估计理论

估计理论是统计学和信号处理中的一个分支，主要是通过测量或经验数据来估计概率分布参数的数值。这些参数描述了实质情况或实际对象，它们能够回答估计函数提出的问题。

例如，估计投票人总体中，给特定候选人投票的人的比例。这个比例是一个不可观测的参数，因为投票人总体很大；估计值建立在投票者的一个小的随机采样上。

又如，雷达的目的是物体（飞机、船等）的定位。这种定位是通过分析收到的回声（回波）来实现的，定位提出的问题是“飞机在哪里？”为了回答这个问题，必须估计飞机到雷达之间的距离。如果雷达的绝对位置是已知的，那么飞机的绝对位置也是可以确定的。

在估计理论中，通常假定信息隐藏在包含雜訊的信号中。噪声增加了不确定性，如果没有不确定性，那么也就没有必要估计了。

使用估计理论的领域

有非常多的领域使用参数估计理论。这些领域包括（当然不局限于以下列出的领域）:

信号处理
- X射線斷層成像
- 脑电图
- 心电图
- 核磁共振
- 医学超声波扫描术
- 雷达、声纳、地震學——物件的定位
- 噪声方差
- 参数化（例如周期图和相关图谱）分析
- 非参数化（例如MUSIC、Root-MUSIC和ESPRIT）谱分析
- 维纳滤波
- 粒子滤波器
临床试验
民意调查
质量控制
通讯
- 信道参数
- DC增益（请看下边的例子）
控制理论
- 卡尔曼滤波
- 随时间改变的执行器（英文：）
网络入侵侦查系统

测量参数包含噪声或者其他不确定性。通过统计概率，可以求得最优化的解，用来从数据中提取尽可能多的信息。

估计过程

估计理论的全部目的都是获取一个估计函数，最好是一个可以实现的估计函数。估计函数输入测量数据，输出相应参数的估计。

我们通常希望估计函数能最优，一个最优的估计意味着所有的信息都被提取出来了；如果还有信息没有提取出来，那就意味着它不是最优的。

一般来说，求估计函数需要三步：

为了实现一个预测单个或者多个参数的所期望的估计器，首先需要确定系统的模型。这个模型需要将需要建模的过程以及不确定性和和噪声融合到一起，这个模型将描述参数应用领域的物理场景。
在确定模型之后，需要确定估计器的限制条件。这些限制条件可以通过如Cramér-Rao不等式这样的方法找到。
下一步，需要开发一个估计器或者应用一个已知的对于模型有效的估计器。这个估计器需要根据限制条件进行测试以确定它是否是最优估计器，如果是的话，它就是最好的估计器。
最后，在估计器上运行试验或者仿真以测试性能。

当实现一个估计器之后，实际的数据有可能证明推导出估计器的模型是不正确的，这样的话就需要重复上面的过程重新寻找估计器。不能实现的估计器需要抛弃，然后开始一个新的过程。总的来说，估计器根据实际测量的数据预测物理模型的参数。

基础

为了建立一个模型，需要知道几项统计“因素”。为了保证预测在数学上是可以追踪的而不是仅仅基于“内心感受”来说这是必需的。

第一个是从大小为 $N$ 的随机矢量中取出的统计采样，将它们放到一个矢量中，

\mathbf {x} ={\begin{bmatrix}x[0]\\x[1]\\\vdots \\x[N-1]\end{bmatrix}}

.

第二，有相应的 $M$ 参数

\mathbf {\theta } ={\begin{bmatrix}\theta _{1}\\\theta _{2}\\\vdots \\\theta _{M}\end{bmatrix}}

,

它需要根据概率密度函数（pdf）或者概率聚集函数（:en:probability mass function）（pmf）建立

p(\mathbf {x} |\mathbf {\theta } )

.

参数本身还可能有一个概率分布（Bayesian statistics），需要定义epistemic probability

\pi (\mathbf {\theta } )

.

模型形成之后的目标就是预测参数，通常表示为 ${\hat {\mathbf {\theta } }}$ ，其中“hat”表示预测值。

一个普通的估计器是最小均方误差（MMSE）估计器，它利用了参数估计值与实际值之间的误差

\mathbf {e} ={\hat {\mathbf {\theta } }}-\mathbf {\theta }

作为优化的基础。在最小均方误差估计器中误差进行取平方、最小化。

估计函数（估计子）

以下是一些相关的估计函数以及相关的主题

最大似然估計（Maximum likelihood estimation，簡稱MLE）
矩估計（Method of moments estimators，簡稱MME）
Cramér-Rao不等式
最小均方差（Minimum mean squared error，简称MMSE）
最大后验概率（Maximum a posteriori probability，簡稱MAP）
最小方差非偏估计（Minimum variance unbiased estimator，简称MVUE）
最佳线性非偏估计（BLUE）
非偏估计，见偏差 (统计学)。
Particle filter
Markov chain Monte Carlo，简称MCMC
卡尔曼滤波
维纳滤波

例子：高斯白噪声中的直流增益

让我们来看一个接收到的 $N$ 个独立采样点的离散信号 $x[n]$ ，它由一个直流增益 $A$ 和已知方差为 $\sigma ^{2}$ (例如， ${\mathcal {N}}(0,\sigma ^{2})$ ）的叠加白噪声 $w[n]$ 组成。

由于方差已经知道，所以仅有的未知参数就是 $A$ 。

于是信号的模型是

x[n]=A+w[n]\quad n=0,1,\dots ,N-1

两个可能的估计器是：

${\hat {A}}_{1}=x[0]$
${\hat {A}}_{2}={\frac {1}{N}}\sum _{n=0}^{N-1}x[n]$ 它是采样平均

这两个估计器都有一个平均值 $A$ ，这可以通过代入每个估计器的期望得到

\mathrm {E} \left[{\hat {A}}_{1}\right]=\mathrm {E} \left[x[0]\right]=A

和

\mathrm {E} \left[{\hat {A}}_{2}\right]=\mathrm {E} \left[{\frac {1}{N}}\sum _{n=0}^{N-1}x[n]\right]={\frac {1}{N}}\left[\sum _{n=0}^{N-1}\mathrm {E} \left[x[n]\right]\right]={\frac {1}{N}}\left[NA\right]=A

在这一点上，这两个估计器看起来是一样的。但是，当比较方差部分的时候它们之间的不同就很明显了。

\mathrm {var} \left({\hat {A}}_{1}\right)=\mathrm {var} \left(x[0]\right)=\sigma ^{2}

和

\mathrm {var} \left({\hat {A}}_{2}\right)=\mathrm {var} \left({\frac {1}{N}}\sum _{n=0}^{N-1}x[n]\right)={\frac {1}{N^{2}}}\left[\sum _{n=0}^{N-1}\mathrm {var} (x[n])\right]={\frac {1}{N^{2}}}\left[N\sigma ^{2}\right]={\frac {\sigma ^{2}}{N}}

看起来采样平均是一个更好的估计器，因为方差部分 $N\to \infty$ 趋向于0。

最大似然估计

使用最大似然估计继续上面的例子，噪声在一个采样点 $w[n]$ 的概率密度函数（pdf）是

p(w[n])={\frac {1}{\sigma {\sqrt {2\pi }}}}\exp \left(-{\frac {1}{2\sigma ^{2}}}w[n]^{2}\right)

这样 $x[n]$ 的概率变为（ $x[n]$ 可以认为是 ${\mathcal {N}}(A,\sigma ^{2})$ ）

p(x[n];A)={\frac {1}{\sigma {\sqrt {2\pi }}}}\exp \left(-{\frac {1}{2\sigma ^{2}}}(x[n]-A)^{2}\right)

由于相互独立， $\mathbf {x}$ 的概率变为

p(\mathbf {x} ;A)=\prod _{n=0}^{N-1}p(x[n];A)={\frac {1}{\left(\sigma {\sqrt {2\pi }}\right)^{N}}}\exp \left(-{\frac {1}{2\sigma ^{2}}}\sum _{n=0}^{N-1}(x[n]-A)^{2}\right)

概率密度函数取自然对数

\ln p(\mathbf {x} ;A)=-N\ln \left(\sigma {\sqrt {2\pi }}\right)-{\frac {1}{2\sigma ^{2}}}\sum _{n=0}^{N-1}(x[n]-A)^{2}

于是最大似然估计器是

{\hat {A}}=\arg \max \ln p(\mathbf {x} ;A)

对数最大似然函数取一阶导数

{\frac {\partial }{\partial A}}\ln p(\mathbf {x} ;A)={\frac {1}{\sigma ^{2}}}\left[\sum _{n=0}^{N-1}(x[n]-A)\right]={\frac {1}{\sigma ^{2}}}\left[\sum _{n=0}^{N-1}x[n]-NA\right]

并且将它赋值为0

0={\frac {1}{\sigma ^{2}}}\left[\sum _{n=0}^{N-1}x[n]-NA\right]=\sum _{n=0}^{N-1}x[n]-NA

这就得到最大似然估计器

{\hat {A}}={\frac {1}{N}}\sum _{n=0}^{N-1}x[n]

它是一个简单的采样平均。

从这个例子中，我们发现对于带有固定未知直流增益的AWGN的 $N$ 个采样点来说采样平均就是最大似然估计器。

Cramér-Rao下限

为了找到采样平均估计器的Cramér-Rao下限（CRLB），需要找到Fisher information数

{\mathcal {I}}(A)=\mathrm {E} \left(\left[{\frac {\partial }{\partial \theta }}\ln p(\mathbf {x} ;A)\right]^{2}\right)=-\mathrm {E} \left[{\frac {\partial ^{2}}{\partial \theta ^{2}}}\ln p(\mathbf {x} ;A)\right]

从上面得到

{\frac {\partial }{\partial A}}\ln p(\mathbf {x} ;A)={\frac {1}{\sigma ^{2}}}\left[\sum _{n=0}^{N-1}x[n]-NA\right]

取二阶导数

{\frac {\partial ^{2}}{\partial A^{2}}}\ln p(\mathbf {x} ;A)={\frac {1}{\sigma ^{2}}}(-N)={\frac {-N}{\sigma ^{2}}}

发现负的期望值是无关紧要的（），因为它现在是一个确定的常数

$-\mathrm {E} \left[{\frac {\partial ^{2}}{\partial A^{2}}}\ln p(\mathbf {x} ;A)\right]={\frac {N}{\sigma ^{2}}}$

最后，将Fisher information代入

\mathrm {var} \left({\hat {A}}\right)\geq {\frac {1}{\mathcal {I}}}

得到

\mathrm {var} \left({\hat {A}}\right)\geq {\frac {\sigma ^{2}}{N}}

将这个值与前面确定的采样平均的变化比较显示对于所有的 $N$ 和 $A$ 来说采样平均都是等于Cramér-Rao下限。

采样平均除了是最大似然估计器之外还是最小变化无偏估计器（MVUE）。

这个直流增益 + WGN的例子是Kay的统计信号处理基础中一个例子的再现。

参见

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.