Zusammenfassung
In der Parameterschätzung besteht das Ziel in der Regel darin, eine oder mehrere unbekannte Größen mit möglichst hoher Genauigkeit aus gestörten Beobachtungen zu bestimmen. In der Signalschätzung ist dagegen ein gesamter Signalverlauf aus einem gestörten Signal zu ermitteln. Im ersten Abschnitt dieses Kapitels werden allgemeine statistische Schätzverfahren für die Parameterschätzung behandelt, die je nach Problemstellung zu linearen oder nichtlinearen Lösungen führen können. In diesem Zusammenhang werden auch prinzipielle Eigenschaften von Schätzverfahren beschrieben, und es werden Schranken für die erzielbare Genauigkeit angegeben. In Abschnitt 11.2 werden dann lineare Schätzungen betrachtet. Lineare Schätzungen haben eine große Bedeutung in der Signalverarbeitung, da sie zu relativ einfachen und recheneffizienten Lösungen führen. Im Anschluss daran folgen Methoden zum Entwurf linearer Optimalfilter für die Signalschätzung. Adaptive Systeme, die sich zeitlich veränderlichen Prozessen anpassen können, werden ausgeklammert.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
A. Albert: The Gauss-Markov Theorem for Regression Models with Possibly Singular Covariances. SIAM Journal on Applied Mathematics, 24(2):182–187, 1973.
H. Buchner, R. Aichner und W. Kellermann: Blind source separation for convolutive mixtures: A unified treatment. In Audio Signal Processing for Next-Generation Multimedia Communication Systems, Y. Huang and J. Benesty (ed.), Seiten 255–293. Kluwer Academic Publishers, Boston/Dordrecht/London, 2004.
S. C. Douglas, H. Sawada und S. Makino: Natural gradient multichannel blind deconvolution and speech separation using causal FIR filters. IEEE Trans. Speech and Audio Processing, 13(1):92–104, Januar 2005.
A. S. Goldberger: Econometric Theory. Wiley, New York, 1964.
S. Ikeda und N. Murata: A method of blind separation based on temporal structure of signals. In: Proc. Int. Conf. on Neural Information Processing, Seiten 737–742, 1998.
K.-D. Kammeyer und K. Kroschel: Digitale Signalverarbeitung. Springer Vieweg, Wiesbaden, 9. Auflage, 2018.
M. Kawamoto und Y. Inouye: Blind separation of multiple convolved colored signals using second-order statistics. In: 4th Int. Symp. on Independent Component Analysis and Blind Source Separation, Seiten 933–938, April 2003.
K. Matsuoka: Minimal distortion principle for blind source separation. In: Proc. of the 41st SICE Annual Conference, Band 4, Seiten 2138–2143, August 2002.
R. Mazur und A. Mertins: An approach for solving the permutation problem of convolutive blind source separation based on statistical signal models. IEEE Trans. Audio, Speech, and Language Processing, 17(1):117–126, Januar 2009.
R. Mazur und A. Mertins: A method for filter shaping in convolutive blind source separation, Band 5441 der Reihe LNCS, Seiten 282–289. Springer, 2009.
T. Mei, A. Mertins, F. Yin, J. Xi und J. F. Chicharo: Blind source separation for convolutive mixtures based on the joint diagonalization of power spectral density matrices. Signal Processing, 88(8):1990–2007, 2008.
T. Mei, J. Xi, F. Yin, A. Mertins und J. F. Chicharo: Blind source separation based on timedomain optimizations of a frequency-domain independence criterion. IEEE Trans. Audio, Speech, and Language Processing, 14(6):2075–2085, November 2006.
M. Miyoshi und Y. Kaneda: Inverse filtering of room acoustics. IEEE Trans. Acoust., Speech, Signal Processing, 36(2):145–152, Februar 1988.
A. Papoulis: Probability, Random Variables, and Stochastic Processes. McGraw-Hill, New York, 3. Auflage, 1991.
L. Parra und C. Spence: Convolutive blind source separation of non-stationary sources. IEEE Trans. Speech and Audio Processing, 8(3):320–327, Mai 2000.
J. G. Proakis, C. M. Rader, F. Ling und C. L. Nikias: Advanced Digital Signal Processing. Macmillan, New York, 1992.
K. Rahbar und J. P. Reilly: A frequency domain method for blind source separation of convolutive audio mixtures. IEEE Trans. Speech and Audio Processing, 13(5):832–844, September 2005.
H. Sawada, R. Mukai, S. Araki und S. Makino: A robust and precise method for solving the permutation problem of frequency-domain blind source separation. IEEE Trans. Speech and Audio Processing, 12(5):530–538, September 2004.
P. Smaragdis: Blind separation of convolved mixtures in the frequency domain. Neurocomputing, 22(1-3):21–34, 1998.
P. P. Vaidyanathan: Multirate Systems and Filter Banks. Prentice-Hall, Englewood Cliffs, NJ, 1993.
H. L. Van Trees: Detection, Estimation, and Modulation Theory, Part I. Wiley, New York, 1968.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Mertins, A. (2020). Parameter- und Signalschätzung. In: Signaltheorie. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-29648-3_11
Download citation
DOI: https://doi.org/10.1007/978-3-658-29648-3_11
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-29647-6
Online ISBN: 978-3-658-29648-3
eBook Packages: Computer Science and Engineering (German Language)