后验克拉美罗下界
对于一个任意未知参数向量a,通过观测向量b,它的后验克拉罗美罗下界(PCLRB)可以表达为:
E
a
,
b
{
[
a
^
(
b
)
−
a
]
[
a
^
(
b
)
−
a
]
T
}
⪰
J
B
−
1
\mathbb{E}_{a,b}\left\{[\widehat{a}\left(b\right)-a]\left[\widehat{a}\left(b\right)-a\right]^{\mathrm{T}}\right\}\succeq J_{\mathrm{B}}^{-1}
Ea,b{[a
(b)−a][a
(b)−a]T}⪰JB−1
J
B
J_{\mathrm{B}}
JB是贝叶斯信息矩阵(BFIM),
⪰
\succeq
⪰表示广义不等式.
E
a
,
b
\mathbb{E}_{a,b}
Ea,b表示期望求取符号。BFIM可以通过联合概率密度函数
p
a
,
b
(
a
,
b
)
p_{\boldsymbol{a},\boldsymbol{b}}\left(\boldsymbol{a},\boldsymbol{b}\right)
pa,b(a,b)来计算
J
B
=
−
E
[
Δ
a
a
log
p
a
,
b
(
a
,
b
)
]
J_{\mathrm{B}}=-\mathbb{E}\left[\Delta_{a}^{a}\log p_{a,b}\left(a,b\right)\right]
JB=−E[Δaalogpa,b(a,b)]
其中
Δ
b
a
=
∇
a
[
∇
b
T
]
\Delta_b^a=\nabla_a\begin{bmatrix}\nabla_b^\mathrm{T}\end{bmatrix}
Δba=∇a[∇bT], 而
∇
\nabla
∇是梯度算子。
而根据
p
a
,
b
(
a
,
b
)
=
p
b
∣
a
(
b
∣
a
)
p
a
(
a
)
p_{\boldsymbol{a},\boldsymbol{b}}\left(\boldsymbol{a},\boldsymbol{b}\right)=p_{\boldsymbol{b}\mid\boldsymbol{a}}\left(\boldsymbol{b}|\boldsymbol{a}\right)p_{\boldsymbol{a}}\left(\boldsymbol{a}\right)
pa,b(a,b)=pb∣a(b∣a)pa(a)可以得到
J
B
=
J
D
+
J
P
J_{\mathrm{B}}=J_{\mathrm{D}}+J_{\mathrm{P}}
JB=JD+JP
其中,
J
P
J_{\mathrm{P}}
JP是和先验信息有关的Fisher信息矩阵,
J
Z
J_{\mathrm{Z}}
JZ是关于目标状态和量测数据有关的Fisher信息矩阵
J
D
=
−
E
a
[
Δ
a
a
p
b
∣
a
(
b
∣
a
)
]
J
P
=
−
E
a
[
Δ
a
a
p
a
(
a
)
]
}
\left.\begin{array}{l}\boldsymbol{J}_{\mathrm{D}}=-\mathbb{E}_{a}\left[\Delta_{a}^{a}p_{\boldsymbol{b}|\boldsymbol{a}}\left(\boldsymbol{b}|\boldsymbol{a}\right)\right]\\\boldsymbol{J}_{\mathrm{P}}=-\mathbb{E}_{a}\left[\Delta_{a}^{a}p_{\boldsymbol{a}}\left(\boldsymbol{a}\right)\right]\end{array}\right\}
JD=−Ea[Δaapb∣a(b∣a)]JP=−Ea[Δaapa(a)]}
根据观测数据的更新迭代公式:
{
J
P
(
x
k
q
)
=
−
E
x
k
q
[
∇
x
k
q
x
k
q
ln
p
(
x
k
q
)
]
=
[
D
k
−
1
22
−
D
k
−
1
21
(
J
(
x
k
−
1
q
)
+
D
k
−
1
11
)
−
1
D
k
−
1
12
]
J
D
(
x
k
q
)
=
−
E
x
k
q
,
z
k
q
[
∇
x
k
q
x
k
q
ln
p
(
z
k
q
∣
x
k
q
)
]
\begin{cases}\mathrm{J}_\mathrm{P}\left(\mathrm{x}_k^q\right)&=-\mathrm{E}_{\mathbf{x}_k^q}\left[\nabla_{\mathbf{x}_k^q}^{\mathbf{x}_k^q}\ln p\left(\mathbf{x}_k^q\right)\right]\\&=\left[\mathrm{D}_{k-1}^{22}-\mathrm{D}_{k-1}^{21}\left(\mathrm{J}\left(\mathrm{x}_{k-1}^q\right)+\mathrm{D}_{k-1}^{11}\right)^{-1}\mathrm{D}_{k-1}^{12}\right]\\\mathrm{J}_\mathrm{D}\left(\mathrm{x}_k^q\right)&=-\mathrm{E}_{\mathbf{x}_k^q,\mathbf{z}_k^q}\left[\nabla_{\mathbf{x}_k^q}^{\mathbf{x}_k^q}\ln p\left(\left.\mathbf{z}_k^q\right|\mathbf{x}_k^q\right)\right]&\end{cases}
⎩
⎨
⎧JP(xkq)JD(xkq)=−Exkq[∇xkqxkqlnp(xkq)]=[Dk−122−Dk−121(J(xk−1q)+Dk−111)−1Dk−112]=−Exkq,zkq[∇xkqxkqlnp(zkq∣xkq)]
{
D
k
−
1
11
=
−
E
x
k
−
1
q
,
x
k
q
[
∇
x
k
−
1
q
x
k
−
1
q
ln
p
(
x
k
q
∣
x
k
−
1
q
)
]
D
k
−
1
12
=
−
E
x
k
−
1
q
,
x
k
q
[
∇
x
k
q
x
k
−
1
q
ln
p
(
x
k
q
∣
x
k
−
1
q
)
]
=
(
D
k
−
1
21
)
T
.
D
k
−
1
22
=
−
E
x
k
−
1
q
,
x
k
q
[
∇
x
k
q
x
k
q
ln
p
(
x
k
q
∣
x
k
−
1
q
)
]
\begin{cases}\mathrm{D}_{k-1}^{11}=-\mathrm{E}_{\mathbf{x}_{k-1}^q,\mathbf{x}_{k}^q}\left[\nabla_{\mathbf{x}_{k-1}^q}^{\mathbf{x}_{k-1}^q}\ln p\left(\mathbf{x}_{k}^q\left|\mathbf{x}_{k-1}^q\right.\right)\right]\\\mathrm{D}_{k-1}^{12}=-\mathrm{E}_{\mathbf{x}_{k-1}^q,\mathbf{x}_{k}^q}\left[\nabla_{\mathbf{x}_{k}^q}^{\mathbf{x}_{k-1}^q}\ln p\left(\mathbf{x}_{k}^q\left|\mathbf{x}_{k-1}^q\right.\right)\right]=\left(\mathrm{D}_{k-1}^{21}\right)^\mathrm{T}.\\\mathrm{D}_{k-1}^{22}=-\mathrm{E}_{\mathbf{x}_{k-1}^q,\mathbf{x}_{k}^q}\left[\nabla_{\mathbf{x}_{k}^q}^{\mathbf{x}_{k}^q}\ln p\left(\mathbf{x}_{k}^q\left|\mathbf{x}_{k-1}^q\right.\right)\right]\end{cases}
⎩
⎨
⎧Dk−111=−Exk−1q,xkq[∇xk−1qxk−1qlnp(xkq
xk−1q)]Dk−112=−Exk−1q,xkq[∇xkqxk−1qlnp(xkq
xk−1q)]=(Dk−121)T.Dk−122=−Exk−1q,xkq[∇xkqxkqlnp(xkq
xk−1q)]
化简:
J
P
(
x
k
q
)
=
(
Q
q
+
F
q
J
−
1
(
x
k
−
1
q
)
F
q
T
)
−
1
.
\mathbf{J}_\mathrm{P}\left(\mathbf{x}_k^q\right)=\left(\mathbf{Q}_q+\mathbf{F}_q\mathbf{J}^{-1}\left(\mathbf{x}_{k-1}^q\right)\mathbf{F}_q^\mathrm{T}\right)^{-1}.
JP(xkq)=(Qq+FqJ−1(xk−1q)FqT)−1.
J
D
(
x
k
q
)
=
E
x
k
q
[
(
H
k
q
)
T
(
R
^
k
q
(
θ
k
q
)
)
−
1
H
k
q
]
J_{\mathrm{D}}\left(x_{k}^{q}\right)=\mathbb{E}_{\mathbf{x}_k^q}\left[(\mathbf{H}_k^q)^{\mathrm{T}}\left(\hat{\mathrm{R}}_k^q\left(\theta_{k}^{q}\right)\right)^{-1}\mathbf{H}_k^q\right]
JD(xkq)=Exkq[(Hkq)T(R^kq(θkq))−1Hkq]
后验克拉美罗下界
于 2023-07-04 16:30:23 首次发布
文章探讨了在参数估计中,后验克拉美罗下界(PCLRB)如何利用贝叶斯信息矩阵(BFIM)进行表述。BFIM通过联合概率密度函数计算,可以分解为数据依赖的J_D和先验信息相关的J_P。PCLRB与BFIM的关系表达了估计精度的下限。文章还详细介绍了J_D和J_P的计算方法,以及在观测数据的更新迭代过程中的动态变化。
摘要由CSDN通过智能技术生成