【技術實現步驟摘要】
本專利技術屬于信號估計、濾波、系統辨識領域，具體涉及一種噪聲驅動的穩健序貫自適應估計方法。
技術介紹
1、在許多統計模型中，最優估計器或檢測器都是基于強有力的假設推導出來的，例如數據遵循特定分布（如高斯分布）或模型被精確指定。然而，這些理想化假設在現實世界中可能并不總是成立的，異常值、重尾噪聲等都會大大降低傳統方法的性能。m估計方法便是一種解決上述問題的有效的穩健估計方法。
2、然而，在實時信號處理、傳感器網絡和流式數據分析等許多當代應用中，數據并不是可以一次性全部獲取的，而是隨著時間的推移依次到達的。在這些動態環境中，傳統的批量估計技術因缺乏實時性而無法應用，因為它們通常需要訪問整個數據集。這就需要使用序貫估計技術，在新數據到來時逐步更新參數估計，從而實現對目標狀態或系統參數的實時估計。雖然序貫估計方法如遞歸最小二乘?(rls)，卡爾曼濾波或隨機梯度下降被廣泛使用，但它們對數據流中的異常值或分布偏移缺乏足夠的穩健性，這便使得在魯棒序列估計中難以實現穩健性和有效性的平衡。
3、因此，序貫m估計追求的是從實際出發的穩健性與有效性的統一，為了進一步提高估計量的性能，利用噪聲特性提高估計性能是本專利技術申請的主要技術思路。
技術實現思路
1、針對現有技術中存在的上述技術問題，本專利技術提出了一種噪聲驅動的穩健序貫自適應估計方法，設計合理，克服了現有技術的不足，具有良好的效果。
2、為了實現上述目的，本專利技術采用如下技術方案：一種基于噪聲驅動的穩健序貫
3、優選地，步驟2中，位置參數模型如公式（1）所示：?（1）；其中，是概率密度函數為的重尾分布的背景噪聲；為觀測模型系數向量；為設定預估參考參數。
4、優選地，步驟3中，具體包括如下步驟：步驟3.1：確定背景噪聲的分布類型；步驟3.2：選擇有界的得分函數對應的m-估計量；步驟3.3：引入噪聲強度為的噪聲，將其概率密度函數與m估計得分函數進行卷積；得到新的得分函數，如公式（2）所示：（2）；其中，η為注入的隨機噪聲變量；是關于隨機變量的數學期望。
5、優選地，步驟4中，參數估計值的表達式如公式（3）所示：（3）；其中，為增益矩陣，其表達式如下：；；為預測誤差，其表達式如下：；為協方差矩陣，其更新規則為。
6、優選地，步驟5中，均方誤差的表達式如公式（4）所示：
7、???（4）。
8、優選地，得分函數為有界函數，且其界值s滿足對重尾噪聲的穩健性約束。
9、優選地，背景噪聲服從柯西分布或對稱alpha穩定分布，注入噪聲具有對稱分布，其分布參數通過離線估計或在線自適應調整。
10、本專利技術所帶來的有益技術效果：本專利技術利用隨機共振相關理論，通過動態調節自適應噪聲注入機制，增強原始估計算法的抗干擾能力與收斂效率。該算法能夠在有限樣本下漸近達到系統參數估計的最大似然估計器性能，為復雜噪聲環境下的參數估計提供了高效且穩健的解決方案。
本文檔來自技高網...【技術保護點】
1.一種噪聲驅動的穩健序貫自適應估計方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的噪聲驅動的穩健序貫自適應估計方法，其特征在于，步驟2中，線性模型如公式（1）所示：
3.根據權利要求2所述的噪聲驅動的穩健序貫自適應估計方法，其特征在于，步驟3中，具體包括如下步驟：
4.根據權利要求3所述的噪聲驅動的穩健序貫自適應估計方法，其特征在于，步驟4中，參數估計值的表達式如公式（3）所示：
5.根據權利要求4所述的噪聲驅動的穩健序貫自適應估計方法，其特征在于，步驟5中，均方誤差的表達式如公式（4）所示：
6.根據權利要求1所述的噪聲驅動的穩健序貫自適應估計方法，其特征在于，得分函數為有界函數，且其界值s滿足對重尾噪聲的穩健性約束。
7.根據權利要求3所述的噪聲驅動的穩健序貫自適應估計方法，其特征在于，背景噪聲服從柯西分布或對稱alpha穩定分布，注入噪聲具有對稱分布，其分布參數通過離線估計或在線自適應調整。
【技術特征摘要】
1.一種噪聲驅動的穩健序貫自適應估計方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的噪聲驅動的穩健序貫自適應估計方法，其特征在于，步驟2中，線性模型如公式（1）所示：
3.根據權利要求2所述的噪聲驅動的穩健序貫自適應估計方法，其特征在于，步驟3中，具體包括如下步驟：
4.根據權利要求3所述的噪聲驅動的穩健序貫自適應估計方法，其特征在于，步驟4中，參數估計值的表達式如公式（3）所示：
5...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。