Estou tentando testar a identificação do sistema na presença de ruído de medição (1) Um ruído gaussiano branco (2) Ruído colorido - rosa, violeta. Quando estimamos parâmetros, fazemos isso na presença de iid, zero significa ruído não correlacionado.
Q1: Gostaria de saber se o ruído colorido está correlacionado ou não. Eu acho que eles têm distribuição diferente, mas não consegui encontrar nenhuma informação se as amostras serão correlacionadas ou não.
Q2: Na estimativa, assumimos que o ruído é um ruído gaussiano branco aditivo que é iid não correlacionado. O que acontece quando o ruído não é gaussiano, como estimamos teta? Por exemplo: onde estamos tentando estimar . O desempenho, ou seja, o MSE varia com os diferentes níveis de ruído colorido e não colorido?
fonte
rand()
função) da seguinte forma:Respostas:
Amostras de ruído colorido (obtidas em momentos diferentes) geralmente são variáveis aleatórias correlacionadas porque a função de autocorrelação do processo de ruído não é uma função delta, como no caso do ruído branco. Assim, se assumirmos um processo de média zero (geralmente se supõe que o ruído seja independente de sua cor), a covariância de dois sinais separados no tempo porτ segundos é
R ( τ) Onde R ( t ) =F- 1( S( f) é a função de autocorrelação do processo (transformada inversa de Fourier da densidade espectral de potência). Note que isso é possível paraR ( t ) para zero para alguns valores det (por exemplo: R ( t ) = sinc( T ) é uma função de autocorrelação válido), mas não pode ser zero para todos diferente de zerot .
Quanto à função de densidade de qualquer amostra, se o processo for gaussiano, a amostra é gaussiana, mesmo que o processo tenha sido filtrado com um filtro linear antes da amostragem. Mas se o processo não é gaussiano (digamos, LaPlacian), então, embora cada amostra seja LaPlacian, o mesmo não pode ser dito geralmente sobre amostras do processo após a filtragem de qualquer tipo. Em outras palavras, o Gaussianity sobrevive à filtragem linear, o LaPlacism geralmente não.
Então, como funciona a estimativa de probabilidade máxima quando as amostras têm ruído correlacionado? Considere o caso em que desejamos estimar a média desconhecida de umN( μ , 1 ) variável aleatória e temos duas observações x e y . No caso padrão de observações independentes, a função de probabilidade é
E se tivermosn observações onde n > 2 ? Todas as opções acima ainda se aplicam. Para ruído gaussiano de distribuição idêntica independente nas amostras, a média da amostra
n- 1∑EuxEu é a estimativa de probabilidade máxima de μ mas no caso de variáveis aleatórias gaussianas correlacionadas, temos problemas de minimização muito confusos, porque o quadrático que estamos tentando minimizar depende do inverso da matriz de covariância e o resultado é uma função não linear dos dados em vez de uma simples tarefa fácil de lembre-se do resultado como a média da amostra.
E se o barulho não for gaussiano? Os mesmos princípios se aplicam - configure a função de verossimilhança e descubra onde ela atinge seu valor máximo - mas os cálculos são um pouco diferentes, tudo dependendo do que você assume ou sabe que é a densidade conjunta das observações.
fonte