1) Chaotic radar waveform
最小相空间体积谱估计
2) space spectrum estimation
空间谱估计
1.
DOA of correlated signals is difficult question of space spectrum estimation.
相干信号源的测向是空间谱估计的一个难题。
3) spatial spectrum estimation
空间谱估计
1.
RFID signals identification using spatial spectrum estimation and digital beamforming
空间谱估计和数字波束形成的RFID信号辨识
2.
Simulation research of coherent signals spatial spectrum estimation to direction finding
相干信号空间谱估计测向仿真研究
3.
Design of spatial spectrum estimation system
空间谱估计测向系统设计
4) spatial spectral estimation
空间谱估计
1.
Based on high order statistics of array output signal, the spatial spectral estimation methods are studied in arbitrary Gaussian noise environment.
基于阵列输出信号的四阶累积量 ,研究了高分辨率空间信号到达方向的空间谱估计方法。
2.
After analyzing the traditional mechanic scanning and electronic scanning methods briefly,two software realization methods,that is software-phase-shifting and spatial spectral estimation are proposed according to the design philosophy of the software machinery.
在对传统机械扫描、电扫描方法简要分析的基础上,根据软件机械的设计理念[1],提出了两种雷达波束扫描功能的软件实现方法———软件移相和空间谱估计,并给出了软件实现框图。
3.
An improved linear time-frequency spatial spectral estimation algorithm is proposed to deal with multiple nonstationary signal sources with amplitude and phase modulation.
针对存在幅度和相位调制的非平稳信号的定向问题,本文提出了一种改进的线性时频空间谱估计算法。
5) estimation of spatial spectrum
空间谱估计
1.
The text first discussed the mathematic inbeing of basic theory and arithmetic in estimation of spatial spectrum, analyzed two model arithmetic: MUSIC and DBF.
本文首先从空间谱估计的基本理论和算法开始讨论,分析了空间谱估计的两种典型算法:MUSIC算法和DBF算法的数学实质,并就工程中若干问题进行了简要的仿真和分析。
6) minimum variance spectrum estimation
最小方差谱估计
1.
The paper proposes a nonparameter data extrapolation method based on minimum variance spectrum estimation and minimum weighted norm constraint.
提出一种最小方差谱估计和最小加权范数约束结合的非参数类数据外推方法。
补充资料：广义最小二乘估计
用迭代的松弛算法对线性最小二乘估计的一种改进。线性最小二乘估计在模型误差为相关噪声时是有偏估计，即其估计值存在偏差。这时采用广义最小二乘估计能获得较精确的结果。
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条