex { ˆ [1]} Ex { ˆ [1]} Ex { ˆ [1]} 令 K[1] = E{ Axˆ [1]} Ex { ˆ [1]} 有 Aˆ [1] = Aˆ[0] + K[1]( x[1] xˆ[10])
46 ˆ[1 0] 计算 x 根据 x[1] = A+ w[1], 若基于数据 x[0] 估计上式各项, 有 xˆ[1 0] = Aˆ [0] + wˆ[1 0] 由于 w [1] 与 w[0] 不相关, 有 w ˆ[1 0] = 0 可得 ˆ A[0] = xˆ [1 0] = x[0] A A + 此时 Aˆ [1] = Aˆ[0] + K[1]( x[1] Aˆ[0 ])
47 计算增益因子 K[1] 根据 A xˆ [1] = x[1] xˆ[10] = x[1] Aˆ[0] = x[1] + A x[0] 可得 K[1] E{ Axˆ[1]} E{ Axˆ[1]} = = = Ex { ˆ [1]} {[1][1]} A Exˆ x A + 该结果与前面的结论中 的结果是一致的 KN [ ] =, ( N + 1) + A A 令 N = 1
48 采用上述矢量空间方法的流程 x[0] 1. 求出基于的 A 的 LMMSE 估计量, 得到 Â[0]. 求出基于 x[0] 的 x[1] 的 LMMSE 估计量, 得到 ˆx[10] 3. 确定新数据 [1] 的新息, 得到 x x[ 1] xˆ[10 ] 4. 将 A 基于新息的 LMMSE 估计量加到 Â [0] 上, 得到 Â[1 ] 5. 继续这个过程
49 本质上, 我们产生了一组不相关或正交的随机变量, 成为 新息 { x[0], x[1] xˆ[1 0], x[] xˆ[ 0,1], }, 这个过程称为 Gram-Schmdt 正交化 此时求 A 基于 {[0], x x[1], x[],, x[ N 1] } 的 LMMSE 估计量, 只需将各个估计值 ( 投影 ) 简单地相加即可 A ˆ[ N 1] = N 1 n= 0 K[ n]( x[ n] xˆ[ n 0,1,, n 1]) 其中的增益因子 Kn [ ] = E{ Axn ([] xn ˆ[ 0,1,, n 1])} E{( x[] n xˆ [ n 0,1,, n 1])}
50 计算 和增益 x ˆ[ N 0,1,, N 1] K[N] xn ˆ[ 0,1,, N 1] = AN ˆ[ 1] + wn ˆ[ 0,1,, N 1] = AN ˆ[ 1] KN [ ] = E{ A([ x N] Aˆ [ N 1]) } E x N Aˆ N {([ ] [ 1]) } 由于 xn [ ] AN ˆ[ 1] 是 x[n ] 的新息, 新息与 { x[0], x[1], x[],, x[ N 1]} 正交, 因而也与 AN ˆ[ 1] 正交 ( 这些样本数据的线性 组合 ) 此外 EwN { [ ]( A AN ˆ[ 1])} = 0
51 所以 E{ AxN ( [ ] AN ˆ[ 1])} = E{( A AN ˆ[ 1])( xn [ ] AN ˆ[ 1])} = E A Aˆ N = B Aˆ N {( [ 1]) } mse( [ 1]) E x N Aˆ N = E w N + A Aˆ N {( [ ] [ 1]) } {( [ ] [ 1]) } = Ew N + EA AN ˆ { [ ]} { [ 1]) } ( ˆ [ 1]) mse = + B A N 最终 K[ N] = Bmse( Aˆ[ N 1]) + B ( Aˆ[ N 1]) mse AN ˆ[ ] = AN ˆ[ 1] + K[ N]( xn [ ] AN ˆ[ 1])
52 最小均方误差的更新 B Aˆ N E A Aˆ N mse( [ ]) = {( [ ]) } = E A AN ˆ K N xn AN ˆ {( [ 1] [ ]( [ ] [ 1])) } ˆ ˆ ˆ = E{( A AN [ 1]) } K[ N] E{( A AN [ 1])( xn [ ] AN [ 1])} ˆ + K [ N] E{( x[ N] A[ N 1]) } ˆ ˆ ˆ mse mse mse = B ( A[ N 1]) K[ N] B ( A[ N 1]) + K [ N]( + B ( A[ N 1])) 利用 E{ A([ x N] Aˆ [ N 1]) } B ( Aˆ [ N 1]) KN [ ] = = E{ x N A N } B A N mse ([ ˆ ] [ 1]) + ( ˆ mse [ 1]) 可得 B mse ( Aˆ[ N]) = (1 K[ N]) B ( Aˆ[ N 1]) mse
53 .5.4 序贯矢量 LMMSE 估计量 将矢量空间方法推广到序贯矢量 LMMSE 估计量 首先假 设观测样本具有贝叶斯线性模型形式 x= Hθ + w 其中 x 是一个 ( n + 1) 1的数据矢量, H 是一个已知的 ( n+ 1) M 矩阵, θ ( u, C ) 是一个 M 1 的随机矢 N θ θ 量, w N(0, Cw ) 是一个 ( n + 1) 1 的噪声矢量, 且与无 关 是对角矩阵, Ew { [ n]} = n C w θ
54 令 θ ˆ[ n] 是基于 { x[0], x[1],, x[ n]} 的 LMMSE 估计量, M[ n] 是相应的误差的协方差矩阵, 即 M[ n] = E{( θ θˆ[ n])( θ θˆ[ n]) } 分解观测矩阵 H[ n] H[ n 1] n M = = [ n] 1 M h 当 u θ = 0, 第 个分量 ˆ θ [ n] = ˆ θ [ n 1] + K[ n]( xn [ ] xn ˆ[ 0,1,, n 1]) ˆ θ [ n 1] + K [ n]( x[ n] xˆ [ n n 1])
55 由于 xn [ ] = h [ n] θ + wn [ ] ˆ xnn ˆ[ 1] = h [ n][ θ n 1] + wnn ˆ[ 1] = h [ n][ θˆ n 1] 则 θˆ[ n] = θˆ[ n 1] + K[ n]( x[ n] xˆ [ n n 1]) ˆ = θ[ n 1] + K[ n]( x[ n] h [ n] θˆ[ n 1]) 又 E{ θ ([] x n xˆ [ n n 1]) } E{( θ ˆ θ [ n 1])( θ θˆ [ n 1]) } h[ n] K[ n] = = E{ x n x n n } n n n ( [ ] ˆ[ 1]) n + h [ ] M[ 1] h[ ] K[ n] = n M[n -1] h[ n] + h [ n] M[n -1] h[ n] 注 E{ ˆ θ [ n 1]( xn [ ] xnn ˆ[ 1]) }=0
56 而 [ ] {( ˆ[ ])( ˆ M n = E θ θ n θ θ[ n]) } = ( I K[ n] h [ n]) M[ n 1] 当 u, 可以将观测样本 xn [ ] E{ xn [ ]} 应用到对 θ 0, 的估计, 结论仍然一样 θ u θ 初始值设定 θˆ[ 1] = E { θ } = uθ M[ 1] = E{( θ θˆ[ 1])( θ θˆ[ 1]) } = C θ
57 综述序贯 LMMSE 估计过程 计算增益矢量 更新估计量 K[ n] = n M[n -1] h[ n] + h [ n] M[n -1] h[ n] ˆ ˆ θ[ n] = θ[ n 1] + K[ n]( x[ n] h [ n] θˆ[ n 1]) 更新估计误差的协方差矩阵 M[ n] = ( I K[ n] h [ n]) M[ n 1]
58 x[n] + K[n] n, h[ n], M[ n 1] + + θ ˆ[ n] h [n] θ ˆ[ n 1] 1 z 序贯 LMMSE 估计
59 例 : 假设数据模型是 xn [ ] = acosπ fn+ bsn π fn+ wn [ ] n 其中 wn [ ] 是方差为 的白噪声 请应用贝叶斯线性模 型, 序贯估计 θ = [ ab, ] 假设 θ 的均值为 E{} θ = [ μ, μ ] 方差为 θ I a b,
60 .6 序贯最小二乘估计.6.1 线性最小二乘估计 (LS).6. 序贯矢量的 LS 估计量
61 .6.1 线性最小二乘估计 (LS) 对于标量参数, 假设满足如下线性观测模型 xn [ ] = hnθ [ ] + wn [ ] 其中 h[n] 是一个已知序列 LS 误差指标为 N 1 J[ ˆ θ ] = ( x[ n] h[ n] ˆ θ ) n= 0 使其最小, 可得 ˆ θ LS = N 1 n= 0 N 1 n= 0 xnhn [ ] [ ] h [ n]
62 对于 M 1 维矢量参数, 假设满足如下线性观测模型 x = Hθ + w 其中 H 是一个列满秩的 N M 维已知观测矩阵, x 是一个 N 1 维观测样本, w是观测噪声 LS 误差指标为 ˆ ˆ J ( θ) = ( x Hθ) ( x Hθˆ) 使其最小 θˆ J ( ˆ ) θ H ( x Hθˆ ) = = 0
63 可得 ˆ ( ) 1 θls = HH Hx J mn = ( ˆ) ( ˆ) = ( ( ) 1 x Hθ x Hθ x I H H H H )x 扩展形式 : 加权 LS 为强调那些被认为是更可靠的数据样本的贡献, 引入一个 N N 维对称正定加权矩阵 W ˆ ˆ J ( θ) = ( x Hθ) Wx ( Hθˆ) 可得 ˆ ( ) 1 θ = HWH HWx ( 1 J mn = x W WH( H WH) H W)x 最优加权矩阵是噪声协方差矩阵的逆 W = C 1 w
64 .6. 序贯矢量的 LS 估计量 考虑加权 LS 假设观测噪声互不相关, 均值为零 x[ n] = H[ n] θ + w[ n] 其中 x[ n] = x[0], x[1],, x[ n] C w [ ] [ n] = dag{,,, } 0 1 n H[ n] H[ n 1] n M = = [ n] 1 M h 基于 x[ n] 得到的加权 LS 估计值 1 1 ˆ[ ] [ ] [ ] [ ] [ ] n = n n n n w [ n ] [ n ] ( ) 1 w θ H C H H C x 注 : 为保证可逆, 要求 H[ n] 列满秩
65 估计误差的协方差矩阵为 [ ] {( ˆ[ ])( ˆ M n = E θ θ n θ θ[ n]) } = H [ n] C [ n] H[ n] ( 1 ) 1 w 又 ˆ[ ] ( [ ] [ ] [ ]) [ ] n = n w n n n w [ n ] [ n ] θ H C H H C x = M H C x 1 [ n] [ n] w [ n] [ n] 1 [ 1] Cw n 0 H[ n 1] = H [ n 1] h[ n] n [ n] 0 h [ 1] Cw n 0 x[ n 1] H [ n 1] h[ n] n xn [ ] 0 1 1
66 得 ˆ[ ] [ 1] [ 1] [ 1] [ ] θ n = H n Cw n H n + h n h [ n ] n 1 H n C n x n + h n x n 1 [ 1] w [ 1] [ 1] [ ] [ ] n 1 M [ n 1] h[ n] h [ n] n 1 = H C x + h 1 [ n 1] w [ n 1] [ n 1] [ n] x[ n] n M[ n] 其中 ( 1 ) 1 M[ n 1] = H [ n 1] C [ n 1] H[ n 1] w
67 利用求逆等式 A uu A A + uu ) = A 1 1+ u A u ( 推得 M[ n] = M [ n 1] + h[ n] h [ n] n = M[ n 1] M[ n 1] h[ n] h [ n] M[ n 1] n = ( I K[ n] h [ n]) M[ n 1] + h [ n] M[ n 1] h[ n] 其中 K[ n] = n M[ n 1] h[ n] + h [ n] M[ n 1] h[ n]
68 由于 1 1 ˆ[ 1] [ 1] [ 1] [ 1] [ 1] n = n n n n w [ n 1] [ n 1] ( ) 1 w θ H C H H C x 可得 1 [ n 1] [ n 1] w [ n 1] [ n 1] = M H C x θˆ n = I K n h n M n M n θˆ n + 1 h n x n ˆ ˆ 1 = θ[ n 1] K[ n] h [ n] θ[ n 1] + M[ n 1] h[ n] x[ n] 1 [ ] ( [ ] [ ]) [ 1] [ 1] [ 1] [ ] [ ] n 1 n K[ n] h [ n] M[ n 1] h[ n] x[ n] n
69 又 1 1 M[ n 1] h[ n] K[ n] h [ n] M[ n 1] h[ n] n n 1 1 = K[ n]( + h [ n] M[ n 1] h[ n]) K[ n] h [ n] M[ n 1] h[ n] = K[ n] n n n 因此 ˆ ˆ θ[ n] = θ[ n 1] + K[ n] x[ n] K[ n] h [ n] θˆ[ n 1] ( ˆ ) = θˆ[ n 1] + K[ n] x[ n] h [ n] θ[ n 1]
70 根据 LS 误差定义进行更新 J n x n H n θˆ n C n x n H n θˆ n 1 mn[ ] = ( [ ] [ ] [ ]) w [ ]( [ ] [ ] [ ]) ( ˆ ) = x C x H θ 1 [ n] w [ n] [ n] [ n] [ n] 1 Cw [ n 1] 0 [ 1] [ 1] ˆ x n H n θ[ n] = x [ n 1] x[ n] 1 0 ˆ xn [ ] [ n] [ n] h θ n ( ˆ ) 1 [ n 1] w [ n 1] [ n 1] [ n 1] [ n] = x C x H θ 1 x [ + n] x[ n] h [ n] θˆ [ n] n ( ) 注 1 1 ˆ[ ] [ ] [ ] [ ] [ ] n = n n n n w [ n ] [ n ] ( ) 1 w θ H C H H C x
71 令 en [ ] = xn [ ] h [ n] θˆ [ n 1], 得 θˆ[ n] = θˆ[ n 1] + K[ n] e[ n] ( ˆ ) J n = n n n n n n n e n 1 mn[ ] x [ 1] Cw [ 1] x[ 1] H[ 1] θ[ 1] H[ 1] K[ ] [ ] 1 + xn [ ] xn [ ] [ n] ˆ[ n 1] [ n] [ nen ] [ ] n ( h θ h K ) = J n n n n n e n 1 mn[ 1] x [ 1] Cw [ 1] H[ 1] K[ ] [ ] 1 [ ] ( 1 + xn h [ n ] K [ n ] ) en [ ] n ˆ 1 1 = Jmn[ n 1] θ [ n 1] M [ n 1] K [ n] e[ n] + x [ n ] ( 1 h [ n ] K [ n ] ) e [ n ] n 注 1 ˆ[ 1] [ 1] [ 1] n = n n w [ n 1] [ n 1] θ M H C x
72 又 1 ( ) ˆ 1 xn [ ] 1 h [ n] K[ n] θ [ n 1] M [ n 1] K[ n] n ˆ 1 h [ n] M[ n 1] h[ n] θ [ n 1] h[ n] = xn [ ] 1 n n + h [ n] M[ n 1] h[ n] n + h [ n] M[ n 1] h[ n] xn [ ] h [ n] θˆ [ n 1] en [ ] = = + h [ n] M[ n 1] h[ n] + h [ n] M[ n 1] h[ n] n n 最终 J [ n] = J [ n 1] + mn mn n e [ n] + h [ n] M[ n 1] h[ n]
73 综述序贯 LS 估计过程 计算增益矢量 K[ n] = 更新估计量 n M[ n 1] h[ n] + h [ n] M[ n 1] h[ n] ( ) θˆ[ n] = θˆ[ n 1] + K[ n] x[ n] h [ n] θˆ[ n 1] 更新估计量的协方差矩阵 M[ n] = ( I K[ n] h [ n]) M[ n 1]
74 x[n], h[ n], M[ n 1] + + K[n] n + θ ˆ[ n] h [n] θ ˆ[ n 1] z 1 序贯 LS 估计
75 初始值设定 1. 利用批估计量求 为保证矩阵可逆, 要求 n M 1 1 ˆ[ 1] [ 1] [ 1] [ 1] [ 1] n = n n n n 1 w [ n 1] [ n 1] ( ) w θ H C H H C x ( 1 ) w M[ n 1] = H [ n 1] C [ n 1] H[ n 1]. 指定 θ ˆ[ 1], M[ 1], α 取个大的值 θˆ[ 1] = 0 M[ n 1] = αi 1
76 例 : 假设数据模型是 xn [ ] = acosπ fn+ bsn π fn+ wn [ ] 0 0 n 0 其中 wn [ ] 是方差为 的白噪声序列 请序贯 LS 估计 θ = [ ab, ]
77 .7 相关样本的序贯估计 假设观测样本具有贝叶斯线性模型形式 M x[ n] = h[ n] θ + w[ n] = 1 其中是待估计参量矢量, h [ ] n θ = [,,, ] ( u, C ) θ1 θ θ M N θ θ 是已知的观测系数, wn [ ] ( ) m 是均值为零 自相关函数 为 R m = ρ 的高斯色噪声, 0< ρ < 1, 且与无关 n θ
78 将观测样本通过如下白化滤波器 { xn [ ]} { } 1 1 ρ z yn [ ] yn [ ] = xn [ ] ρ xn [ 1] M = 1 = 1 ( ) = h[ n] ρh[ n 1] θ + w[ n] ρw[ n 1] M h [ n] θ + v[ n] k 其中 ( ) vn [ ]~ N 0,(1 ρ ) 是高斯白噪声
79 新的观测模型 : y[ n] = H [ n] θ + v[ n] 其中 : x[0] y[1] y[ n] = yn [ ] H [ n] C v h1[0] h[0] hm [0] h [1] h [1] h [1] H [ n 1] h [ n] h 1[ n] h [ n] h M [ n] 1 M = = 0 0 ( 0 1 ρ ) 0 = ( ρ )
80 综述相关样本的序贯 LMMSE 估计过程 设定初始值 计算增益矢量 K[0] = { } θˆ[ 1] = E θ, M [ 1] = C θ M[-1] h[0] + h [0] M[-1] h[0] 更新估计量 ˆ ˆ θ[0] = θ[ 1] + K[0]( x[0] h [0] θˆ[ 1]) 更新估计误差的协方差矩阵 M[0] = ( I K[0] h [0]) M[ 1]
81 预白化观测样本 计算增益矢量 K[ n] = 更新估计量 yn [ ] = xn [ ] ρxn [ 1], n= 1,, M[n -1] h [ n] (1 ρ ) + h [ ] M h [ ] n [n -1] n ˆ ˆ θ[ n] = θ[ n 1] + K[ n]( y[ n] h [ n] θˆ[ n 1]) 更新估计误差的协方差矩阵 M[ n] = ( I K[ n] h [ n]) M[ n 1]
第五章 信号估计理论
信号统计分析 第 5 章信号估计理论 本章内容 5.1 引言 5.2 估计准则 5.3 多参量的常用估计准则 5.4 估计量评价的指标 5.5 克拉美 - 罗不等式 5.6 应用 5.1 引言 信号检测 : 判断是否存在信号或存在哪种信号 信号估计 : 对信号的参量甚至波形进行定量的推断 从信号检测到信号估计, 是对事物从定性的判断到定 量的描述 不同应用领域 : 数理统计领域 : 估计总体的均值
More informationPowerPoint Presentation
信号检测与估计 第 章经典检测与估计理论 本章内容. 信号检测模型.2 统计判决准则.3 统计判决准则的推广.4 高斯白噪声中已知信号的检测.5 估计准则.6 估计量评价指标.7 克拉美 - 罗不等式 . 信号检测模型 在现实中, 人们常常要根据观测数据 ( 统称为观测信号 ) 对其产生 的原因做出判决 根据雷达接收机所接收的信号 判定某区域内目标是否存在 根据天气观测数据预测某地区次日的天气 (
More information本章内容 3. 引言 3. 信号检测模型 3.3 统计判决准则 3.4 统计判决准则的推广 3.5 高斯白噪声中已知信号的检测 3.6 高斯色噪声中已知信号的检测 3.7 随机参量信号的检测
信号统计分析 第 3 章噪声中的信号检测 本章内容 3. 引言 3. 信号检测模型 3.3 统计判决准则 3.4 统计判决准则的推广 3.5 高斯白噪声中已知信号的检测 3.6 高斯色噪声中已知信号的检测 3.7 随机参量信号的检测 3. 引言 几个概念 假设 : 对检验对象的所有可能的判决结果的陈述 假设检验 : 基于观测信号在几个假设中选取一个的判决 先验知识 : 观测者事先具备的知识 后验知识
More informationΖ # % & ( ) % + & ) / 0 0 1 0 2 3 ( ( # 4 & 5 & 4 2 2 ( 1 ) ). / 6 # ( 2 78 9 % + : ; ( ; < = % > ) / 4 % 1 & % 1 ) 8 (? Α >? Β? Χ Β Δ Ε ;> Φ Β >? = Β Χ? Α Γ Η 0 Γ > 0 0 Γ 0 Β Β Χ 5 Ι ϑ 0 Γ 1 ) & Ε 0 Α
More informationuntitled
4 y l y y y l,, (, ) ' ( ) ' ( ) y, y f ) ( () f f ( ) (l ) t l t lt l f ( t) f ( ) t l f ( ) d (l ) C f ( ) C, f ( ) (l ) L y dy yd π y L y cosθ, π θ : siθ, π yd dy L [ cosθ cosθ siθ siθ ] dθ π π π si
More information# # # #!! % &! # % 6 & () ) &+ & ( & +, () + 0. / & / &1 / &1, & ( ( & +. 4 / &1 5,
# # # #!! % &! # % 6 & () ) &+ & ( & +, () + 0. / & / &1 / &1, & ( 0 2 3 ( & +. 4 / &1 5, !! & 6 7! 6! &1 + 51, (,1 ( 5& (5( (5 & &1 8. +5 &1 +,,( ! (! 6 9/: ;/:! % 7 3 &1 + ( & &, ( && ( )
More information! # % & ( & # ) +& & # ). / 0 ) + 1 0 2 & 4 56 7 8 5 0 9 7 # & : 6/ # ; 4 6 # # ; < 8 / # 7 & & = # < > 6 +? # Α # + + Β # Χ Χ Χ > Δ / < Ε + & 6 ; > > 6 & > < > # < & 6 & + : & = & < > 6+?. = & & ) & >&
More information!! # % & ( )!!! # + %!!! &!!, # ( + #. ) % )/ # & /.
! # !! # % & ( )!!! # + %!!! &!!, # ( + #. ) % )/ # & /. #! % & & ( ) # (!! /! / + ) & %,/ #! )!! / & # 0 %#,,. /! &! /!! ) 0+(,, # & % ) 1 # & /. / & %! # # #! & & # # #. ).! & #. #,!! 2 34 56 7 86 9
More information! # % & # % & ( ) % % %# # %+ %% % & + %, ( % % &, & #!.,/, % &, ) ) ( % %/ ) %# / + & + (! ) &, & % & ( ) % % (% 2 & % ( & 3 % /, 4 ) %+ %( %!
! # # % & ( ) ! # % & # % & ( ) % % %# # %+ %% % & + %, ( % % &, & #!.,/, % &, ) ) ( % %/ ) 0 + 1 %# / + & + (! ) &, & % & ( ) % % (% 2 & % ( & 3 % /, 4 ) %+ %( %! # ( & & 5)6 %+ % ( % %/ ) ( % & + %/
More information《分析化学辞典》_数据处理条目_1.DOC
3 4 5 6 7 χ χ m.303 B = f log f log C = m f = = m = f m C = + 3( m ) f = f f = m = f f = n n m B χ α χ α,( m ) H µ σ H 0 µ = µ H σ = 0 σ H µ µ H σ σ α H0 H α 0 H0 H0 H H 0 H 0 8 = σ σ σ = ( n ) σ n σ /
More informationM ( ) K F ( ) A M ( ) 1815 (probable error) F W ( ) J ( ) n! M ( ) T ( ) L ( ) T (171
1 [ ]H L E B ( ) statistics state G (150l--1576) G (1564 1642) 16 17 ( ) C B (1623 1662) P (1601--16S5) O W (1646 1716) (1654 1705) (1667--1748) (1687--H59) (1700 1782) J (1620 1674) W (1623 1687) E (1656
More information& & ) ( +( #, # &,! # +., ) # % # # % ( #
! # % & # (! & & ) ( +( #, # &,! # +., ) # % # # % ( # Ι! # % & ( ) & % / 0 ( # ( 1 2 & 3 # ) 123 #, # #!. + 4 5 6, 7 8 9 : 5 ; < = >?? Α Β Χ Δ : 5 > Ε Φ > Γ > Α Β #! Η % # (, # # #, & # % % %+ ( Ι # %
More information/ Ν #, Ο / ( = Π 2Θ Ε2 Ρ Σ Π 2 Θ Ε Θ Ρ Π 2Θ ϑ2 Ρ Π 2 Θ ϑ2 Ρ Π 23 8 Ρ Π 2 Θϑ 2 Ρ Σ Σ Μ Π 2 Θ 3 Θ Ρ Κ2 Σ Π 2 Θ 3 Θ Ρ Κ Η Σ Π 2 ϑ Η 2 Ρ Π Ρ Π 2 ϑ Θ Κ Ρ Π
! # #! % & ( ) % # # +, % #. % ( # / ) % 0 1 + ) % 2 3 3 3 4 5 6 # 7 % 0 8 + % 8 + 9 ) 9 # % : ; + % 5! + )+)#. + + < ) ( # )# < # # % 0 < % + % + < + ) = ( 0 ) # + + # % )#!# +), (? ( # +) # + ( +. #!,
More information) & ( +,! (# ) +. + / & 6!!!.! (!,! (! & 7 6!. 8 / ! (! & 0 6! (9 & 2 7 6!! 3 : ; 5 7 6! ) % (. ()
! # % & & &! # % &! ( &! # )! ) & ( +,! (# ) +. + / 0 1 2 3 4 4 5 & 6!!!.! (!,! (! & 7 6!. 8 / 6 7 6 8! (! & 0 6! (9 & 2 7 6!! 3 : ; 5 7 6! ) % (. () , 4 / 7!# + 6 7 1 1 1 0 7!.. 6 1 1 2 1 3
More information&! +! # ## % & #( ) % % % () ) ( %
&! +! # ## % & #( ) % % % () ) ( % &! +! # ## % & #( ) % % % () ) ( % ,. /, / 0 0 1,! # % & ( ) + /, 2 3 4 5 6 7 8 6 6 9 : / ;. ; % % % % %. ) >? > /,,
More informationΡ Τ Π Υ 8 ). /0+ 1, 234) ς Ω! Ω! # Ω Ξ %& Π 8 Δ, + 8 ),. Ψ4) (. / 0+ 1, > + 1, / : ( 2 : / < Α : / %& %& Ζ Θ Π Π 4 Π Τ > [ [ Ζ ] ] %& Τ Τ Ζ Ζ Π
! # % & ( ) + (,. /0 +1, 234) % 5 / 0 6/ 7 7 & % 8 9 : / ; 34 : + 3. & < / = : / 0 5 /: = + % >+ ( 4 : 0, 7 : 0,? & % 5. / 0:? : / : 43 : 2 : Α : / 6 3 : ; Β?? : Α 0+ 1,4. Α? + & % ; 4 ( :. Α 6 4 : & %
More information9!!!! #!! : ;!! <! #! # & # (! )! & ( # # #+
! #! &!! # () +( +, + ) + (. ) / 0 1 2 1 3 4 1 2 3 4 1 51 0 6. 6 (78 1 & 9!!!! #!! : ;!! ? &! : < < &? < Α!!&! : Χ / #! : Β??. Δ?. ; ;
More information! /. /. /> /. / Ε Χ /. 2 5 /. /. / /. 5 / Φ0 5 7 Γ Η Ε 9 5 /
! # %& ( %) & +, + % ) # % % ). / 0 /. /10 2 /3. /!. 4 5 /6. /. 7!8! 9 / 5 : 6 8 : 7 ; < 5 7 9 1. 5 /3 5 7 9 7! 4 5 5 /! 7 = /6 5 / 0 5 /. 7 : 6 8 : 9 5 / >? 0 /.? 0 /1> 30 /!0 7 3 Α 9 / 5 7 9 /. 7 Β Χ9
More information!! )!!! +,./ 0 1 +, 2 3 4, # 8,2 6, 2 6,,2 6, 2 6 3,2 6 5, 2 6 3, 2 6 9!, , 2 6 9, 2 3 9, 2 6 9,
! # !! )!!! +,./ 0 1 +, 2 3 4, 23 3 5 67 # 8,2 6, 2 6,,2 6, 2 6 3,2 6 5, 2 6 3, 2 6 9!, 2 6 65, 2 6 9, 2 3 9, 2 6 9, 2 6 3 5 , 2 6 2, 2 6, 2 6 2, 2 6!!!, 2, 4 # : :, 2 6.! # ; /< = > /?, 2 3! 9 ! #!,!!#.,
More information! # %& ( %! & & + %!, ( Α Α Α Α Χ Χ Α Χ Α Α Χ Α Α Α Α
Ε! # % & ( )%! & & + %!, (./ 0 1 & & 2. 3 &. 4/. %! / (! %2 % ( 5 4 5 ) 2! 6 2! 2 2. / & 7 2! % &. 3.! & (. 2 & & / 8 2. ( % 2 & 2.! 9. %./ 5 : ; 5. % & %2 2 & % 2!! /. . %! & % &? & 5 6!% 2.
More information! Ν! Ν Ν & ] # Α. 7 Α ) Σ ),, Σ 87 ) Ψ ) +Ε 1)Ε Τ 7 4, <) < Ε : ), > 8 7
!! # & ( ) +,. )/ 0 1, 2 ) 3, 4 5. 6 7 87 + 5 1!! # : ;< = > < < ;?? Α Β Χ Β ;< Α? 6 Δ : Ε6 Χ < Χ Α < Α Α Χ? Φ > Α ;Γ ;Η Α ;?? Φ Ι 6 Ε Β ΕΒ Γ Γ > < ϑ ( = : ;Α < : Χ Κ Χ Γ? Ε Ι Χ Α Ε? Α Χ Α ; Γ ;
More information4= 8 4 < 4 ϑ = 4 ϑ ; 4 4= = 8 : 4 < : 4 < Κ : 4 ϑ ; : = 4 4 : ;
! #! % & ( ) +!, + +!. / 0 /, 2 ) 3 4 5 6 7 8 8 8 9 : 9 ;< 9 = = = 4 ) > (/?08 4 ; ; 8 Β Χ 2 ΔΔ2 4 4 8 4 8 4 8 Ε Φ Α, 3Γ Η Ι 4 ϑ 8 4 ϑ 8 4 8 4 < 8 4 5 8 4 4
More information., /,, 0!, + & )!. + + (, &, & 1 & ) ) 2 2 ) 1! 2 2
! # &!! ) ( +, ., /,, 0!, + & )!. + + (, &, & 1 & ) ) 2 2 ) 1! 2 2 ! 2 2 & & 1 3! 3, 4 45!, 2! # 1 # ( &, 2 &, # 7 + 4 3 ) 8. 9 9 : ; 4 ), 1!! 4 4 &1 &,, 2! & 1 2 1! 1! 1 & 2, & 2 & < )4 )! /! 4 4 &! &,
More information, ( 6 7 8! 9! (, 4 : : ; 0.<. = (>!? Α% ), Β 0< Χ 0< Χ 2 Δ Ε Φ( 7 Γ Β Δ Η7 (7 Ι + ) ϑ!, 4 0 / / 2 / / < 5 02
! # % & ( ) +, ) %,! # % & ( ( ) +,. / / 01 23 01 4, 0/ / 5 0 , ( 6 7 8! 9! (, 4 : : ; 0.!? Α% ), Β 0< Χ 0< Χ 2 Δ Ε Φ( 7 Γ Β Δ 5 3 3 5 3 1 Η7 (7 Ι + ) ϑ!, 4 0 / / 2 / 3 0 0 / < 5 02 Ν!.! %) / 0
More informationuntitled
5 55-% 8-8 8-5% - 7 7 U- lim lim u k k k u k k k k ` k u k k lim.7. 8 e e. e www.tighuatutor.com 5 79 755 [ e ] e e [ e ] e e e. --7 - u z dz d d dz u du d 8d d d d dz d d d d. 5-5 A E B BA B E B B BA
More information, & % # & # # & % & + # & # # # & # % #,
! # #! % # & # & & ( ( # ) % , & % # & # # & % & + # & # # # & # % #, # % % # % # ) % # % % # % # # % # % # + # % ( ( # % & & & & & & % & & # % # % & & % % % . % # / & & # 0 ) & # % & % ( # # & & & # #
More informationΠ Ρ! #! % & #! (! )! + %!!. / 0% # 0 2 3 3 4 7 8 9 Δ5?? 5 9? Κ :5 5 7 < 7 Δ 7 9 :5? / + 0 5 6 6 7 : ; 7 < = >? : Α8 5 > :9 Β 5 Χ : = 8 + ΑΔ? 9 Β Ε 9 = 9? : ; : Α 5 9 7 3 5 > 5 Δ > Β Χ < :? 3 9? 5 Χ 9 Β
More information% %! # % & ( ) % # + # # % # # & & % ( #,. %
!!! # #! # % & % %! # % & ( ) % # + # # % # # & & % ( #,. % , ( /0 ) %, + ( 1 ( 2 ) + %, ( 3, ( 123 % & # %, &% % #, % ( ) + & &% & ( & 4 ( & # 4 % #, #, ( ) + % 4 % & &, & & # / / % %, &% ! # #! # # #
More information!!! #! )! ( %!! #!%! % + % & & ( )) % & & #! & )! ( %! ),,, )
! # % & # % ( ) & + + !!! #! )! ( %!! #!%! % + % & & ( )) % & & #! & )! ( %! ),,, ) 6 # / 0 1 + ) ( + 3 0 ( 1 1( ) ) ( 0 ) 4 ( ) 1 1 0 ( ( ) 1 / ) ( 1 ( 0 ) ) + ( ( 0 ) 0 0 ( / / ) ( ( ) ( 5 ( 0 + 0 +
More informationPowerPoint 演示文稿
. ttp://www.reej.com 4-9-9 4-9-9 . a b { } a b { }. Φ ϕ ϕ ϕ { } Φ a b { }. ttp://www.reej.com 4-9-9 . ~ ma{ } ~ m m{ } ~ m~ ~ a b but m ~ 4-9-9 4 . P : ; Φ { } { ϕ ϕ a a a a a R } P pa ttp://www.reej.com
More information8 9 8 Δ 9 = 1 Η Ι4 ϑ< Κ Λ 3ϑ 3 >1Ε Μ Ε 8 > = 8 9 =
!! % & ( & ),,., / 0 1. 0 0 3 4 0 5 3 6!! 7 8 9 8!! : ; < = > :? Α 4 8 9 < Β Β : Δ Ε Δ Α = 819 = Γ 8 9 8 Δ 9 = 1 Η Ι4 ϑ< Κ Λ 3ϑ 3 >1Ε 8 9 0 Μ Ε 8 > 9 8 9 = 8 9 = 819 8 9 =
More information,!! #! > 1? = 4!! > = 5 4? 2 Α Α!.= = 54? Β. : 2>7 2 1 Χ! # % % ( ) +,. /0, , ) 7. 2
! # %!% # ( % ) + %, ). ) % %(/ / %/!! # %!! 0 1 234 5 6 2 7 8 )9!2: 5; 1? = 4!! > = 5 4? 2 Α 7 72 1 Α!.= = 54?2 72 1 Β. : 2>7 2 1 Χ! # % % ( ) +,.
More information& &((. ) ( & ) 6 0 &6,: & ) ; ; < 7 ; = = ;# > <# > 7 # 0 7#? Α <7 7 < = ; <
! # %& ( )! & +, &. / 0 # # 1 1 2 # 3 4!. &5 (& ) 6 0 0 2! +! +( &) 6 0 7 & 6 8. 9 6 &((. ) 6 4. 6 + ( & ) 6 0 &6,: & )6 0 3 7 ; ; < 7 ; = = ;# > 7 # 0 7#? Α
More informationΒ 8 Α ) ; %! #?! > 8 8 Χ Δ Ε ΦΦ Ε Γ Δ Ε Η Η Ι Ε ϑ 8 9 :! 9 9 & ϑ Κ & ϑ Λ &! &!! 4!! Μ Α!! ϑ Β & Ν Λ Κ Λ Ο Λ 8! % & Π Θ Φ & Ρ Θ & Θ & Σ ΠΕ # & Θ Θ Σ Ε
! #!! % & ( ) +,. /. 0,(,, 2 4! 6! #!!! 8! &! % # & # &! 9 8 9 # : : : : :!! 9 8 9 # #! %! ; &! % + & + & < = 8 > 9 #!!? Α!#!9 Α 8 8!!! 8!%! 8! 8 Β 8 Α ) ; %! #?! > 8 8 Χ Δ Ε ΦΦ Ε Γ Δ Ε Η Η Ι Ε ϑ 8 9 :!
More information) Μ <Κ 1 > < # % & ( ) % > Χ < > Δ Χ < > < > / 7 ϑ Ν < Δ 7 ϑ Ν > < 8 ) %2 ): > < Ο Ε 4 Π : 2 Θ >? / Γ Ι) = =? Γ Α Ι Ρ ;2 < 7 Σ6 )> Ι= Η < Λ 2 % & 1 &
! # % & ( ) % + ),. / & 0 1 + 2. 3 ) +.! 4 5 2 2 & 5 0 67 1) 8 9 6.! :. ;. + 9 < = = = = / >? Α ) /= Β Χ Β Δ Ε Β Ε / Χ ΦΓ Χ Η Ι = = = / = = = Β < ( # % & ( ) % + ),. > (? Φ?? Γ? ) Μ
More information: ; # 7 ( 8 7
(! # % & ( ) +,. / +. 0 0 ) 1. 2 3 +4 1/,5,6 )/ ) 7 7 8 9 : ; 7 8 7 # 7 ( 8 7 ; ;! #! % & % ( # ) % + # # #, # % + &! #!. #! # # / 0 ( / / 0! #,. # 0(! #,. # 0!. # 0 0 7 7 < = # ; & % ) (, ) ) ) ) ) )!
More information> # ) Β Χ Χ 7 Δ Ε Φ Γ 5 Η Γ + Ι + ϑ Κ 7 # + 7 Φ 0 Ε Φ # Ε + Φ, Κ + ( Λ # Γ Κ Γ # Κ Μ 0 Ν Ο Κ Ι Π, Ι Π Θ Κ Ι Π ; 4 # Ι Π Η Κ Ι Π. Ο Κ Ι ;. Ο Κ Ι Π 2 Η
1 )/ 2 & +! # % & ( ) +, + # # %. /& 0 4 # 5 6 7 8 9 6 : : : ; ; < = > < # ) Β Χ Χ 7 Δ Ε Φ Γ 5 Η Γ + Ι + ϑ Κ 7 # + 7 Φ 0 Ε Φ # Ε + Φ, Κ + ( Λ # Γ Κ Γ #
More information8 9 < ; ; = < ; : < ;! 8 9 % ; ϑ 8 9 <; < 8 9 <! 89! Ε Χ ϑ! ϑ! ϑ < ϑ 8 9 : ϑ ϑ 89 9 ϑ ϑ! ϑ! < ϑ < = 8 9 Χ ϑ!! <! 8 9 ΧΧ ϑ! < < < < = 8 9 <! = 8 9 <! <
! # % ( ) ( +, +. ( / 0 1) ( 2 1 1 + ( 3 4 5 6 7! 89 : ; 8 < ; ; = 9 ; ; 8 < = 9! ; >? 8 = 9 < : ; 8 < ; ; = 9 8 9 = : : ; = 8 9 = < 8 < 9 Α 8 9 =; %Β Β ; ; Χ ; < ; = :; Δ Ε Γ Δ Γ Ι 8 9 < ; ; = < ; :
More information2 2 Λ ϑ Δ Χ Δ Ι> 5 Λ Λ Χ Δ 5 Β. Δ Ι > Ε!!Χ ϑ : Χ Ε ϑ! ϑ Β Β Β ϑ Χ Β! Β Χ 5 ϑ Λ ϑ % < Μ / 4 Ν < 7 :. /. Ο 9 4 < / = Π 7 4 Η 7 4 =
! # % # & ( ) % # ( +, & % # ) % # (. / ). 1 2 3 4! 5 6 4. 7 8 9 4 : 2 ; 4 < = = 2 >9 3? & 5 5 Α Α 1 Β ΧΔ Ε Α Φ 7 Γ 9Η 8 Δ Ι > Δ / ϑ Κ Α Χ Ε ϑ Λ ϑ 2 2 Λ ϑ Δ Χ Δ Ι> 5 Λ Λ Χ Δ 5 Β. Δ Ι > Ε!!Χ ϑ : Χ Ε ϑ!
More information. /!Ι Γ 3 ϑκ, / Ι Ι Ι Λ, Λ +Ι Λ +Ι
! # % & ( ) +,& ( + &. / 0 + 1 0 + 1,0 + 2 3., 0 4 2 /.,+ 5 6 / 78. 9: ; < = : > ; 9? : > Α
More information= Υ Ξ & 9 = ) %. Ο) Δ Υ Ψ &Ο. 05 3; Ι Ι + 4) &Υ ϑ% Ο ) Χ Υ &! 7) &Ξ) Ζ) 9 [ )!! Τ 9 = Δ Υ Δ Υ Ψ (
! # %! & (!! ) +, %. ( +/ 0 1 2 3. 4 5 6 78 9 9 +, : % % : < = % ;. % > &? 9! ) Α Β% Χ %/ 3. Δ 8 ( %.. + 2 ( Φ, % Γ Η. 6 Γ Φ, Ι Χ % / Γ 3 ϑκ 2 5 6 Χ8 9 9 Λ % 2 Χ & % ;. % 9 9 Μ3 Ν 1 Μ 3 Φ Λ 3 Φ ) Χ. 0
More information3978 30866 4 3 43 [] 3 30 4. [] . . 98 .3 ( ) 06 99 85 84 94 06 3 0 3 9 3 0 4 9 4 88 4 05 5 09 5 8 5 96 6 9 6 97 6 05 7 7 03 7 07 8 07 8 06 8 8 9 9 95 9 0 05 0 06 30 0 .5 80 90 3 90 00 7 00 0 3
More information( ) (! +)! #! () % + + %, +,!#! # # % + +!
!! # % & & & &! # # % ( ) (! +)! #! () % + + %, +,!#! # # % + +! ! %!!.! /, ()!!# 0 12!# # 0 % 1 ( ) #3 % & & () (, 3)! #% % 4 % + +! (!, ), %, (!!) (! 3 )!, 1 4 ( ) % % + % %!%! # # !)! % &! % () (! %
More information4 # = # 4 Γ = 4 0 = 4 = 4 = Η, 6 3 Ι ; 9 Β Δ : 8 9 Χ Χ ϑ 6 Κ Δ ) Χ 8 Λ 6 ;3 Ι 6 Χ Δ : Χ 9 Χ Χ ϑ 6 Κ
! # % & & ( ) +, %. % / 0 / 2 3! # 4 ) 567 68 5 9 9 : ; > >? 3 6 7 : 9 9 7 4! Α = 42 6Β 3 Χ = 42 3 6 3 3 = 42 : 0 3 3 = 42 Δ 3 Β : 0 3 Χ 3 = 42 Χ Β Χ 6 9 = 4 =, ( 9 6 9 75 3 6 7 +. / 9
More information目录 1 一元多项式回归分析 2 线性等式约束下的回归分析 3 回归分析若干问题讨论 4 第二类回归分析 5 随机动态系统最优状态估计
四川大学 2017 2018 学年第二学期 统计计算 2018 年 4 月 19 日 目录 1 一元多项式回归分析 2 线性等式约束下的回归分析 3 回归分析若干问题讨论 4 第二类回归分析 5 随机动态系统最优状态估计 一元多项式回归分析 全部内容见教材第 331 至 336 页. 1 一元多项式回归模型 : 第 331 页 2 一元多项式回归模型的参数估计 1 直接计算 : 第 331 至 332
More informationⅠⅡⅢ Ⅳ
ⅠⅡⅢ Ⅳ ! "!"#$%&!!! !"#$%& ()*+,!"" *! " !! " #$%& ( Δ !"#$%& ()*+,!"" * !! " #$%& ( !"#$%& ()*+,!"" * !! " #$%& ( !"#$%& ()*+,!"" * !! " #$%& (! # !"#$%& ()*+,!"" * !! " #$%& ( 1 1 !"#$%& ()*+,!"" *
More information# # 4 + % ( ) ( /! 3 (0 0 (012 0 # (,!./ %
#! # # %! # + 5 + # 4 + % ( ) ( /! 3 (0 0 (012 0 # (,!./ % ,9 989 + 8 9 % % % % # +6 # % 7, # (% ) ,,? % (, 8> % %9 % > %9 8 % = ΑΒ8 8 ) + 8 8 >. 4. ) % 8 # % =)= )
More information08-01.indd
1 02 04 08 14 20 27 31 35 40 43 51 57 60 07 26 30 39 50 56 65 65 67 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 ω ρ ε 23 λ ω < 1 ω < 1 ω > 0 24 25 26 27 28 29 30 31 ρ 1 ρ σ b a x x i +3 x i
More informationⅠ Ⅱ 1 2 Ⅲ Ⅳ
Ⅰ Ⅱ 1 2 Ⅲ Ⅳ !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
More informationWL100014ZW.PDF
A Z 1 238 H U 1 92 1 2 3 1 1 1 H H H 235 238 92 U 92 U 1.1 2 1 H 3 1 H 3 2 He 4 2 He 6 3 Hi 7 3 Hi 9 4 Be 10 5 B 2 1.113MeV H 1 4 2 He B/ A =7.075MeV 4 He 238 94 Pu U + +5.6MeV 234 92 2 235 U + 200MeV
More information8 8 Β Β : ; Χ; ; ; 8 : && Δ Ε 3 4Φ 3 4Φ Ε Δ Ε > Β & Γ 3 Γ 3 Ε3Δ 3 3 3? Ε Δ Δ Δ Δ > Δ # Χ 3 Η Ι Ι ϑ 3 Γ 6! # # % % # ( % ( ) + ( # ( %, & ( #,.
! # % & ( ) ( +,.% /.0.% 1 2 3 4 5 6 #! 7 8 9 9 : ; 8 : ; &; ; < ; 7 => 9 9 8?; 8! 3 3 3 3 Β & Γ 3 Γ 3 Ε3Δ 3 3 3?
More information. () ; () ; (3) ; (4).. () : P.4 3.4; P. A (3). () : P. A (5)(6); B. (3) : P.33 A (9),. (4) : P. B 5, 7(). (5) : P.8 3.3; P ; P.89 A 7. (6) : P.
() * 3 6 6 3 9 4 3 5 8 6 : 3. () ; () ; (3) (); (4) ; ; (5) ; ; (6) ; (7) (); (8) (, ); (9) ; () ; * Email: huangzh@whu.edu.cn . () ; () ; (3) ; (4).. () : P.4 3.4; P. A (3). () : P. A (5)(6); B. (3) :
More information( ) Wuhan University
Email: huangzh@whueducn, 47 Wuhan Univesity i L A TEX,, : http://affwhueducn/huangzh/ 8 4 49 7 ii : : 4 ; 8 a b c ; a b c 4 4 8 a b c b c a ; c a b x y x + y y x + y x x + y x y 4 + + 8 8 4 4 + 8 + 6 4
More information國家圖書館典藏電子全文
1 3 4 5 n Y Y n t t t = 1 ˆ) ( n Y Y n t t t = 1 ˆ n Y Y Y n t t t t = 1 ˆ 6 n Y Y n t t t = 1 ˆ) ( n Y Y Y n t t t t = 1 ˆ) ( t Y t Yˆ n Y t = φ 0 + φ1yt 1 + φyt +... + φ pyt p + εt Y t Y t n φ n ε n
More information80000 400 200 X i X1 + X 2 + X 3 + + X n i= 1 x = n n x n x 17 + 15 + 18 + 16 + 17 + 16 + 14 + 17 + 16 + 15 + 18 + 16 = 12 195 = = 1625. ( ) 12 X X n i = = 1 n i= 1 X f i f Xf = f n i= 1 X f ( Xf). i i
More informationuntitled
f ( ) tan e, > = arcsin a = ae, a = tan e tan lim f ( ) = lim = lim =, arcsin + + + lim f = lim ae = a, y e ( ) =
More information3 4 Ψ Ζ Ζ [, Β 7 7>, Θ0 >8 : Β0 >, 4 Ε2 Ε;, ] Ε 0, 7; :3 7;,.2.;, _ & αε Θ:. 3 8:,, ), β & Φ Η Δ?.. 0?. χ 7 9 Ε >, Δ? Β7 >7 0, Τ 0 ΚΚ 0 χ 79 Ε >, Α Ε
(! # # %& ) +,./ 0 & 0 1 2 / & %&( 3! # % & ( ) & +, ), %!,. / 0 1 2. 3 4 5 7 8 9 : 0 2; < 0 => 8?.. >: 7 2 Α 5 Β % Χ7 Δ.Ε8 0Φ2.Γ Φ 5 Η 8 0 Ι 2? : 9 ϑ 7 ϑ0 > 2? 0 7Ε 2?. 0. 2 : Ε 0 9?: 9 Κ. 9 7Λ /.8 720
More informationNautical Navigation
统计信号分析与处理 第 6 章波形估计 本章内容 6. 波形估计的分类 6.2 连续信号的维纳滤波 6.3 离散维纳滤波 α β 6.4 滤波 6.5 卡尔曼滤波 6. 波形估计的分类 假设观测信号为 g( ) s( α ) x = s + n = + 0, 当前时刻为, 待估计信号为 x( ) = s( ) + n( ) s( 0 ) 0 滤波 : 估计信号 s ( 0 ) s 0 + α, α
More information% & :?8 & : 3 ; Λ 3 3 # % & ( ) + ) # ( ), ( ) ). ) / & /:. + ( ;< / 0 ( + / = > = =? 2 & /:. + ( ; < % >=? ) 2 5 > =? 2 Α 1 Β 1 + Α
# % & ( ) # +,. / 0 1 2 /0 1 0 3 4 # 5 7 8 / 9 # & : 9 ; & < 9 = = ;.5 : < 9 98 & : 9 %& : < 9 2. = & : > 7; 9 & # 3 2
More information! ΑΒ 9 9 Χ! Δ? Δ 9 7 Χ = Δ ( 9 9! Δ! Δ! Δ! 8 Δ! 7 7 Δ Δ 2! Χ Δ = Χ! Δ!! =! ; 9 7 Χ Χ Χ <? < Χ 8! Ε (9 Φ Γ 9 7! 9 Δ 99 Φ Γ Χ 9 Δ 9 9 Φ Γ = Δ 9 2
! # % ( % ) +,#./,# 0 1 2 / 1 4 5 6 7 8! 9 9 : ; < 9 9 < ; ?!!#! % ( ) + %,. + ( /, 0, ( 1 ( 2 0% ( ),..# % (., 1 4 % 1,, 1 ), ( 1 5 6 6 # 77 ! ΑΒ 9 9 Χ! Δ? Δ 9 7 Χ = Δ ( 9 9! Δ! Δ! Δ! 8 Δ!
More informationΑ 3 Α 2Η # # > # 8 6 5# Ι + ϑ Κ Ι Ι Ι Η Β Β Β Β Β Β ΔΕ Β Β Γ 8 < Φ Α Α # >, 0 Η Λ Μ Ν Ο Β 8 1 Β Π Θ 1 Π Β 0 Λ Μ 1 Ρ 0 Μ ϑ Σ ϑ Τ Ο Λ 8 ϑ
! # % & ( ) % + ( ), & ). % & /. % 0 1!! 2 3 4 5# 6 7 8 3 5 5 9 # 8 3 3 2 4 # 3 # # 3 # 3 # 3 # 3 # # # ( 3 # # 3 5 # # 8 3 6 # # # # # 8 5# :;< 6#! 6 =! 6 > > 3 2?0 1 4 3 4! 6 Α 3 Α 2Η4 3 3 2 4 # # >
More information! Β Β? Β ( >?? >? %? Γ Β? %? % % %? Χ Η Ιϑ Κ 5 8 Λ 9. Μ Ν Ο Χ? Π Β # % Χ Χ Θ Ρ% Ρ% Θ!??? % < & Θ
! # % & ( ) +,. / 0 1 + 2. 3 4. 56. / 7 89 8.,6 2 ; # ( ( ; ( ( ( # ? >? % > 64 5 5Α5. Α 8/ 56 5 9. > Β 8. / Χ 8 9 9 5 Δ Ε 5, 9 8 2 3 8 //5 5! Α 8/ 56/ 9. Φ ( < % < ( > < ( %! # ! Β Β? Β ( >?? >?
More informationΨ! Θ! Χ Σ! Υ Χ Ω Σ Ξ Ψ Χ Ξ Ζ Κ < < Κ Ζ [Ψ Σ Ξ [ Σ Ξ Χ!! Σ > _ Κ 5 6!< < < 6!< < α Χ Σ β,! Χ! Σ ; _!! Χ! Χ Ζ Σ < Ω <!! ; _!! Χ Υ! Σ!!!! ββ /β χ <
! # %!! ( (! +,. /0 0 1 2,34 + 5 6 7,3. 7, 8, 2 7 + 1 9 #. 3 : + ; + 5 83 8 % 8 2 ; , 1 1 8 2 =? : + 2 = 2 = Α 1,!. Β 3 + 5 Χ Β Β
More informationuntitled
梦飞翔考研工作室友情提供 QQ:83659 000 () d. 0. 000 d d t tdt si cos 0 0 0 + y + 3z (,, ). y + z. 6 F, y, z + y + 3z F F F y z (,,),,, y (,,),, 8, z (,,),, 6. y + z 6 3 y + 3y 0. C y C +. 梦飞翔考研工作室 QQ:83 p y p C 3.
More information%% &% %% %% %% % () (! #! %!!!!!!!%! # %& ( % & ) +, # (.. /,) %& 0
!! # # %% &% %% %% %% % () (! #! %!!!!!!!%! # %& ( % & ) +, # (.. /,) %& 0 +! (%& / 1! 2 %& % & 0/ / %& + (.%.%, %& % %& )& % %& ) 3, &, 5, % &. ) 4 4 4 %& / , %& ).. % # 6 /0 % &. & %& ) % %& 0.!!! %&
More information! + +, ) % %.!&!, /! 0! 0 # ( ( # (,, # ( % 1 2 ) (, ( 4! 0 & 2 /, # # ( &
! # %! &! #!! %! %! & %! &! & ( %! & #! & )! & & + ) +!!, + ! + +, ) % %.!&!, /! 0! 0 # ( ( # (,, # ( % 1 2 ) (, 3 0 1 ( 4! 0 & 2 /, # # ( 1 5 2 1 & % # # ( #! 0 ) + 4 +, 0 #,!, + 0 2 ), +! 0! 4, +! (!
More information005 1 1.. 3. 1-1 - total quality management, TQM 1961 3 1931 199 0 50 1961 6sigma 4 14 1 3 4 5 6 7 8 9 10 11 1 13 14 19511 6 1 3 4 5 6 5 - - a) b) c) 6 1 1 3 4 5 6 7 8 1 3 4 5 6 3 4 1) ) 3) 4) - 3 - 5)
More information. Ν Σ % % : ) % : % Τ 7 ) & )? Α Β? Χ )? : Β Ν :) Ε Ν & Ν? ς Ε % ) Ω > % Τ 7 Υ Ν Ν? Π 7 Υ )? Ο 1 Χ Χ Β 9 Ξ Ψ 8 Ψ # #! Ξ ; Ξ > # 8! Ζ! #!! Θ Ξ #!! 8 Θ!
!! # %& + ( ) ),., / 0 12 3, 4 5 6, 7 6 6, 8! 1 9 :; #< = 1 > )& )? Α Β 3 % Χ %? 7) >ΔΒ Χ :% Ε? 9 : ; Φ Η Ι & Κ Λ % 7 Μ Ν?) 1!! 9 % Ο Χ Χ Β Π Θ Π ; Ρ Ρ Ρ Ρ Ρ ; . Ν Σ % % : ) % : % Τ 7 ) & )? Α Β? Χ )?
More information= > : ; < ) ; < ; < ; : < ; < = = Α > : Β ; < ; 6 < > ;: < Χ ;< : ; 6 < = 14 Δ Δ = 7 ; < Ε 7 ; < ; : <, 6 Φ 0 ; < +14 ;< ; < ; 1 < ; <!7 7
! # % # & ( & ) # +,,., # / 0 1 3. 0. 0/! 14 5! 5 6 6 7 7 7 7 7! 7 7 7 7 7 7 8 9 : 6! ; < ; < ; : 7 7 : 7 < ;1< = = : = >? ) : ; < = > 6 0 0 : ; < ) ; < ; < ; : < ; < = = 7 7 7 Α > : Β ; < ; 6 < > ;:
More information; < 5 6 => 6 % = 5
! # % ( ),,. / 0. 1, ) 2 3, 3+ 3 # 4 + % 5 6 67 5 6, 8 8 5 6 5 6 5 6 5 6 5 6 5 9! 7 9 9 6 : 6 ; 7 7 7 < 5 6 => 6 % = 5 Δ 5 6 ; Β ;? # Ε 6 = 6 Α Ε ; ; ; ; Φ Α Α Ε 0 Α Α Α Α Α Α Α Α Α Α Α Α Α Β Α Α Α Α Α
More information9 : : ; 7 % 8
! 0 4 1 % # % & ( ) # + #, ( ) + ) ( ). / 2 3 %! 5 6 7! 8 6 7 5 9 9 : 6 7 8 : 17 8 7 8 ; 7 % 8 % 8 ; % % 8 7 > : < % % 7! = = = : = 8 > > ; 7 Ε Β Β % 17 7 :! # # %& & ( ) + %&, %& ) # 8. / 0. 1 2 3 4 5
More information% % %/ + ) &,. ) ) (!
! ( ) + & # % % % %/ + ) &,. ) ) (! 1 2 0 3. 34 0 # & 5 # #% & 6 7 ( ) .)( #. 8!, ) + + < ; & ; & # : 0 9.. 0?. = > /! )( + < 4 +Χ Α # Β 0 Α ) Δ. % ΕΦ 5 1 +. # Ι Κ +,0. Α ϑ. + Ι4 Β Η 5 Γ 1 7 Μ,! 0 1 0
More informationΒ Χ + Δ Ε /4 10 ) > : > 8 / 332 > 2 / 4 + Φ + Γ 0 4 Η / 8 / 332 / 2 / 4 + # + Ι + ϑ /) 5 >8 /3 2>2 / 4 + ( )( + 8 ; 8 / 8. 8 :
!! # % & % () + (. / 0 ) 1 233 /. / 4 2 0 2 + + 5. 2 / 6 ) 6. 0 ) 7. 8 1 6 / 2 9 2 :+ ; < 8 10 ; + + ( =0 41 6< / >0 7 0?2) 29 + +.. 81 6> Α 29 +8 Β Χ + Δ Ε /4 10 )+ 2 +. 8 1 6 > 2 9 2 : > 8 / 332 > 2
More information7 6 Η : Δ >! % 4 Τ & Β( Β) 5 &! Α Υ Υ 2 Η 7 %! Φ! Β! 7 : 7 9 Λ 9 :? : 9 Λ Λ 7 Φ! : > 9 : 7Δ 2 Η : 7 ΛΔ := ς : Ν 7 Λ Δ = Ν : Ν 7 ΛΔ : = Λ ς :9 Λ 7 Λ! Λ
! % & ( ),. / & 0 1 & 2 1 // % & 3 0 4 5 ( 6( ) ( & 7 8 9:! ; < / 4 / 7 = : > : 8 > >? :! 0 1 & 7 8 Α :! 4 Β ( & Β ( ( 5 ) 6 Χ 8 Δ > 8 7:?! < 2 4 & Ε ; 0 Φ & % & 3 0 1 & 7 8 Α?! Γ ), Η % 6 Β% 3 Ι Β ϑ Ι
More informationkoji-13.dvi
26 13 1, 2, 3, 4, 5, 6, 7 1 18 1. xy D D = {(x, y) y 2 x 4 y 2,y } x + y2 dxdy D 2 y O 4 x 2. xyz D D = {(x, y, z) x 1, y x 2, z 1, y+ z x} D 3. [, 1] [, 1] (, ) 2 f (1)
More information< < ; : % & < % & > & % &? > & 5 % & ( ; & & % & Α Β + 8 ; Α9 Χ Δ () Χ Δ Ε 41 Φ # (Β % Γ : 9 Χ Δ Η +9 Χ Δ 2 9 Χ Δ 2 0 /? % & Ι 1 ϑ Κ 3 % & % & + 9 Β 9
!! #! % & ( ) +,. / 0 1 2 34 5 6 % & +7 % & 89 % & % & 79 % & : % & < < ; : % & < % & > & % &? > & 5 % & ( ; & & % & Α Β + 8 ; Α9 Χ Δ () Χ Δ Ε 41 Φ # (Β % Γ : 9 Χ Δ Η +9 Χ Δ 2 9 Χ Δ 2 0 /? % & Ι 1 ϑ Κ
More informationuntitled
4 6 4 4 ( n ) f( ) = lim n n +, f ( ) = = f( ) = ( ) ( n ) f( ) = lim = lim n = = n n + n + n f ( ), = =,, lim f ( ) = lim = f() = f ( ) y ( ) = t + t+ y = t t +, y = y( ) dy dy dt t t = = = = d d t +
More information8 9 : < : 3, 1 4 < 8 3 = >? 4 =?,( 3 4 1( / =? =? : 3, : 4 9 / < 5 3, ; > 8? : 5 4 +? Α > 6 + > 3, > 5 <? 9 5 < =, Β >5
0 ( 1 0 % (! # % & ( ) + #,. / / % (! 3 4 5 5 5 3 4,( 7 8 9 /, 9 : 6, 9 5,9 8,9 7 5,9!,9 ; 6 / 9! # %#& 7 8 < 9 & 9 9 : < 5 ( ) 8 9 : < : 3, 1 4 < 8 3 = >? 4 =?,( 3 4 1( / =? =? : 3, : 4 9 / < 5 3, 5 4
More informationΑ? Β / Χ 3 Δ Ε/ Ε 4? 4 Ε Φ? ΧΕ Γ Χ Η ΙΙ ϑ % Η < 3 Ε Φ Γ ΕΙΙ 3 Χ 3 Φ 4 Κ? 4 3 Χ Λ Μ 3 Γ Ε Φ ) Μ Ε Φ? 5 : < 6 5 % Λ < 6 5< > 6! 8 8 8! 9 9 9! 9 =! = 9!
# %!!! ( ) ( +, +. ( / 0 1) ( 21 1) ( 2 3 / 4!! 5 6 7 7! 8 8 9 : ; < 9 = < < :! : = 9 ; < = 8 9 < < = 9 8 : < >? % > % > % 8 5 6 % 9!9 9 : : : 9 Α % 9 Α? Β / Χ 3 Δ Ε/ Ε 4? 4 Ε Φ? ΧΕ Γ Χ Η ΙΙ ϑ % Η < 3
More information= 6 = 9 >> = Φ > =9 > Κ Λ ΘΠΗ Ρ Λ 9 = Ρ > Ν 6 Κ = 6 > Ρ Κ = > Ρ Σ Ρ = Δ5 Τ > Τ Η 6 9 > Υ Λ Β =? Η Λ 9 > Η ς? 6 = 9 > Ρ Κ Φ 9 Κ = > Φ Φ Ψ = 9 > Ψ = Φ?
4 5 6 + 5! # % & ( ) +, ). /, 0 1 # % & ( ) + 2 ( 3 ) & 8 9 : ; ? 6 Α Β9 # ΧΔ = Φ > =9 > Κ Λ
More information1 <9= <?/:Χ 9 /% Α 9 Δ Ε Α : 9 Δ 1 8: ; Δ : ; Α Δ : Β Α Α Α 9 : Β Α Δ Α Δ : / Ε /? Δ 1 Δ ; Δ Α Δ : /6Φ 6 Δ
! #! %&! ( )! +,!. / 1,. + 2 ( 3 4 5 6 7 8 9: : 9: : : ; ; ? =
More information1#
! # % & ( % + #,,. + /# + 0 1#. 2 2 3 4. 2 +! 5 + 6 0 7 #& 5 # 8 % 9 : ; < =# #% > 1?= # = Α 1# Β > Χ50 7 / Δ % # 50& 0 0= % 4 4 ; 2 Ε; %5 Β % &=Φ = % & = # Γ 0 0 Η = # 2 Ι Ι ; 9 Ι 2 2 2 ; 2 ;4 +, ϑ Α5#!
More information! # Χ Η Ι 8 ϑ 8 5 Χ ΚΗ /8 Η/. 6 / Λ. /. Η /. Α Α + Α 0. Η 56 + Α : Α Μ / Η +9 Δ /. : Α : ϑ. Η. /5 % Χ
! # % ( ) +. / 0 1 + 2+ 3 4. 56. / 7 8 9 8. 6 2 # :! # # ( : : :! ( = = ( = > > : > : (? : : # : :! :!? : ( : # Α Β Α # : Α > % : Α : Α ( Χ #! Χ # Δ Χ ( Χ ( Φ Χ : Χ ( Χ ( #! / 2 (!( Α Α ( Α Α : =! Γ6 Α
More informationuntitled
6.1 ( ) 6.1.1 1. θ (6-1) θ (V w ) V S w (6-) S w (V ) θ n S w 1 θ ns w (6-3) 179 6-1 ( ) ( ) p c pc = pa pw (6-4) p p 1135Pa( a ) p c p w w p a = (6-5) ( ) 6-6 γ pc pw h = = (6-7) c γ γ ψ ψ = pw γ > (6-8)
More information微积分 授课讲义
2018 10 aiwanjun@sjtu.edu.cn 1201 / 18:00-20:20 213 14:00-17:00 I II Taylor : , n R n : x = (x 1, x 2,..., x n ) R; x, x y ; δ( ) ; ; ; ; ; ( ) ; ( / ) ; ; Ů(P 1,δ) P 1 U(P 0,δ) P 0 Ω P 1: 1.1 ( ). Ω
More information.., + +, +, +, +, +, +,! # # % ( % ( / 0!% ( %! %! % # (!) %!%! # (!!# % ) # (!! # )! % +,! ) ) &.. 1. # % 1 ) 2 % 2 1 #% %! ( & # +! %, %. #( # ( 1 (
! # %! % &! # %#!! #! %!% &! # (!! # )! %!! ) &!! +!( ), ( .., + +, +, +, +, +, +,! # # % ( % ( / 0!% ( %! %! % # (!) %!%! # (!!# % ) # (!! # )! % +,! ) ) &.. 1. # % 1 ) 2 % 2 1 #% %! ( & # +! %, %. #(
More information# % & ) ) & + %,!# & + #. / / & ) 0 / 1! 2
!!! #! # % & ) ) & + %,!# & + #. / / & ) 0 / 1! 2 % ) 1 1 3 1 4 5 % #! 2! 1,!!! /+, +!& 2! 2! / # / 6 2 6 3 1 2 4 # / &!/ % ). 1!!! &! & 7 2 7! 7 6 7 3 & 1 2 % # ) / / 8 2 6,!!! /+, +! & 2 9! 3 1!! % %
More information: p Previous Next First Last Back Forward 1
7-2: : 7.2......... 1 7.2.1....... 1 7.2.2......... 13 7.2.3................ 18 7.2.4 0-1 p.. 19 7.2.5.... 21 Previous Next First Last Back Forward 1 7.2 :, (0-1 ). 7.2.1, X N(µ, σ 2 ), < µ 0;
More informationΒ Χ Χ Α Β Φ Φ ; < # 9 Φ ; < # < % Γ & (,,,, Η Ι + / > ϑ Κ ( < % & Λ Μ # ΝΟ 3 = Ν3 Ο Μ ΠΟ Θ Ρ Μ 0 Π ( % ; % > 3 Κ ( < % >ϑ Κ ( ; 7
! # % & ( ) +, + )% ). )% / 0 1. 0 3 4 5 6 7 8 7 8 9 : ; < 7 ( % ; =8 9 : ; < ; < > ;, 9 :? 6 ; < 6 5 6 Α Β 5 Δ 5 6 Χ 5 6 5 6 Ε 5 6 Ε 5 5 Β Χ Χ Α Β 7 8 9 Φ 5 6 9 Φ ; < # 9 Φ ; < # 7 8 5 5 < % Γ & (,,,,
More information; 9 : ; ; 4 9 : > ; : = ; ; :4 ; : ; 9: ; 9 : 9 : 54 =? = ; ; ; : ;
! # % & ( ) ( +, +. ( /0!) ( 1!2!) ( 3 4 5 2 4 7 8 9: ; 9 < : = ; ; 54 ; = ; ; 75 ; # ; 9 : ; 9 : ; ; 9: ; ; 9 : ; ; 4 9 : > ; : = ; ; :4 ; : ; 9: ; 9 : 9 : 54 =? = ; ; ; 54 9 9: ; ;
More information: ; 8 Β < : Β Δ Ο Λ Δ!! Μ Ν : ; < 8 Λ Δ Π Θ 9 : Θ = < : ; Δ < 46 < Λ Ρ 0Σ < Λ 0 Σ % Θ : ;? : : ; < < <Δ Θ Ν Τ Μ Ν? Λ Λ< Θ Ν Τ Μ Ν : ; ; 6 < Λ 0Σ 0Σ >
! # %& ( +, &. / ( 0 # 1# % & # 2 % & 4 5 67! 8 9 : ; < 8 = > 9? 8 < 9? Α,6 ΒΧ : Δ 8Ε 9 %: ; < ; ; Δ Φ ΓΗ Ιϑ 4 Κ6 : ; < < > : ; : ;!! Β : ; 8 Β < : Β Δ Ο Λ Δ!! Μ Ν : ; < 8 Λ Δ Π Θ 9 : Θ = < : ; Δ < 46
More information:::: : : : :::: :: :: :::::: :::: < ; 7 7 ; ; % < = = > = / =?? Α Β.. Β Χ (. 7 > 5 / Δ 6 Ε. Φ Δ 5 / 6 Ε. Φ 1 Γ 5 / 6 7 Η (. >5 Ι Δ 6 Φ ϑ
. /,.!! # % # & %& ( ) ) + % # & %, % # ( 1 2 3 4 5 6 7 5 6 4 8 3 9 :::: : : : :::: :: :: :::::: :::: < ; 7 7 ; ; % < = = > = / =?? Α 5 6 5 Β.. Β Χ (. 7 > 5 / Δ 6 Ε. Φ 5 3 1 6 Δ 5 / 6 Ε. Φ 1 Γ 5 / 6 7
More informationϑ 3 : Α 3 Η ϑ 1 Ι Η Ι + Ι 5 Κ ϑ Λ Α ΜΛ Ν Ν Ν Ν Α Γ Β 1 Α Ο Α : Α 3. / Π Ο 3 Π Θ
# % & ( ) +,& ( + &. / 0 1 2 3 ( 4 4 5 4 6 7 8 4 6 5 4 9 :.; 8 0/ ( 6 7 > 5?9 > 56 Α / Β Β 5 Χ 5.Δ5 9 Ε 8 Φ 64 4Γ Β / Α 3 Γ Β > 2 ϑ 3 : Α 3 Η ϑ 1 Ι Η Ι + Ι 5 Κ ϑ Λ Α ΜΛ Ν Ν Ν Ν 3 3 3 Α3 3
More information3?! ΑΑΑΑ 7 ) 7 3
! # % & ( ) +, #. / 0 # 1 2 3 / 2 4 5 3! 6 ) 7 ) 7 ) 7 ) 7 )7 8 9 9 :5 ; 6< 3?! ΑΑΑΑ 7 ) 7 3 8! Β Χ! Δ!7 7 7 )!> ; =! > 6 > 7 ) 7 ) 7 )
More information贝叶斯估计问题回顾
检测理论 - 模型 准则及评价 杨文电子信息学院教学实验大楼十楼 8 室 E-mail: yw@eis.whu.edu.cn 内容提要 信号的统计检测模型 信号的统计检测准则 信号检测的统计性能 信号的序列检测 信号检测与估计 信号检测与参量估计 信号检测 : 根据有限观测, 最佳 区分一个物理系统不同状态的理论 参量估计 : 根据有限观测有限观测, 最佳 找出一个物理系统不同参数的理论 信号的统计检测理论主要研究受噪声干扰的随机信号中,
More information