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 ∈ R M \boldsymbol{x}\in \mathbb{R}^M x∈RM是目标信号,其随机性由先验概率 p ( x ) p(\boldsymbol{x}) p(x)刻画; y ∈ R N \boldsymbol{y}\in \mathbb{R}^N y∈RN是观测信号;函数 g ( ⋅ ) g(\cdot) g(⋅)表示从 N N N维空间到 M M M维空间的映射,即 g ( ⋅ ) : R N → R M g(\cdot):\mathbb{R}^N\rightarrow \mathbb{R}^M g(⋅):RN→RM。在信号重构理论的研究对象中,映射 g ( ⋅ ) g(\cdot) g(⋅)以及先验概率 p ( x ) p(\boldsymbol{x}) p(x)均给定,我们需要从观测信号 y \boldsymbol{y} y中恢复出目标信号 x \boldsymbol{x} x来。映射函数 g ( ⋅ ) g(\cdot) g(⋅)可以是线性的,如线性高斯模型 g ( x ) = H x + w g(\boldsymbol{x})=\boldsymbol{Hx}+\boldsymbol{w} g(x)=Hx+w,也可以是非线性函数,如ADC量化模型 g ( x ) = Q ( H x + w ) g(\boldsymbol{x})=Q(\boldsymbol{Hx}+\boldsymbol{w}) g(x)=Q(Hx+w),其中 Q ( ⋅ ) Q(\cdot) Q(⋅)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
x ^ Bayse = arg min x ^ E x , y [ C ( ϵ ) ] = arg min x ^ ∫ y [ ∫ x C ( ϵ ) p ( x ∣ y ) d x ] p ( y ) d y = arg min x ^ ∫ x C ( ϵ ) p ( x ∣ y ) d x \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} x