热门标签 | HotTags
当前位置:  开发笔记 > 后端 > 正文

详解统计信号处理之克拉美罗界

标签:各种研究领域(包括无线定位方向)都会碰到参数估计的问题,这时常常会看到克拉美罗界(Cramér–Raobound)这个东西。很多随机信号的书都会介绍什么是克拉美罗界,但初学者学起来往

标签:

  各种研究领域(包括无线定位方向)都会碰到参数估计的问题,这时常常会看到克拉美罗界 (Cramér–Rao bound)  这个东西。很多随机信号的书都会介绍什么是克拉美罗界,但初学者学起来往往很吃力,本文从直观上简单讨论一下克拉美罗界的各个方面。

什么是参数估计问题

  假设一种最简单的情况:

    一个物理量为技术分享,我们使用某种方式去观测它,观测值为技术分享,由于存在噪声,此时技术分享技术分享为高斯噪声,技术分享

这种情况下,我们自然会直接使用观测值技术分享去估计技术分享,这时就会存在估计的误差,直观地理解,噪声的方差技术分享越大,估计就可能越不准确。

为什么要讨论克拉美罗界

  讨论克拉美罗界就是为了使用这个标准来衡量无偏估计量的性能。

  采用上面的方式,使用技术分享去估计技术分享,这个估计值会在真实值附近波动(看作随机变量)。我们需要使用一些标准来衡量这种估计的好坏,一个标准是估计值的平均,这里的这个估计量是无偏估计量。另一标准是这个估计值波动的剧烈程度,也就是方差。上面这个问题中,克拉美罗界就等于这个方差。

  可是为什么不直接讨论方差而要去计算克拉美罗界呢,因为方差是针对某一种特定的估计量(或者理解为估计方式)而言的,在上面的例子中,方差是估计量技术分享的方差(技术分享)。对于稍微复杂一点点的问题,对技术分享的可以有各种不同的估计量,它们分别的方差是不同的。显然,对于无偏估计量而言,方差越小的估计方式性能越好,但是这个方差有一个下界,就是我们的克拉美罗界。

直观地理解克拉美罗界

  克拉美罗界本身不关心具体的估计方式,只是去反映:利用已有信息所能估计参数的最好效果。

  还是上面那个参数估计问题,当我们观察到技术分享的时候,我们可以知道真实值技术分享的概率密度分布是以技术分享为均值,技术分享为方差的正态分布,即:

技术分享

                  技术分享技术分享

上图给出了两个似然函数的例子,直观地看,似然函数的“尖锐”性决定了我们估计位置参数技术分享的精度。这个“尖锐”性可以用对数似然函数峰值处的负的二阶导数来度量,即对数似然函数的曲率(对数似然函数就是在似然函数的基础山加一个自然对数,这样有利于计算)。计算过程我就不写了,有兴趣的可以自己算算,算完之后结果为:技术分享,是噪声的方差的倒数,也就是噪声越小,对数似然函数越尖锐。

  所以,可以这样理解,似然函数的“尖锐”程度,或者,符合似然函数分布的这组数据的方差,就是克拉美罗界。

不同的估计量(估计方式)是什么意思

  让我们来分析一个稍微复杂一点点的参数估计问题:

    一个物理量为技术分享,我们使用某种方式去观测它,观测值为技术分享技术分享,这是两个不同时刻的观测结果,一样的高斯噪声技术分享

  这种情况下,我们要估计技术分享,正常人可能会采用估计量技术分享,即前后两个观测的平均,也有人可能觉得这样计算量有点大,于是总是直接使用技术分享去估计技术分享,也有人觉得第二个观测值可能会受到系统影响而不准确,他更相信前面的观察值,于是总采取这样的估计量技术分享。这三个估计量都是无偏的:

  估计量技术分享的方差为:技术分享

  估计量技术分享的方差为:技术分享

  估计量技术分享的方差为:技术分享

  比较上面的三种估计量,第一种的方差最小,它的估计效果较好。实际上,如果第二个观测值真的不太准确,也就是后一个高斯噪声较大,这样的话也许第二个估计量就比较合适了。

  因此,不同的考虑方式可以产生各种不同的估计算法,这些不同的估计量都是在真实值附近波动的随机变量(有的有偏,有的无偏),它们分别的方差也是不一样的,但是数学家们证明了:任何无偏估计量的方差必定大于等于克拉美罗界。

 克拉美罗界的基本计算

  我们假设这两次观察互相独立,仅受相同的高斯白噪声影响,那么根据已有的信息,真实值技术分享的似然函数为两个正态的概率密度分布相乘:(注意:pdf实际上应该再进行归一化处理,但是我们之后使用对数似然函数,乘不乘归一化系数都无所谓,对数之后变成了常数,求导的时候就没了)

技术分享

与之前一样,可以计算出对数似然函数的二阶导数,得到结果为:技术分享。实际上,当观测数目为技术分享的时候,这个值将会是技术分享。也就是说,使用多个观测值的信息时,对数似然函数越“尖锐”。这个二阶导数(曲率)更一般的度量是(下面用技术分享来表示要估计的参数技术分享):

技术分享

它度量了对数似然函数的平均曲率(很多情况下曲率与技术分享的值有关,取数学期望使得它仅为技术分享的函数),被称为数据技术分享的Fisher信息技术分享,直观地理解,信息越多,下限越低,它具有信息测度的基本性质(非负的、独立观测的可加性)。一般来说,Fisher信息的倒数就是克拉美罗界了,任何无偏估计量技术分享的方差满足:

技术分享

大多情况下,这个不等式的右边(克拉美罗界)是技术分享的函数。

克拉美罗界的标准定义

   (定理:Cramer-Rao下限----标量参数)

  假定PDF 技术分享满足“正则”条件(对于所有的技术分享):

技术分享

其中数学期望是对技术分享 求取的。那么,任何无偏估计量技术分享的方差必定满足:

技术分享

其中导数是在技术分享的真值处计算的,数学期望是对技术分享求取的。而且,对于某个函数技术分享技术分享,当且仅当

技术分享

时,对所有技术分享达到下限的无偏估计量就可以求得。这个估计量是技术分享,它是MVU估计量(最小方差无偏估计),最小方差是技术分享

总结

  估计一个参数,根据已有信息得到了似然函数(或者pdf),这个pdf的“尖锐”性,或者,符合似然函数分布的这组数据的方差,就是克拉美罗界,它可以通过对对数似然函数求二阶导再取倒数得到。克拉美罗界的计算不依赖具体的估计方式,它可以用来作为一个衡量估计方式好坏的标准,及估计量的方差越靠近克拉美罗界,效果越好。

 

(注:本文主要参考《统计信号处理基础-估计与检测理论》-国外电子与通信教材系列)

 

 

作者: rubbninja
出处: http://www.cnblogs.com/rubbninja/
关于作者:目前是学生,主要研究领域为机器学习与无线定位技术,欢迎讨论与指正!
版权声明:本文版权归作者和博客园共有,转载请注明出处。

 

统计信号处理-简单看看克拉美罗界

标签:


推荐阅读
  • Coursera ML 机器学习
    2019独角兽企业重金招聘Python工程师标准线性回归算法计算过程CostFunction梯度下降算法多变量回归![选择特征](https:static.oschina.n ... [详细]
  • 机器学习核心概念与技术
    本文系统梳理了机器学习的关键知识点,涵盖模型评估、正则化、线性模型、支持向量机、决策树及集成学习等内容,并深入探讨了各算法的原理和应用场景。 ... [详细]
  • Google排名优化-面向Google(Search Engine Friendly)的URL设计 ... [详细]
  • 百度搜索结果链接提取工具 UrlGetter V1.43
    该工具专为获取百度搜索引擎的结果页面中的网址链接而设计,能够解析并转换为原始URL。通过正则表达式匹配技术,精准提取网页链接,并提供详细的使用说明和下载资源。 ... [详细]
  • 本文介绍了多个关于JavaScript的书籍资源、实用工具和编程实例,涵盖从入门到进阶的各个阶段,帮助读者全面提升JavaScript编程能力。 ... [详细]
  • 黑鸟安全团队发布最新警告,Apache Struts2框架曝出S2-048高危漏洞。目前该漏洞的攻击代码(POC)已公开,建议各企业和组织立即检查是否使用了受影响的Struts2版本,并采取相应措施进行防护。 ... [详细]
  • 本文详细介绍了福昕软件公司开发的Foxit PDF SDK ActiveX控件(版本5.20),并提供了关于其在64位Windows 7系统和Visual Studio 2013环境下的使用方法。该控件文件名为FoxitPDFSDKActiveX520_Std_x64.ocx,适用于集成PDF功能到应用程序中。 ... [详细]
  • 本文介绍了在Java环境中使用PDFBox和XPDF工具从PDF文件中提取文本内容的方法。重点讨论了处理中文字符集及解决相关错误的技术细节,特别是针对某些特定格式的PDF文件(如网上填写的报名表和下载的论文)遇到的问题及解决方案。 ... [详细]
  • 实用正则表达式有哪些
    小编给大家分享一下实用正则表达式有哪些,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下 ... [详细]
  • 设计模式在软件开发中被广泛应用,但如果不当使用,可能会导致系统复杂性增加。例如,过度添加类可能导致类图难以理解,代码跟踪变得复杂。本文探讨如何在使用设计模式时保持系统的简洁和高效。 ... [详细]
  • 本文深入探讨了MySQL中常见的面试问题,包括事务隔离级别、存储引擎选择、索引结构及优化等关键知识点。通过详细解析,帮助读者在面对BAT等大厂面试时更加从容。 ... [详细]
  • 程序员如何优雅应对35岁职业转型?这里有深度解析
    本文探讨了程序员在职业生涯中如何通过不断学习和技能提升,优雅地应对35岁左右的职业转型挑战。我们将深入分析当前热门技术趋势,并提供实用的学习路径。 ... [详细]
  • 优化后的摘要:本文详细分析了当前面临的挑战和机遇,结合具体实例探讨了如何通过创新和改革来推动长期可持续发展。文中还介绍了多种可行的解决方案,并强调了在不同阶段实施这些方案的重要性。 ... [详细]
  • 一个登陆界面
    预览截图html部分123456789101112用户登入1314邮箱名称邮箱为空15密码密码为空16登 ... [详细]
  • JMeter接口关联与数据提取:正则表达式和JSON Extractor的使用
    在使用JMeter进行接口测试时,常常需要从前一个接口的响应中提取数据并应用于后续请求。本文将详细介绍如何利用正则表达式提取器(Regular Expression Extractor)和JSON Extractor来实现这一需求。 ... [详细]
author-avatar
佛祖上帝真主保佑我
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有