摘自Steven M. Kay,《Fundamentals of Statistical Signal Processing: Estimation Theory》。
现在我们知道,BLUE适用于估计噪声中信号的幅度。我们不需要知道完整的PDF,只需要知道一阶、二阶矩就可以了。此时BLUE为
θ
^
=
s
T
C
−
1
x
s
T
C
−
1
s
,
(6.5)
\tag{6.5} \hat \theta=\frac{{\bf s}^{\rm T}{\bf C}^{-1}{\bf x}}{{\bf s}^{\rm T}{\bf C}^{-1}{\bf s}},
θ^=sTC−1ssTC−1x,(6.5)最小方差为
v
a
r
(
θ
^
)
=
1
s
T
C
−
1
s
,
(6.6)
\tag{6.6} {\rm var}(\hat \theta)=\frac{1}{{\bf s}^{\rm T}{\bf C}^{-1}{\bf s}},
var(θ^)=sTC−1s1,(6.6)其中
E
(
x
)
=
s
θ
E({\bf x})={\bf s}\theta
E(x)=sθ,
C
{\bf C}
C为协方差阵。
例6.1 白噪声中的DC电平
如果
x
[
n
]
=
A
+
w
[
n
]
,
n
=
0
,
1
,
…
,
N
−
1
,
x[n]=A+w[n],\quad n=0,1,\ldots,N-1,
x[n]=A+w[n],n=0,1,…,N−1,其中
w
[
n
]
w[n]
w[n]为方差等于
σ
2
\sigma^2
σ2的白噪声(注意这里没有指定噪声的分布),下面我们来估计
A
A
A。由于
w
[
n
]
w[n]
w[n]不一定是高斯的,因此噪声的抽样样本即使不相关,也可能不独立。
注意独立是指联合概率密度等于分量概率密度乘积,即
p X Y ( x , y ) = p X ( x ) p Y ( y ) , p_{XY}(x,y)=p_X(x)p_Y(y), pXY(x,y)=pX(x)pY(y),要求很高。而相关只是均值的关系,即
E ( X Y ) = E ( X ) E ( Y ) . E(XY)=E(X)E(Y). E(XY)=E(X)E(Y).因此独立一定相关,反过来则不一定。
由于
E
(
x
[
n
]
)
=
A
E(x[n])=A
E(x[n])=A(这里应该是
w
[
n
]
w[n]
w[n]的均值为0,书中没有提),因此(6.4)中的
s
[
n
]
=
1
s[n]=1
s[n]=1,即
s
=
1
{\bf s}=1
s=1。同时,
C
=
σ
2
I
{\bf C}=\sigma^2{\bf I}
C=σ2I,因此得到BLUE为
A
^
=
1
T
1
σ
2
I
x
1
T
1
σ
2
I
1
=
1
N
∑
n
=
0
N
−
1
x
[
n
]
=
x
ˉ
(6.5)
\tag{6.5} \hat A=\frac{{\bf 1}^{\rm T}{\frac{1}{\sigma^2}}{\bf Ix}}{{\bf 1}^{\rm T}{\frac{1}{\sigma^2}}{\bf I1}}=\frac{1}{N}\sum_{n=0}^{N-1}x[n]=\bar{x}
A^=1Tσ21I11Tσ21Ix=N1n=0∑N−1x[n]=xˉ(6.5)具有最小方差
v
a
r
(
A
^
)
=
1
1
T
1
σ
2
1
=
σ
2
N
.
{\rm var}(\hat A)=\frac{1}{{\bf 1}^T\frac{1}{\sigma^2}{\bf 1}}=\frac{\sigma^2}{N}.
var(A^)=1Tσ2111=Nσ2.
因此,不管噪声的分布如何,BLUE是样本均值。此外,如果噪声是高斯分布的话,如前面讨论的,则BLUE就是MVU估计。
例6.2 不相关噪声中的DC电平
与例6.1不同的是,本例中的噪声方差,对于不同数据样本是不同的。
令
w
[
n
]
w[n]
w[n]为零均值不相关噪声,方差
v
a
r
(
w
[
n
]
)
=
σ
n
2
{\rm var}(w[n])=\sigma^2_n
var(w[n])=σn2,由于
s
=
1
s=1
s=1,因此有
A
^
=
1
T
C
−
1
x
1
T
C
−
1
1
\hat A=\frac{{\bf 1}^{\rm T}{\bf C}^{-1}{\bf x}}{{\bf 1}^{\rm T}{\bf C}^{-1}{\bf 1}}
A^=1TC−111TC−1x具有最小方差
v
a
r
(
A
^
)
=
1
1
T
C
−
1
1
.
{\rm var}(\hat A)=\frac{1}{{\bf 1}^{\rm T}{\bf C}^{-1}{\bf 1}}.
var(A^)=1TC−111.协方差阵为
C
=
[
σ
0
2
0
…
0
0
σ
1
2
…
0
⋮
⋮
⋱
⋮
0
0
…
σ
N
−
1
2
]
,
{\bf C}=\left[\begin{matrix} \sigma_0^2 & 0 &\ldots &0\\ 0&\sigma_1^2&\ldots &0\\ \vdots&\vdots &\ddots&\vdots\\ 0&0&\ldots&\sigma_{N-1}^2 \end{matrix}\right],
C=⎣⎢⎢⎢⎡σ020⋮00σ12⋮0……⋱…00⋮σN−12⎦⎥⎥⎥⎤,其逆矩阵为
C
−
1
=
[
1
σ
0
2
0
…
0
0
1
σ
1
2
…
0
⋮
⋮
⋱
⋮
0
0
…
1
σ
N
−
1
2
]
.
{\bf C}^{-1}=\left[\begin{matrix} \frac{1}{\sigma_0^2} & 0 &\ldots &0\\ 0&\frac{1}{\sigma_1^2}&\ldots &0\\ \vdots&\vdots &\ddots&\vdots\\ 0&0&\ldots&\frac{1}{\sigma_{N-1}^2} \end{matrix}\right].
C−1=⎣⎢⎢⎢⎢⎡σ0210⋮00σ121⋮0……⋱…00⋮σN−121⎦⎥⎥⎥⎥⎤.因此,可以得到
A
^
=
∑
n
=
0
N
−
1
x
[
n
]
σ
n
2
∑
n
=
0
N
−
1
1
σ
n
2
\hat A=\frac{\sum_{n=0}^{N-1}\frac{x[n]}{\sigma^2_n}}{\sum_{n=0}^{N-1}\frac{1}{\sigma_n^2}}
A^=∑n=0N−1σn21∑n=0N−1σn2x[n]具有最小方差
v
a
r
(
A
^
)
=
1
∑
n
=
0
N
−
1
1
σ
n
2
.
{\rm var}(\hat A)=\frac{1}{\sum_{n=0}^{N-1}\frac{1}{\sigma_n^2}}.
var(A^)=∑n=0N−1σn211.对于具有更小方差的数据样本,BLUE赋予更大的权重,从而来均衡噪声的影响。(6.7)的分子是用来保证无偏的参数。进一步的结果参见Problem 6.2.