贝叶斯统计:信噪对偶与Dawid定理
贝叶斯统计:信噪对偶与Dawid定理
- 信噪对偶
- Dawid定理
Dawid定理由Dawid (1973)提出,是贝叶斯理论中对贝叶斯模型的边缘密度做渐近分析的重要工具之一,虽然后续也有文章对Dawid定理的条件进行了改进,比如O‘Hagan (1979),但Dawid定理的思想还是很有意义的。所以这一篇就简单介绍一下Dawid定理的思想及其证明。
信噪对偶
假设Observation满足X∼f(x−θ)X \sim f(x-\theta)X∼f(x−θ),也就是只引入θ\thetaθ这个位置参数,θ\thetaθ的先验密度记为g(θ)g(\theta)g(θ);这个简单的模型可以改写为
X=θ+ϕθ∼g(θ),ϕ∼f(ϕ)X = \theta+\phi \\ \theta \sim g(\theta),\phi \sim f(\phi) X=θ+ϕθ∼g(θ),ϕ∼f(ϕ)
其中θ\thetaθ表示信号,ϕ\phiϕ表示噪声,二者叠加组成了我们的观测值,通常假设信号与噪声是独立的。非常巧合的是在X=θ+ϕX=\theta+\phiX=θ+ϕ中,θ\thetaθ与ϕ\phiϕ的作用是完全一样的(毕竟加法交换律),也就是说用θ\thetaθ表示信号,ϕ\phiϕ表示噪声完全就是人为规定而已,我们也可以认为ϕ\phiϕ代表噪声、θ\thetaθ代表信号,只要使用合适的分布即可。
根据这个观察,我们可以直接得出下面的结论:用C(⋅,⋅)C(\cdot,\cdot)C(⋅,⋅)表示信号的先验(第一个变量)与噪声的分布(第二个变量)满足的某些条件,则在C(f,g)C(f,g)C(f,g)下,θ\thetaθ的后验分布或后验均值满足的某些性质,在C(g,f)C(g,f)C(g,f)下,ϕ\phiϕ的后验分布于后验均值同样满足。这个现象被称为信噪对偶。尽管这个事实看上去很平凡,但它体现的是贝叶斯统计与频率派统计的核心区别,也就是贝叶斯统计认为参数也是随机变量,而频率派则认为参数是常数,那么在频率派统计模型中信噪对偶自然就是不存在的。信噪对偶的意义在于推导贝叶斯理论的时候我们并不需要去特意区分信号与噪声,只需要把观测值XXX拆成两个随机变量的和即可。
Dawid定理
假设观察值满足X=Y1+Y2X=Y_1+Y_2X=Y1+Y2,其中Y1,Y2Y_1,Y_2Y1,Y2是两个独立的、绝对连续的、密度分别为f1,f2f_1,f_2f1,f2的随机变量,假设E[m(Y1)]<∞E[m(Y_1)]<\inftyE[m(Y1)]<∞,其中mmm是一个可测函数,E[m(Y1)]=∫−∞+∞m(y)f1(y)dyE[m(Y_1)]=\int_{-\infty}^{+\infty} m(y)f_1(y)dyE[m(Y1)]=∫−∞+∞m(y)f1(y)dy引入下面三个条件:
- ∀ϵ,h>0\forall \epsilon,h>0∀ϵ,h>0, ∃A\exists A∃A, ∀y>A\forall y >A∀y>A, ∣f2(y′)−f2(y)∣<ϵf2(y)|f_2(y')-f_2(y)|<\epsilon f_2(y)∣f2(y′)−f2(y)∣<ϵf2(y) when ∣y′−y∣<h|y'-y|<h∣y′−y∣<h
- ∃B,M\exists B,M∃B,M constant, ∀y′>y>B\forall y'>y>B∀y′>y>B, 0<f2(y′)<Mf2(y)0<f_2(y')<Mf_2(y)0<f2(y′)<Mf2(y)
- k(y)=supxf2(x−y)f2(x)k(y)=\sup_x \frac{f_2(x-y)}{f_2(x)}k(y)=supxf2(x)f2(x−y), ∫−∞+∞k(y)f1(y)dy<∞∫−∞+∞∣m(y)∣k(y)f1(y)dy<∞\int_{-\infty}^{+\infty}k(y)f_1(y)d y<\infty \\ \int_{-\infty}^{+\infty}|m(y)|k(y)f_1(y)d y<\infty∫−∞+∞k(y)f1(y)dy<∞∫−∞+∞∣m(y)∣k(y)f1(y)dy<∞
在这三个条件作为充分条件时limx→∞E[m(Y1)∣X=x]=E[m(Y1)]\lim_{x \to \infty} E[m(Y_1)|X=x]=E[m(Y_1)]x→∞limE[m(Y1)∣X=x]=E[m(Y1)]
评注
- 条件1的作用是保证f2f_2f2在yyy比较大的时候几乎是水平的;
- 条件2的作用是保证f2f_2f2的尾部行为不会很震荡;
- 条件3的作用是限制f1f_1f1与f2f_2f2的对称性,在以上三个条件中,f1f_1f1与f2f_2f2可以交换位置,但当条件1和2限制了f2f_2f2后,相当于默认f2f_2f2就是噪声分布了,这时就需要限制f1f_1f1与f2f_2f2的对称性了,否则会出现矛盾
证明
Y1Y_1Y1的后验分布为
π(y1∣X=x)=f1(y1)f2(x−y)J,J=∫−∞+∞f1(y1)f2(x−y1)dy\pi(y_1|X=x) = \frac{f_1(y_1)f_2(x-y)}{J},J=\int_{-\infty}^{+\infty} f_1(y_1)f_2(x-y_1)dyπ(y1∣X=x)=Jf1(y1)f2(x−y),J=∫−∞+∞f1(y1)f2(x−y1)dy
这里把y2y_2y2替换成了x−y1x-y_1x−y1,这样可以避免出现太多自变量,于是下文就用yyy表示y1y_1y1了;所以
E[m(Y1)∣X=x]=IJ,I=∫−∞+∞m(y)f1(y)f2(x−y)dyE[m(Y_1)|X=x] = \frac{I}{J},I=\int_{-\infty}^{+\infty}m(y)f_1(y)f_2(x-y)dyE[m(Y1)∣X=x]=JI,I=∫−∞+∞m(y)f1(y)f2(x−y)dy
取x>Bx>Bx>B(因为是要计算I/JI/JI/J在xxx趋近于无穷时的极限,所以这里可以让xxx大于某一个常数),估计
∣If2(x)−E[m(Y1)]∣=∣∫−∞+∞m(y)f1(y)(f2(x−y)f2(x)−1)dy∣=∣∫−∞−h+∫−hh+∫h+∞m(y)f1(y)(f2(x−y)f2(x)−1)dy∣≤(M+1)∫−∞−h∣m(y)∣f1(y)dy+∫h+∞∣m(y)∣f1(y)[k(y)+1]dy+∣∫−hhm(y)f1(y)(f2(x−y)f2(x)−1)dy∣\begin{aligned} \left| \frac{I}{f_2(x)}-E[m(Y_1)] \right| & = \left| \int_{-\infty}^{+\infty}m(y)f_1(y)\left( \frac{f_2(x-y)}{f_2(x)}-1\right)dy \right| \\ & = \left| \int_{-\infty}^{-h}+\int_{-h}^{h}+\int_{h}^{+\infty}m(y)f_1(y)\left( \frac{f_2(x-y)}{f_2(x)}-1\right)dy\right| \\ & \le (M+1)\int_{-\infty}^{-h}|m(y)|f_1(y)dy \\ & +\int_h^{+\infty}|m(y)|f_1(y)[k(y)+1]dy \\ & + \left|\int_{-h}^{h}m(y)f_1(y)\left( \frac{f_2(x-y)}{f_2(x)}-1\right)dy \right|\end{aligned}∣∣∣∣f2(x)I−E[m(Y1)]∣∣∣∣=∣∣∣∣∫−∞+∞m(y)f1(y)(f2(x)f2(x−y)−1)dy∣∣∣∣=∣∣∣∣∣∫−∞−h+∫−hh+∫h+∞m(y)f1(y)(f2(x)f2(x−y)−1)dy∣∣∣∣∣≤(M+1)∫−∞−h∣m(y)∣f1(y)dy+∫h+∞∣m(y)∣f1(y)[k(y)+1]dy+∣∣∣∣∣∫−hhm(y)f1(y)(f2(x)f2(x−y)−1)dy∣∣∣∣∣
当hhh趋近于无穷时,第一项、第二项趋近于0,对任意h>0h>0h>0,根据条件1,第三项趋近于0,所以I/f2(x)→E[m(Y1)]I/f_2(x) \to E[m(Y_1)]I/f2(x)→E[m(Y1)],根据条件3,
Jf2(x)≤supx∫−∞+∞f2(x−y)f2(x)f1(y)dy=∫−∞+∞k(y)f1(y)dy<∞\frac{J}{f_2(x)} \le \sup_x \int_{-\infty}^{+\infty}\frac{f_2(x-y)}{f_2(x)}f_1(y)d y=\int_{-\infty}^{+\infty}k(y)f_1(y)d y <\inftyf2(x)J≤xsup∫−∞+∞f2(x)f2(x−y)f1(y)dy=∫−∞+∞k(y)f1(y)dy<∞
因此,取m(y)=1m(y)=1m(y)=1,根据I/f2(x)I/f_2(x)I/f2(x)的结果,J/f2(x)→1J/f_2(x) \to 1J/f2(x)→1,综上,
IJ→E[m(Y1)]\frac{I}{J} \to E[m(Y_1)]JI→E[m(Y1)]
贝叶斯统计:信噪对偶与Dawid定理相关推荐
- 单通道语音信噪分离算法研究
单通道语音信噪分离算法研究 摘要:为了评估单通道语音信噪分离的效果,本文分别对六种传统语音增强算法进行了探讨.在理想的高斯白噪声环境下,子空间法增强后的语音信号输出信噪比SNR最大,VMD(Varia ...
- 《通信原理》课后题 樊昌信
第一章 绪论 1-2 何谓数字信号?何谓模拟信号?两者的根本区别是什么? 答:数字信号:电信号的参量值仅可能取有限个值.模拟信号:电信号的参量取值连续. 两者的根本区别是携带信号的参量是连续取值还是 ...
- 如何把“底噪”压低、压低、再压低?
导 读:经常有人争论这个问题:有源音箱的底噪问题.有些人说一米能听到底噪叫正常,有些人说10厘米能听到底噪算正常,其实说一米也好,短点也好长点也好,没必要较真这是不是精确,道理很简单,距离不是影响判断 ...
- 小波基函数的选择和小波构造
滤波器组完美重构与小波快速算法. 前面的分析可以知道Vj相当于在j分辨率的逼近,Vj-1相当于j-1分辨率的逼近,这样Wj-1相当于两个分辨率逼近的差.在高分辨率下,我们可以用f在(2^j*t)的采样 ...
- matlab中daubechie小波,[转载]小波滤波器
滤波器组完美重构与小波快速算法. 前面的分析可以知道Vj相当于在j分辨率的逼近,Vj-1相当于j-1分辨率的逼近,这样Wj-1相当于两个分辨率逼近的差.在高分辨率下,我们可以用f在(2^j*t)的采样 ...
- ADC动态范围的计算
AD和动态范围 1.首先明确动态范围的概念: 动态范围=20*log(最大的数/最小的数) 单精度浮点格式:[31] 1位符号[30-23]8位指数[22-00]23位小数 单精度浮点数动态范围=16 ...
- 基于Matlab的LDPC码性能研究毕业设计(含源文件)
欢迎添加微信互相交流学习哦! 项目源码:https://gitee.com/oklongmm/biye 本科毕业设计(论文) 题 目 LDPC码性能研究 摘 要 信道编码是数字通信系统的 ...
- 语音识别之前端处理及相关算法
前言 语音识别是模式识别的一个分支,又从属于信号处理科学领域,同时与语音学.语言学.数理统计及神经生物学等学科有非常密切的关系.语音识别的目的就是让机器"听懂"人类口述的语言,包括 ...
- 模数转换器ADC的常用术语和主要技术s指标(完)
转换时间和转换速率 Conversion time and conveersion rate ADC完成一次转换所需的时间称为转换时间(模数转换从启动到结束所用时间).对于大多数ADC来说,转换时间的 ...
最新文章
- iPhone Three20软件引擎之构建开发环境与HelloWorld
- Linux之CentOS安装composer与git
- 在 IntelliJ IDEA 中远程调试 Java 程序
- bash命令行中带通配符参数何时展开??
- oozie mysql_【oozie】将oozie的数据库配置为mysql | 学步园
- python画一条曲线有不同的形状_Python+pandas+matplotlib控制不同曲线的属性 !
- python随机数字字符串_pythonrandom生成随机数和字符串,数字
- VS2010远程调试
- 服务器cpu占用过高一般是什么原因,常见云服务器CPU占用100%问题原因及解决办法...
- Ubuntu 旅行日记 Day 1
- 【C#】EAN-13条形码生成与识别
- FFplay文档解读-49-多媒体过滤器三
- IPFS未来展望,迎接Web3.0新潮流
- Scum服务器显示红色,进服务器 提示这个有大神解答一下吗
- java代码开发类似知网导出_知网语义相似度计算java实现 - 源码下载|其它|中文信息处理|源代码 - 源码中国...
- Big Faceless Java PDF Library[BFO]
- HTML5的学习网站有哪些?
- 买加智能销售系统-以科技赋能企业销售
- 基于gRpc 的Winform C/S MES/ERP 开发框架
- 一种简单的封装VP8/VP9视频的容器:IVF格式
热门文章
- 机器学习知识点(二十四)隐马尔可夫模型HMM维特比Viterbi算法Java实现
- 字符串之数字子串求和
- NS安装问题收集(2)
- 递归 || 递归的相关实例练习
- Java 技术篇-用java自带的内存检测工具排查内存泄漏问题,查看java垃圾回收情况,监控java堆内存变化
- Git 技术篇-git切换工作空间,git设置默认进入空间,git初始化工作空间
- Python 技术篇 - 通过代码查看文本的编码类型实例演示,如何查看文件的编码类型,文件编码查看方法
- 万向锁的简单数学解释
- 音频信号数据的读入(matlab)
- 从什么地方获取大数据_从哪收集大数据