论文部分内容阅读
信号处理技术在通讯、地球物理学、声学、医学诊断等领域都有着非常广泛的应用。阵列信号模型是信号处理技术中一个非常重要的统计模型,估计信号源个数及各信号源的振幅与频率是研究阵列信号模型的两个主要方面内容。本学位论文主要研究阵列信号模型的振幅与频率的估计问题。在二维信号模型中,振幅和频率的估计通常由最小二乘法和极大似然估计法得到。虽然最小二乘估计和极大似然估计是相合估计且具有渐近正态性,但是其渐近分布中有冗余参数,在实际使用中要逼近最小二乘估计需要先估计出这些冗余参数。本文采用随机加权法逼近最小二乘估计的分布,这样可以避免估计冗余参数。数据模拟结果表明,采用随机加权方法得到的逼近比正态逼近更加精确。在一维信号模型中,对振幅的估计采用两步估计,即从频率的一个相合估计出发对振幅采用估计。我们证明用两步法得到的振幅估计是相合的,数据模拟表明该估计和传统的估计相比更加稳健。本学位论文另外一个部分是多重循环秩集抽样中关于“完美排序”假设检验问题。相比于简单随机抽样方法,秩集抽样方法更有效,广泛应用于农业、林业、以及医学研究等各个领域。文献中许多秩集抽样方法的研究需要假设排序是完美的,然而实际中常常遇到排序不是完美的情况,因此对于检验秩集抽样是否为“完美排序”是一个很重要的研究问题。对于这类假设检验问题,本文不同于以往的研究文献,在不需要秩集抽样是均衡的条件下,提出了一些秩检验统计量,并建立了它们的零分布。我们所提的方法适用于多种情形,包括单循环和多循环秩集抽样,尤其它可用于非均衡抽样,这更符合于实际应用。