Posterior Cramér–Rao Bounds for Discrete-Time Nonlinear Filtering 阅读

Intro

在诸如迭代控制、分析以及对于非静止时间序列的预测这些问题中，无法使用最优的估计器，需要使用次优的估计器。
时不变模型中，一般使用CRB，用Fisher信息矩阵的逆给出，但是在时变的系统中，参数向量变成了随机向量，由此开发出了posterior CRB,也称Van Trees 版的CRB。
文中提出了一个适用于离散时间的多维非线性滤波的CRB。

PCRB的性质

$x$是measurement, $\theta$是r维的state，g(x)是将x映射为$\theta$的函数。PCRB就可以表示成下面的样子: P = E { [ g ( x ) − θ ] [ g ( x ) − θ ] T } ≥ J − 1 P=E\{[g(x)-\theta][g(x)-\theta]^T\} \geq J^{-1} P=E{[g(x)−θ][g(x)−θ]T}≥J−1, J就是r × r 的fisher 信息矩阵，其中的每一个元素的定义为$$J_{i,j}=E[-\frac{{\partial }^{2}log{p}_{x,\theta }(X,\Theta )}{\partial {\Theta }_i\partial {\Theta }_j}],i,j=1,...,r$$，在引入了新的记号方式$${\nabla }_{\Theta }=[\frac{\partial }{\partial {\Theta }_1},...,\frac{\partial }{\partial {\Theta }_r}{]}^T$$ 和$${\Delta }_{\Psi }^{\Theta }={\nabla }_{\Psi }{\nabla }_{\Theta }^T$$之后，可以得到简化版的表示形式$$J=E[-{\Delta }_{\Theta }^{\Theta }log{p}_{x,\theta }(X,\Theta )]$$，又因为$p_{x,\theta }(X,\Theta )=p_{x|\theta }(X|\Theta )\cdot p_{\theta }(\Theta )$，由于用了log，所以J就可以拆成两个部分之和$$J=J_D+J_P$$，$J_D$相当于生成概率，$J_P$相当于先验，有$$J_D=E[-{\Delta }_{\Theta }^{\Theta }log{p}_{x|\theta }(X|\Theta )]$$和$$J_P=E[-{\Delta }_{\Theta }^{\Theta }log{p}_{\theta }(\Theta )]$$，如果二者互换一下也可以写，只不过写完之后$p_x(X)$这项在对于$\Theta$求偏导的过程中会变成0，就是下面这样$$J=E[-{\Delta }_{\Theta }^{\Theta }log{p}_{\theta |x}(\Theta |X)]$$，如果$\theta$被拆成了两部分，$\theta =[{\theta }_{\alpha }^T,{\theta }_{\beta }^T{]}^T$，J就可以跟着分块


关于${\theta }_{\beta }$的信息子矩阵就是(15)式的右边（不带逆符号）
接下来具体化问题，假设面对的问题是一个非线性的滤波问题：


依照贝叶斯法则以及马尔可夫性以及状态的完备性设定，有

注意这里的n不是向量维度，而是时间
当我们获得了$X_n$的fisher信息矩阵后（也就是$J(X_n)$），要求n时刻的$x_n$的fisher信息矩阵($J(x_n)$)，就可以用上面提到的分解方法来分解，也就是$X_n=[X_{n-1}^T,x_n^T{]}^T$，就会得到：


这样可以只对n-1阶矩阵求逆

下面的证明略去
接下来有几个常见情况下的落实
A 高斯噪声模型

假设w和v的协方差矩阵分别是Q和R，有

剩下的和我的研究方向关系不大，就不写了