后验克拉美罗下界

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：
$${\mathbb{E}}_{a,b}\left\{[\hat{a}\left(b\right)-a]{\left[\hat{a}\left(b\right)-a\right]}^{\mathrm{T}}\right\}⪰J_{\mathrm{B}}^{-1}$$
$J_{\mathrm{B}}$是贝叶斯信息矩阵(BFIM), $⪰$表示广义不等式. ${\mathbb{E}}_{a,b}$表示期望求取符号。BFIM可以通过联合概率密度函数$p_{\mathbf{a},\mathbf{b}}\left(\mathbf{a},\mathbf{b}\right)$来计算
$$J_{\mathrm{B}}=-\mathbb{E}\left[{\Delta }_a^a\log p_{a,b}\left(a,b\right)\right]$$
其中${\Delta }_b^a={\nabla }_a\left[\begin{array}{c}{\nabla }_b^{\mathrm{T}}\end{array}\right]$, 而$\nabla$是梯度算子。
而根据$p_{\mathbf{a},\mathbf{b}}\left(\mathbf{a},\mathbf{b}\right)=p_{\mathbf{b}\mid \mathbf{a}}\left(\mathbf{b}|\mathbf{a}\right)p_{\mathbf{a}}\left(\mathbf{a}\right)$可以得到
$$J_{\mathrm{B}}=J_{\mathrm{D}}+J_{\mathrm{P}}$$
其中，$J_{\mathrm{P}}$是和先验信息有关的Fisher信息矩阵，$J_{\mathrm{Z}}$是关于目标状态和量测数据有关的Fisher信息矩阵
$$\begin{array}{l}{\mathbf{J}}_{\mathrm{D}}=-{\mathbb{E}}_a\left[{\Delta }_a^a{p}_{\mathbf{b}|\mathbf{a}}\left(\mathbf{b}|\mathbf{a}\right)\right]\\ {\mathbf{J}}_{\mathrm{P}}=-{\mathbb{E}}_a\left[{\Delta }_a^a{p}_{\mathbf{a}}\left(\mathbf{a}\right)\right]\end{array}\}$$
根据观测数据的更新迭代公式：
$$\{\begin{array}{llc}{\mathrm{J}}_{\mathrm{P}}\left({\mathrm{x}}_k^q\right)& =-{\mathrm{E}}_{{\mathbf{x}}_k^q}\left[{\nabla }_{{\mathbf{x}}_k^q}^{{\mathbf{x}}_k^q}\ln p\left({\mathbf{x}}_k^q\right)\right]& \\ & =\left[{\mathrm{D}}_{k-1}^{22}-{\mathrm{D}}_{k-1}^{21}{\left(\mathrm{J}\left({\mathrm{x}}_{k-1}^q\right)+{\mathrm{D}}_{k-1}^{11}\right)}^{-1}{\mathrm{D}}_{k-1}^{12}\right]& \\ {\mathrm{J}}_{\mathrm{D}}\left({\mathrm{x}}_k^q\right)& =-{\mathrm{E}}_{{\mathbf{x}}_k^q,{\mathbf{z}}_k^q}\left[{\nabla }_{{\mathbf{x}}_k^q}^{{\mathbf{x}}_k^q}\ln p\left({\mathbf{z}}_k^q|{\mathbf{x}}_k^q\right)\right]& \end{array}$$
$$\{\begin{array}{l}{\mathrm{D}}_{k-1}^{11}=-{\mathrm{E}}_{{\mathbf{x}}_{k-1}^q,{\mathbf{x}}_k^q}\left[{\nabla }_{{\mathbf{x}}_{k-1}^q}^{{\mathbf{x}}_{k-1}^q}\ln p\left({\mathbf{x}}_k^q|{\mathbf{x}}_{k-1}^q\right)\right]\\ {\mathrm{D}}_{k-1}^{12}=-{\mathrm{E}}_{{\mathbf{x}}_{k-1}^q,{\mathbf{x}}_k^q}\left[{\nabla }_{{\mathbf{x}}_k^q}^{{\mathbf{x}}_{k-1}^q}\ln p\left({\mathbf{x}}_k^q|{\mathbf{x}}_{k-1}^q\right)\right]={\left({\mathrm{D}}_{k-1}^{21}\right)}^{\mathrm{T}}.\\ {\mathrm{D}}_{k-1}^{22}=-{\mathrm{E}}_{{\mathbf{x}}_{k-1}^q,{\mathbf{x}}_k^q}\left[{\nabla }_{{\mathbf{x}}_k^q}^{{\mathbf{x}}_k^q}\ln p\left({\mathbf{x}}_k^q|{\mathbf{x}}_{k-1}^q\right)\right]\end{array}$$
化简：
$${\mathbf{J}}_{\mathrm{P}}\left({\mathbf{x}}_k^q\right)={\left({\mathbf{Q}}_q+{\mathbf{F}}_q{\mathbf{J}}^{-1}\left({\mathbf{x}}_{k-1}^q\right){\mathbf{F}}_q^{\mathrm{T}}\right)}^{-1}.$$
$$J_{\mathrm{D}}\left(x_k^q\right)={\mathbb{E}}_{{\mathbf{x}}_k^q}\left[({\mathbf{H}}_k^q{)}^{\mathrm{T}}{\left({\hat{\mathrm{R}}}_k^q\left({\theta }_k^q\right)\right)}^{-1}{\mathbf{H}}_k^q\right]$$