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
xxx是measurement, θ\thetaθ是r维的state,g(x)是将x映射为θ\thetaθ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−1P=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Ji,j=E[−∂2logpx,θ(X,Θ)∂Θi∂Θj],i,j=1,...,rJ_{i,j}=E[- \frac{\partial^2 log~p_{x,\theta}(X,\Theta)}{\partial \Theta_{i}\partial \Theta_{j}}], i,j=1 ,..., rJi,j=E[−∂Θi∂Θj∂2log px,θ(X,Θ)],i,j=1,...,r,在引入了新的记号方式∇Θ=[∂∂Θ1,...,∂∂Θr]T\nabla_{\Theta}= [\frac{\partial}{\partial\Theta_1}, ... , \frac{\partial}{\partial\Theta_r}]^T∇Θ=[∂Θ1∂,...,∂Θr∂]T 和ΔΨΘ=∇Ψ∇ΘT\Delta_\Psi^\Theta= \nabla_\Psi \nabla_\Theta^TΔΨΘ=∇Ψ∇ΘT之后,可以得到简化版的表示形式J=E[−ΔΘΘlogpx,θ(X,Θ)]J=E[-\Delta_\Theta^\Theta log ~p_{x,\theta}(X,\Theta)]J=E[−ΔΘΘlog px,θ(X,Θ)],又因为px,θ(X,Θ)=px∣θ(X∣Θ)⋅pθ(Θ)p_{x,\theta}(X,\Theta)=p_{x|\theta}(X|\Theta)\cdot p_\theta(\Theta)px,θ(X,Θ)=px∣θ(X∣Θ)⋅pθ(Θ),由于用了log,所以J就可以拆成两个部分之和J=JD+JPJ=J_D+J_PJ=JD+JP,JDJ_DJD相当于生成概率,JPJ_PJP相当于先验,有JD=E[−ΔΘΘlogpx∣θ(X∣Θ)]J_D=E[-\Delta_\Theta^\Theta log ~p_{x|\theta}(X|\Theta)]JD=E[−ΔΘΘlog px∣θ(X∣Θ)]和JP=E[−ΔΘΘlogpθ(Θ)]J_P=E[-\Delta_\Theta^\Theta log ~p_{\theta}(\Theta)]JP=E[−ΔΘΘlog pθ(Θ)],如果二者互换一下也可以写,只不过写完之后px(X)p_x(X)px(X)这项在对于Θ\ThetaΘ求偏导的过程中会变成0,就是下面这样J=E[−ΔΘΘlogpθ∣x(Θ∣X)]J=E[-\Delta_\Theta^\Theta log ~p_{\theta|x}(\Theta|X)]J=E[−ΔΘΘlog pθ∣x(Θ∣X)],如果θ\thetaθ被拆成了两部分,θ=[θαT,θβT]T\theta=[\theta_\alpha^T, \theta_\beta^T]^Tθ=[θαT,θβT]T,J就可以跟着分块
关于θβ\theta_\betaθβ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XnX_nXn的fisher信息矩阵后(也就是J(Xn)J(X_n)J(Xn)),要求n时刻的xnx_nxn的fisher信息矩阵(J(xn)J(x_n)J(xn)),就可以用上面提到的分解方法来分解,也就是Xn=[Xn−1T,xnT]TX_n=[X_{n-1}^T, x_n^T]^TXn=[Xn−1T,xnT]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
Posterior Cramér–Rao Bounds for Discrete-Time Nonlinear Filtering 阅读相关推荐
- 在C++中使用SCIP求解器
SCIP求解器本身就是用C/C++开发的,对于C/C++提供了灵活的调用接口.即使是在python中调用,也是通过cython等语言实现了这些接口的封装,使其更符合python语言特点.比如pysci ...
- 能量启发模型:从负采样到自监督学习NEG-NCE-GAN-SSL家族
©作者 | 程引 单位 | 日本BizReach公司 研究方向 | 推荐系统.自然语言处理 负采样(Negative Sampling, NEG)/噪声对比估计(Noise Contrastive E ...
- mimo雷达信号处理_雷达学术入门脉冲雷达信号处理概述
Reviewed by :@甜草莓 @Robert Zhou: 前置知识:概率论与统计学.面向人群:本科生.研究生/信号处理博士. 编者:对于信号处理来说,雷达和通信一直是一体两面,从MIMO通信到M ...
- 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 ...
- 【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 ...
- 图像压缩-从DCT到小波: 纵览
引言未经压缩的多媒体(图形,音频,视频)数据要求很大的存储容量和传输带宽.尽管大容量存储器,处理器速度,和数字通信系统在快速进步,但对数据存储容量和数据通信的需求仍然超越当前技术.近来兴起的数据密集的 ...
- ICIP 2009 Papers
以下转载ICIP 2009录用文章的题目,希望从其中能够发现有用的信息.想来当初也是打算投一个的,可是怎么看总觉得创新不够,后来也就放弃了.争取以后的机会吧. 粗略看了下标题,感觉不愧是一个大会,文章 ...
- 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 ...
最新文章
- SQL Server 2005中的SQLCMD工具使用
- unas基于_flunas
- 三维计算机视觉(一)--点云处理综述
- linux下 vim修改文件后如何保存
- python和pytorch关系_pytorch 模拟关系拟合——回归实例
- Microsoft SQL Server Community Samples
- Jvisualvm设置中文
- 戴尔 微博 服务器 销售,微博营销案例之戴尔
- 分享11个网页游戏和9个黑客源码,总有一款适合你
- 无法使用内置管理员账户打开应用商店
- 做完电商直播后,怎么做直播复盘?
- eNSP中静态路由器和默认路由器的配置连接
- 西电软工oop面向对象程序设计实验四上机报告
- python orm框架
- 重读微积分(六):差商与牛顿插值
- HBuilder安装与使用
- html 自动隐藏属性,hidden
- HTB打靶(Active Directory 101 Sizzle)
- 检索大写字母 c语言,c语言梦工厂梅丽题目含答案.docx
- CAD图转成Protel封装