指数信号模型中参数估计的Bootstrap逼近

本文基于 Prony 方法和 Bootstrap 方法,解决了受抑制指数信号模型的辨识问题。给出了模型 中参数的最小二乘估计的计算方法和逼近;为了使样本所在的区间有限,在保证模型相容的条件 下,我们重新定义模型,证明了 Bootstrap 估计的相合性和渐近正态性,从而证明了我们这种 方法的可行性;最后利用该方法给出模拟结果,并且和其他方法进行了比较。

复指数信号模型非线性最小二乘解的几何结构及迭代算法

本文给出了复指数信号模型非线性最小二乘解的几何结构 .从分析迭代算法的收敛性态入手得到解的几何结构 ,将有助于构造十分有效的迭代算法 .另外 ,本文在低信噪比 (10dB)及较小频率差 (0 0 2Hz)的情况下 。

二维指数信号模型中参数Bootstrap估计的渐近正态性

主要研究了二维带白噪声指数信号模型中参数估计的Bootstrop逼近,借助于回归模型中Bootstrap逼近的构造方法,给出了二维指数信号模型参数的自助估计,并证明了自助估计的渐近正态性.

指数信号模型中参数的稳健估计

给出了阻尼指数信号模型中参数的M估计和BootstrapM估计;基于Prony方法给出估计的重新定义和新算法;并且在较弱的条件下证明了这些估计的相容性;最后利用Huber函数给出了两种估计的模拟结果,结果表明这两种估计的稳健性和精度都比传统的最小二乘估计好。

带噪声的叠加指数信号的EVLP估计的渐近性质(英文)

本文研究了如下的带噪声中的指数信号模型 Y_j(t)=∑a(kj)λ_k^j+e_j(t) t=0,1,…,n-1,j=1,2,…,N k=1 其中λ_1,λ_2,…,λ_q是未知的模为1的复参数,λ_(q+1),…,λ_p是未知的模小于1的复参数。并假设λ_1,λ_2,…,λ_p不相同,p已知,q未知,a_(kj)(k=1,p,j=1,N)为未知的复参数。e_j(t)(t=0,n-1,j=1,N)为独立同分布的复随机噪声变量,且有其中δ~2未知, Ee_1(0)=0,E|e_1(0)|~2=δ~2 0<δ~2<∞,E|e_1(0)|~4<∞ 本文给出了 1.q的强相合估计、 2.λ_1,λ_2,…,λ_q,δ~2及|a_(kj)|(k≤q)的强相合估计; 3.上述某些估计的极限分布; 4.λ_k及a_(kj)(k>q)不存在相合估计的证明; 5.N→∞情形的讨论。