现代数字信号处理1 2019 张颢 06 第三讲1 现代数字信号处理1 - YouTube
目录
误差估计下界(Cramer-Rao Lower Bound)
第四步:求Fisher Information和Lower Bound
假设样本已经在手里了,且i.i.d,希望用这些样本构成一个分布,求未知参数,这个叫参数化模型。求位置参数就形成了“估计”。估计是信号处理的结果,希望尽可能接近我们想要的参数,因此想要找到最小误差的估计,这里误差采用的是均方误差。而且需要找到对于所有数据都适用的估计uniform。并且希望估计具有无偏性,也就是最小方差无偏估计(Minimum Variance Unbiased Error,MVUE)。
如何找到最小方差?Rao-Blackwell Procedure,形成新的估计,比原有的估计方差要小。也就是条件期望。
这个小?有没有尽头?这是本节课的需求。
完备统计
定义
Complete Statistics:
一个统计T(一个依赖样本的函数)是完备的,指的是这个统计内已经不包含任何与参数θ 无关的信息。就好比一个人是完备的,一块肥肉都没有,脂肪含量0%。一般只存在于纸面上,不太可能在现实中出现,但是这是我们的目标,我们的估计最好可以做到完备估计。
举了个切肥肉的例子15:00,不理解。
Lehmam-Scheffe Theorem
假定S是一个统计, ,构造一个新的统计T,这个T是充分且完备的估计:
这个估计有理论上的最小方差。
任取一个估计
验证:
- 接下来用完备性说明theta*和S*是一回事,因为两个都是无偏估计,所以
是T的一个函数。
所以 一定是MVUE。
误差估计下界(Cramer-Rao Lower Bound)
需要正则化条件,但是这里我们默认成立。
Lower Bound of Estimation Error但未必是下确界。
Sigma确定。
![](https://img-blog.csdnimg.cn/8a3a48ae49274982bcf9631d2f92995e.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5a6J6Z2Z5qmY5a2Q,size_12,color_FFFFFF,t_70,g_se,x_16)
![](https://img-blog.csdnimg.cn/b128585d8724446e84e29f12317d08b1.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5a6J6Z2Z5qmY5a2Q,size_10,color_FFFFFF,t_70,g_se,x_16)
红色会估计的更准确,因为方差小(胖瘦)。但是用曲率(Curvature,内接圆的半径的倒数)描述更为准确,也就是曲线顶点的曲率要大。曲率一定是跟二阶导数有关的。
将随机变量变成正常的。
一阶导数是变化率,跟变化的快慢,变化的越快,越相关,
稍微一动,统计和数据会有巨大变化,参数与采样越依赖(我们希望发生这样的事情)。本质上关注的是绝对值,但是绝对值处理不方便,所以要平方一下。
估计的下界到底在哪里?先看几个基本事实
注意是对x的积分。
(积分肯定是1,所以微分肯定是0,我们是工科院校,所以不要在意交换积分顺序,实际上是需要条件的,但是我们假设想要的都有。)
进而,有,
使用柯西不等式,线性代数中有一个内积
存在对成性和非负性。还具有双线性(Bilinear):
考察空间的内积
如果我的线性空间是平方可积的函数的话,
Cauchy-Schwarz是内积最重要的性质:
含义非常深刻,绝不仅仅是线性空间的一个几何上的概念,在物理上也有,测不准原理本质上就是柯西施瓦兹不等式。证明:
则
和一阶导数比较像,因为log是单调的,所以不改变什么。
越大越低。这就是著名的Cramer-Rao Lower Bound. (Rao-Blackwell还是之前那个印度学者)
就是Fisher Information
估计本身是由下界的,跟统计方法有关。
我们对于二阶导数的感觉也是对的。
一个例子
计算Fisher Information
第一步:写出模型
Joint Distrubution(Model)
第二步:求log
第三步:求两次导数
第四步:求Fisher Information和Lower Bound
可以,柯拉梅洛界就是,如果一个估计是无偏的,则其方差
另一个例子:讨论下界能否达到
这个下界能否达到?当然可以,求平均
有效(Efficient)估计是指可以达到CRLB的估计。有兴趣可以了解一下Fibre Bundle杨振宁的工作。
另一种下界推算方法
柯西不等式在随机变量上的形式:
这里把相关当作内积,线性、非负性、双线性
因此,
这还不是下界,因为右端和还有关系。使用一个恰当的
,使得右端与估计无关。
则
现在计算
则(1)有
CRLB的小变种,冲着X的某个函数去考虑
一个例子(高斯噪声,回波延时估计)
假定 ,
是采样数据,由两部分构成,一部分是
,参数,我要估计的东西,
是接收到的信号,具有一定的形式(雷达声纳导航等),用CRLB写paper非常容易发表,显得很理论,一个形式一篇文章。噪声一般是高斯的,97/100的文章都是用高斯噪声。
怎么计算 和CLRB?
四部曲:
第一步:首先写分布,假设Xiid
第二步:取log
第三步:求导,一次二次都可以,哪个方便用哪个。
明显不能再求了,已经很复杂了
第四步:
真正有随机性的只有x_k,而且交叉项肯定为0
因为
所以
之后稍微具体化一下,做一个Range Estimation,估计回波时延。
接收过程
因此我们知道, ,重新总结Fisher信息量,因此只有m个有效样本。
准备用微积分的方法,来近似
,
为功率谱密度。
进行一点儿傅里叶分析,对于任意信号S而言,如果S的傅里叶变换为 (读S飘),则
使用帕斯瓦尔等式(Par):
因此傅里叶变换是U变换,是正交的
所以,
分母就叫做有效带宽Effective Bandwidth(波形S的)。
这就是雷达原理的基本结论,估计精度取决于噪声大小,取决于信号的带宽。