贝叶斯估计理论

最新推荐文章于 2023-10-06 19:37:01 发布

「已注销」

最新推荐文章于 2023-10-06 19:37:01 发布

阅读量3k

点赞数 1

分类专栏：统计信号处理文章标签：贝叶斯估计

本文链接：https://blog.csdn.net/u012284960/article/details/101151999

版权

本篇博客，主要参考Steven M.K的fundamentals of statistical processing第一卷第十一章个人博客网站：qiuyun-blog.cn系统模型给定系统模型y=g(x)\boldsymbol{y}=g(\boldsymbol{x})y=g(x)其中x∈RM\boldsymbol{x}\in \mathbb{R}^Mx∈RM是目标信号，其随机性由先验概率...

摘要由CSDN通过智能技术生成

本篇博客，主要参考Steven M.K的fundamentals of statistical processing第一卷第十一章
个人博客网站：qiuyun-blog.cn

系统模型

给定系统模型 $\boldsymbol{y}=g(\boldsymbol{x})$
其中 $\boldsymbol{x}\in \mathbb{R}^M$ 是目标信号，其随机性由先验概率 $p(\boldsymbol{x})$ 刻画； $\boldsymbol{y}\in \mathbb{R}^N$ 是观测信号；函数 $g(\cdot)$ 表示从 $N$ 维空间到 $M$ 维空间的映射，即 $g(\cdot):\mathbb{R}^N\rightarrow \mathbb{R}^M$ 。在信号重构理论的研究对象中，映射 $g(\cdot)$ 以及先验概率 $p(\boldsymbol{x})$ 均给定，我们需要从观测信号 $\boldsymbol{y}$ 中恢复出目标信号 $\boldsymbol{x}$ 来。映射函数 $g(\cdot)$ 可以是线性的，如线性高斯模型 $g(\boldsymbol{x})=\boldsymbol{Hx}+\boldsymbol{w}$ ，也可以是非线性函数，如ADC量化模型 $g(\boldsymbol{x})=Q(\boldsymbol{Hx}+\boldsymbol{w})$ ，其中 $Q(\cdot)$ 表示均匀量化函数。

贝叶斯估计理论是众多信号重构算法中的一类算法。贝叶斯估计器被定义为使得如下贝叶斯风险函数最小
$\hat{\boldsymbol{x}}_{\text{Bayse}} =\underset{\hat{\boldsymbol{x}}}{\arg \min}\ \mathbb{E}_{\boldsymbol{x},\boldsymbol{y}}\left[\mathcal{C}(\boldsymbol{\epsilon})\right]\\ \qquad \qquad \qquad \qquad \qquad \quad =\underset{\hat{\boldsymbol{x}}}{\arg \min} \int_{\boldsymbol{y}}\left[\int_{\boldsymbol{x}}\mathcal{C}(\boldsymbol{\epsilon})p(\boldsymbol{x}|\boldsymbol{y})\text{d}\boldsymbol{x}\right]p(\boldsymbol{y})\text{d}\boldsymbol{y}\\ \qquad \qquad \quad \ =\underset{\hat{\boldsymbol{x}}}{\arg \min} \int_{\boldsymbol{x}}\mathcal{C}(\boldsymbol{\epsilon})p(\boldsymbol{x}|\boldsymbol{y})\text{d}\boldsymbol{x}$

最低0.47元/天解锁文章

「已注销」

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
贝叶斯估计理论

本篇博客，主要参考Steven M.K的fundamentals of statistical processing第一卷第十一章个人博客网站：qiuyun-blog.cn系统模型给定系统模型y=g(x)\boldsymbol{y}=g(\boldsymbol{x})y=g(x)其中x∈RM\boldsymbol{x}\in \mathbb{R}^Mx∈RM是目标信号，其随机性由先验概率...
复制链接

扫一扫

专栏目录