估计理论(5)：BLUE的定义(6.3)

摘自Steven M. Kay，《Fundamentals of Statistical Signal Processing: Estimation Theory》。
  在实际应用中，经常会出现MVU估计量不存在的情况。例如，我们可能不知道数据的PDF，甚至无法为它假设一个模型。在这种情况下，我们以前依赖CRLB和充分统计理论的方法就不再适用。即使PDF已知，后一种方法也不能保证能够得到MVU估计量。
  由于我们无法确定最优MVU估计量，我们有理由求助于次优估计量。但当我们这样做时，我们永远不知道我们可能损失了多少性能（因为MVU估计量的最小方差是未知的）。然而，如果次优估计的方差可以确定，并且它符合我们的系统规范，我们就可以认为用它来解决当前问题是足够的。如果它的方差太大，那么我们将需要研究其他次优估计，希望找到符合我们规范的估计。
  一种常见的方法限定估计在数据中是线性的，然后找到无偏且方差最小的线性估计，称为最佳线性无偏估计（BLUE）。如下所述，只需知道PDF的一阶、二阶矩就可以确定BLUE。因为不需要完全了解PDF，所以BLUE通常更容易实现。

这章介绍，如何根据PDF的一阶、二阶矩，来确定BLUE，作为次优解。这里的BLUE是对于数据样本来说是线性的。

6.3 BLUE的定义

  对于数据集$x[0],x[1],\dots ,x[N-1]$，其PDF为$p(\mathbf{x};\theta )$与未知参数$\theta$有关。BLUE估计表达如下
$$\hat{\theta }=\sum _{n=0}^{N-1}{a}_{n}x[n]\text{\hspace{1em}(6.1)}$$显然这里$\hat{\theta }$