克拉美罗界(CRLB)推导
克拉美罗界(CRLB)推导
在推导CRLB之前,我们先了解一下Probability Density Function (PDF-概率密度函数),我们在估计一个参数的准确度时,所有可能的信息都通过观测的数据以及数据的PDF而变现出来、所以,估计精度直接与PDF相关。
举个例子1
如果观测到单个的样本,即
x [ 0 ] = A + ω [ 0 ] x[0] = A + \omega[0] x[0]=A+ω[0]
其中 ω ∼ N ( 0 , σ 2 ) \omega \sim N(0,\sigma^2) ω∼N(0,σ2), 希望估计出一个精确的 A A A。当 σ 2 \sigma^2 σ2较小时,估计出来的 A A A精度高。一个好的无偏估计是 A ^ = x [ 0 ] \hat A = x[0] A^=x[0],其方差刚好是 σ 2 \sigma^2 σ2。图中显示了两个具有不同方差的PDF。
我们来看看一下PDF:
p i ( x [ 0 ] ; A ) = 1 2 π σ i 2 2 e [ − ( x [ 0 ] − A ) 2 2 σ i 2 ] ( 1 ) p_i(x[0];A) = \frac{1}{\sqrt[2]{2\pi\sigma^2_i}}e^{[-\frac{(x[0]-A)^2}{2\sigma^2_i}]} \quad(1) pi(x[0];A)=22πσi2 1e[−2σi2(x[0]−A)2](1)
PDF的自然对数:
l n p ( x [ 0 ] ; A ) = − l n 2 π σ 2 2 − 1 2 σ 2 ( x [ 0 ] − A ) 2 ( 2 ) lnp(x[0];A) = -ln\sqrt[2]{2\pi\sigma^2} - \frac{1}{2\sigma^2}(x[0]-A)^2 \quad(2) lnp(x[0];A)=−ln22πσ2 −2σ21(x[0]−A)2(2)
一阶导数:
∂ l n p ( x [ 0 ] ; A ) ∂ A = 1 σ 2 ( x [ 0 ] − A ) ( 3 ) \frac{\partial lnp(x[0];A)}{\partial A} = \frac{1}{\sigma^2}(x[0]-A) \quad(3) ∂A∂lnp(x[0];A)=σ21(x[0]−A)(3)
负得二阶偏导:
− ∂ 2 l n p ( x [ 0 ] ; A ) ∂ A 2 = 1 σ 2 ( 4 ) -\frac{\partial^2 lnp(x[0];A)}{\partial A^2} = \frac{1}{\sigma^2} \quad(4) −∂A2∂2lnp(x[0];A)=σ21(4)
曲率随 σ 2 \sigma^2 σ2的减少而增加,已知 A ^ = x [ 0 ] \hat A = x[0] A^=x[0]具有方差 σ 2 \sigma^2 σ2,从而:
v a r ( A ^ ) = 1 − ∂ l n p ( x [ 0 ] ; A ) ∂ A 2 ( 5 ) var(\hat A) = \frac{1}{-\frac{\partial ln p(x[0];A)}{\partial A^2}} \quad(5) var(A^)=−∂A2∂lnp(x[0];A)1(5)
Cramer-Rao 下界推
定理:假定PDF p ( x ; θ ) p(x;\theta) p(x;θ)满足“正则”条件:
E [ ∂ l n p ( x ; θ ) ∂ θ ] = 0 ( 6 ) E[\frac{\partial ln p(x;\theta)}{\partial \theta}] = 0 \quad (6) E[∂θ∂lnp(x;θ)]=0(6)
其中数学期望是对 p ( x ; θ ) p(x;\theta) p(x;θ)求取的。那么,任何无偏估计量 θ ^ \hat \theta θ^的方差必定满足:
v a r ( θ ^ ) ≥ 1 − E [ ∂ 2 l n p ( x ; θ ) ∂ θ 2 ] ( 7 ) var(\hat \theta) \geq \frac{1}{-E[\frac{\partial^2 ln p(x;\theta)}{\partial \theta^2}]} \quad (7) var(θ^)≥−E[∂θ2∂2lnp(x;θ)]1(7)
其中导数实在 θ \theta θ的真值处计算的,数学期望是对 p ( x ; θ ) p(x;\theta) p(x;θ)求取的。而且,对于某个函数 g g g和 I I I,当且仅当:
∂ l n p ( x ; θ ) ∂ θ = 1 σ 2 ( x − θ ) \frac{\partial lnp(x; \theta)}{\partial \theta} = \frac{1}{\sigma^2}(x- \theta) ∂θ∂lnp(x;θ)=σ21(x−θ)
∂ l n p ( x ; θ ) ∂ θ = I ( θ ) ( g ( x ) − θ ) ( 8 ) \frac{\partial lnp(x; \theta)}{\partial \theta} = I(\theta)(g(x) - \theta) \quad (8) ∂θ∂lnp(x;θ)=I(θ)(g(x)−θ)(8)
时,对有 θ \theta θ达到下限的无偏估计量就可以求得。这个估计量是 θ ^ = g ( x ) \hat \theta = g(x) θ^=g(x),它是MVU估计量,最小方差是 1 / I ( θ ) 1/I(\theta) 1/I(θ)。
由于二阶导数是与x有关得随机变量,所以(5)中得数学期望由下式给出:
E [ ∂ 2 l n p ( x ; θ ) ∂ θ 2 ] = ∫ ∂ 2 l n p ( x ; θ ) ∂ θ 2 p ( x ; θ ) d x ( 9 ) E[\frac{\partial^2 ln p(x;\theta)}{\partial \theta^2}] = \int \frac{\partial^2 ln p(x;\theta)}{\partial \theta^2} p(x;\theta)dx \quad (9) E[∂θ2∂2lnp(x;θ)]=∫∂θ2∂2lnp(x;θ)p(x;θ)dx(9)
而且,一般来说下限与 θ \theta θ有关
例子:高斯白噪声得DC电平
对例子1扩展,考虑多观测:
x [ n ] = A + w [ n ] n = 0 , 1 , ⋯ , N − 1 x[n] = A + w[n] \quad n=0,1, \cdots, N-1 x[n]=A+w[n]n=0,1,⋯,N−1
其中 w [ n ] w[n] w[n]是方差为 σ 2 \sigma^2 σ2的WGN,确定A的CRLB。
欢迎使用Markdown编辑器
你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。
p ( x ; A ) = ∏ n = 0 N − 1 1 2 π σ 2 e ( [ − 1 2 σ 2 ( x [ n ] − A ) 2 ] ) = 1 ( 2 π σ 2 ) N 2 e [ − 1 2 σ 2 ∑ n = 0 N − 1 ( x [ n ] − A ) 2 ] p(x;A) = \prod_{n=0}^{N-1} \frac{1}{\sqrt{2 \pi \sigma^2}}e^{([-\frac{1}{2\sigma^2}(x[n]-A)^2])} \\ = \frac{1}{(2 \pi \sigma^2)^\frac{N}{2}}e^{[-\frac{1}{2\sigma^2}\sum_{n=0}^{N-1}(x[n]-A)^2]} p(x;A)=n=0∏N−12πσ2 1e([−2σ21(x[n]−A)2])=(2πσ2)2N1e[−2σ21∑n=0N−1(x[n]−A)2]
求出一阶导数:
∂ l n p ( x ; A ) ∂ A = ∂ ∂ A [ − l n ( 2 π σ 2 ) N 2 − 1 2 σ 2 ∑ n = 0 N − 1 ( x [ n ] − A ) 2 ] = 1 σ 2 ∑ n = 0 N − 1 ( x [ n ] − A ) = N σ 2 ( x ˉ − A ) \frac{\partial ln p(x;A)}{\partial A} = \frac{\partial}{\partial A}[-ln(2\pi \sigma^2)^{\frac{N}{2}}-\frac{1}{2\sigma^2}\sum_{n=0}^{N-1}(x[n]-A)^2] \\ = \frac{1}{\sigma^2}\sum_{n=0}^{N-1}(x[n]-A)\\ = \frac{N}{\sigma^2}(\bar x - A) ∂A∂lnp(x;A)=∂A∂[−ln(2πσ2)2N−2σ21n=0∑N−1(x[n]−A)2]=σ21n=0∑N−1(x[n]−A)=σ2N(xˉ−A)
其中 x ˉ \bar x xˉ是样本均值。再次求导,
∂ l n p ( x ; A ) ∂ A 2 = − N σ 2 \frac{\partial ln p(x;A)}{\partial A^2} = - \frac{N}{\sigma^2} ∂A2∂lnp(x;A)=−σ2N
注意到二阶导数是常数,由式(7)可得CRLB:
v a r ( A ) ≥ − N σ 2 var(A) \geq -\frac{N}{\sigma^2} var(A)≥−σ2N
最后再提几点:
1、Fisher信息: J ( A ) = − E [ ∂ 2 l n p ( x ; θ ) ∂ θ 2 ] J(A) = {-E[\frac{\partial^2 ln p(x;\theta)}{\partial \theta^2}]} J(A)=−E[∂θ2∂2lnp(x;θ)]
2、本文进行的是标量参数CRLB的推导,没有进行扩展。扩展后还存在:
- 矢量参数CRLB推导
- 一般高斯CRLB推导
- 渐进CRLB推导
共同学习,共同进步,多多交流
克拉美罗界(CRLB)推导相关推荐
- 非随机参数估计的克拉美罗界(Cramer-Rao Bounds)
更新日志: 2020.10.24:发布 目录 1 简介 2 克拉美罗界的定义 3 示例 3.1 理论案例 3.2 实验验证 4 证明 4.1 不等式的证明 4.2 等号成立条件 4.3 补充性质 5 ...
- 【学习笔记】Cramer-Rao Lower Bound 克拉美-罗界
Cramér–Rao bound 参考来源: CSDN:克拉美-罗下界(Cramer-Rao Lower Bound,CRLB) CSDN:详解统计信号处理之克拉美罗界 Cramer-Rao下界 TU ...
- 详解统计信号处理之克拉美罗界
各种研究领域(包括无线定位方向)都会碰到参数估计的问题,这时常常会看到克拉美罗界 (Cramér–Rao bound) 这个东西.很多随机信号的书都会介绍什么是克拉美罗界,但初学者学起来往往很吃力,本 ...
- 详解统计信号处理之 克拉美罗界
各种研究领域(包括无线定位方向)都会碰到参数估计的问题,这时常常会看到克拉美罗界 (Cramér–Rao bound) 这个东西.很多随机信号的书都会介绍什么是克拉美罗界,但初学者学起来往往很吃力,本 ...
- Cramér-Rao bound 克拉美罗界(转)
转自 https://www.cnblogs.com/rubbninja/p/4512765.html 各种研究领域(包括无线定位方向)都会碰到参数估计的问题,这时常常会看到克拉美罗界 (Cramér ...
- 克拉美罗下界 CRLB的计算
克拉美罗下界 Cramer-Rao Lower Bound (CRLB)可以用于计算无偏估计中能够获得的最佳估计精度,因此经常用于计算理论能达到的最佳估计精度,和评估参数估计方法的性能(是否接近CRL ...
- 有偏估计、无偏估计、正则条件、克拉美罗下界
一.正则条件 正则条件是指在陈述某一个定理时,常常需要限定这些定理的使用范围.如果超出这个范围,则会导致定理所描述的内容不成立.用于限定这个使用范围的限定条件被称为"正则条件" ...
- 克拉美-罗下界(Cramer-Rao Lower Bound,CRLB)
1. 估计量的衡量标准 对于参数估计问题,目前存在着很多估计算法.那么如何去衡量一个估计器(estimator, 也称估计量或估计算法)的性能,我们主要考量以下三个方面 无偏性(unbiased).对 ...
- 克拉美-劳界(Cramér-Rao Bound,CRB)及其修正型
1.克拉美-劳下界(Cramér-Rao Bound,CRB) CRB描述了一个无偏估计器的最小方差(或均方误差),即在给定某些数据的情况下,无偏估计器的方差不能低于CRB.CRB是一种理论上的下 ...
最新文章
- asp程序错误详细说明例表
- javaGUI猜生日游戏
- 1332: 生日日数
- learn go anonymous function
- linux 只有命令指示,Linux命令行翻页?
- ActiveMQ消息重发
- 传奇怎么修改服务器,如何修改传奇服务端路径
- 方维直播源码:修复BUG完整版(附代码)
- [移动GIS] 4.1-TDOA定位
- 守护线程setDaemon的理解
- 数据结构 Hash,哈希冲突,哈希聚集,BloomFilter,分布式一致性hash
- linux下安装mysql8.0(二进制方式)
- 【音视频处理】码率、帧率越高越清晰?分辨率、像素、dpi之间是什么关系?码率的真实作用,I帧、B帧、P帧是什么
- 能量谷算法Energy Valley Optimizer (EVO)附matlab代码
- Inno setup MsgBox弹窗用法 以及 获取安装安装程序包的路径
- sql语句查询——基础篇(1)
- web前端技术练习题
- 工作上的低谷,让人心灰意冷
- 正版微软Office如何选
- 图像像素的算数操作-5
热门文章
- Swif- 访问控制
- oracle表里面空值要填满,漫 谈oracle 中 的 空 值(转)
- 如何理解算法时间复杂度的表示法O(n²)、O(n)、O(1)、O(nlogn)等?
- FigDraw 4. SCI 文章绘图之散点图 (Scatter)
- 星耀裂变:社群运营的方法和技巧,搭建私域的必要性!
- 使用CSS将图像进行模糊处理
- 固定测斜仪全自动DE816型固定式测斜仪
- jsp和JavaScript读取servlet数据
- 压力开关/压力控制器的应用
- ADUM1401ARWZ-RL 亚德诺 数字信号隔离模块