为什么是蓝色:
我们已经讨论过最小方差无偏估计(MVUE)在前面的一篇文章中。将MVUE应用于估算问题时,应考虑以下几点
- MVUE是最佳估计器
- 找到MVUE需要充分了解底层流程的PDF(概率密度函数)。
- 即使PDF已知,也不能保证找到MVUE。
- 如果PDF未知,则不可能使用以下技术找到MVUECramer-Rao下限(CRLB)
- 在实践中,对PDF底层过程的了解实际上是未知的。
考虑到以上所有点,最好的解决方案是找到次优估计器。当我们求助于寻找次优估计器时
- 我们可能无法确定我们损失了多少性能–因为我们无法找到基准测试的MVUE估计器(由于过程的基本PDF不可用)。
- 如果次优估计器的方差符合规范限,我们可以接受它
寻找次优估计量的常用方法:
- 限制估计器在数据中为线性
- 求无偏且方差最小的线性估计量
- 这导致最佳线性无偏估计(蓝色)
- 要找到BLUE估计量,不需要对PDF有充分的了解。仅PDF的前两个矩(平均值和方差)就足以找到蓝色
蓝色的定义:
考虑一个数据集
其参数化PDF
取决于未知参数
由于BLUE限制估计器在数据中是线性的,所以参数的估计可以写成具有一些权重的数据样本的线性组合![a_n(名词)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![\帽子{\theta}=\显示样式{\sum_{n=0}^{n}a_nx[n]=\textbf{a}^T\textbf{x}}\quad\quad\rightarrow(1)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
在这里
是一个常数向量,我们寻求其值以满足设计规范。因此,整个估算问题归结为寻找常数向量——
.上述方程可能会导致向量的多个解
。但是,我们需要选择
,它提供无偏且方差最小的估计。
因此,为
为了找到提供最小方差的BLUE估计量,必须满足以下两个约束
- 估计量在数据中必须是线性的
- 估算必须无偏
约束1:线性约束:
上面已经给出了线性约束。为了方便起见,这里重复了一遍。
![\帽子{\theta}=\显示样式{\sum_{n=0}^{n}a_nx[n]=\textbf{a}^T\textbf{x}}\quad\quad(1)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
约束2:无偏估计的约束:
为了使估计被认为是无偏的,估计的期望值(平均值)必须等于估计的真实值。
![E[\hat{\theta}]=θ\ quad \ quad(2)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
因此,
![\显示样式{\sum_{n=0}^{n}a_nE\left(x[n]\right)=\theta}\quad\quad(3)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
结合这两个约束(1)和(2)或(3),
![E[\hat{\theta}]=\displaystyle{\sum_{n=0}^{n}a_nE\left(x[n]\right)=\textbf{a}^T\textbf{x}=\theta}\quad\quad(4)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
现在,百万美元的问题是:“我们什么时候才能满足这两个约束?”
形式为
,其中
是我们希望估计的未知参数。
考虑如下所示的数据模型,其中观察到的样本与待估计的参数呈线性关系。
![x[n]=s[n]\theta+w[n]\quad\quad(5)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
在这里,
是零均值过程噪声,其PDF可以采用任何形式(制服,高斯,有色的等)。上述方程的平均值由下式得出
![E(x[n])=E(s[n]\theta)=s[n]\theta\tquad\quad(6)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
衬底(6)英寸(4),
![E[\hat{\theta}]=\显示样式{\sum_{n=0}^{n}a_n E\left(x[n]\right)=\theta\sum_{n=0.}^{n}a_ns[n]=\theta \textbf{a}^T\textbf{s}=\thetar}\quad\quad(7)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
看看最后一组等式,
![\theta\textbf{a}^T\textbf{s}=\theta\quad\quad(8)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
只有满足以下条件,才能满足上述等式
![\textbf{a}^T\textbf{s}=1\quad\quad(9)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
如果满足此条件,下一步是最小化估计值的方差。最小化估计的方差,
![\开始{aligned}var(\hat{\theta})&=E\left[\left(\sum_{n=0}^{N} (_N)x[n]-E\左[\sum_{n=0}^{N} a_N(名词)x[n]\right]\ right)^2\right]\\&=E\ left[\ left(\textbf{a}^T\textbf{x}-\textbf{a}^T E[\textbv{x}]\ rift)^2\\right]\\&=E \ left[\ left{x}-E(\textbf{x})\right]\right)^2\right]\\&=E\左[\textbf{a}^T\左[\textbf{x}-E(\textbf{x})\right]\left[\textbf{x}-E(\textbf{x})\right]^T\textbf{a}\right]\\&=E\left[\textbf{a}^T\text bf{C}\textbv{a}\ right]\\&=\textbf{a}^T\ttextbf}\C}\text bf{a}\end{aligned}\quad\quad(10)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
寻找蓝色:
如上所述,为了找到给定数据集的BLUE估计量,必须满足两个约束条件——线性和无偏估计,估计的方差应最小。因此,目标是将
哪个是
受约束
。这是一个典型的拉格朗日乘数↗问题,它可以被视为最小化以下关于
(记住!!!这是我们想要找到的)。
![J=\textbf{a}^T\textbf{C}\textbf2{a}+\lambda(\textbf2{a}^T\text bf{s}-1)\quad\quad(11)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
最小化
关于
相当于设置
水电阻温度
至零。
![\开始{aligned}\frac{\partialJ}{\parial\textbf{a}}&=2\textbf{C}\textbf{a}+\lambda\textbf{s}=0\&\Rightarrow\boxed{a}=-\frac}\lambda}{2}\textbf{C}^{-1}\textbf{s}}\end{aligned}\quad\quad(12)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
替换(12)在里面(9)
![\textbf{a}^T\textbf{s}=-\frac{\lambda}{2}\textbf{s}^{T}\textbf{C}^{-1}\textbf{s}=1\右箭头\方框{-\frac{\lampda}{2}=\frac}1}{\textbf-s}^}](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
最后,来自(12)和(13),BLUE估计器(加权数据样本的常数向量)的系数由下式给出
![\方框{a=\frac{\textbf{C}^{-1}\textbf{s}}{\textbf{s}^{T}\textbf{C}^{-1{\textbof{s{}}\quad\quad\quid(14)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
蓝色估计值和估计值的方差如下
![\方框{\hat{\theta}_{BLUE}=\textbf{a}^{T}\textbf{x}=\frac{\textbf{C}^{-1}\textbf{s}\textbf{x}}{\textbf{s}^{T}\textbof{C}^{-1{\textbf{s}}\quad\quad(15)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![\方框{var(\hat{\theta})=\frac{1}{\textbf{s}^{T}\textbf{C}^{-1}\textbf{s{}}\quad\quad(16)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
对此文章进行评分:![可怜的 可怜的](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![低于平均水平 低于平均水平](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![平均 平均](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![很好 很好](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
(36平均票数:4.08(共5个)
类似主题
作者的书籍