等。线性估计方法是有偏的谱估计方法，谱分辨率随数据长度的增加而提高。非线性估计方法大多是无偏的谱估计方法，可以获得高的谱分辨率。4最大似然估计
最大似然估计是一种统计方法，它用来求一个样本集的相关概率密度函数的参数。给定一个概率分布
D，假定其概率密度函数（连续分布）或概率聚集函数（离散分布）为fD，以及一个分布参数θ，我们可
以从这个分布中抽出一个具有
个值的采样率：
，通过利用fD，我们就能计算出其概
但是，我们可能不知道θ的值，尽管我们知道这些采样数据来自于分布D。那么我们如何才能估计出θ
呢？一个自然的想法是从这个分布中抽出一个具有
个值的采样X1X2X
，然后用这些采样数据来
估计θ一旦我们获得
，我们就能从中找到一个关于θ的估计。最大似然估计会寻
找关于θ的最可能的值（即，在所有可能的θ取值中，寻找一个值使这个采样的“可能性”最大化）。这种
方法正好同一些其他的估计方法不同，如θ的非偏估计，非偏估计未必会输出一个最可能的值，而是会输
出一个既不高估也不低估的θ值。要在数学上实现最大似然估计法，我们首先要定义可能
性
并且在θ的所有取值上，使这个函数最大化。这个使可能性
最大的值即被称为θ的最大似然估计。
三、实验现象分析1希尔伯特变换：
由图知，希尔伯特变换序列具有和原序列相同的幅值和频率成分，也包含了原序列的相位信息，图中对信号进行一次希尔伯特变换后序列产生了相移了，可见对序列作希尔伯特变换相当于对原始序列进行每次相应角位的平移。2最大似然估计：
最大似然估计的本质就是对信号的样本概率的最大值的估计，由图可以看出，整体最大似然估计值最大，且上升的幅度也是最大的，1024点最大似然估计次之，100点最大似然估计值最小，趋近于0，没有上升的趋势。由此可以得出，函数样本点越少，越趋近于零。3均值
当N32时
N64点时
f由图上可知，通过加窗对原信号求均值，当用汉明窗取窗函数的点分别为32和64时，每个点的均值不一样，所得到的均值函数谱图也不一样。当每个窗函数所取的点数越大时，所得到的均值函数谱越平滑。当窗函数取点数和信号长度一样时，所得到的均值函数谱是一条平行于横轴的直线，即均值为一个常数。4概率密度
正态分布即高斯分布，若随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布，则其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。因其曲线呈钟形，因此人们又经r