估计理论(5):BLUE的定义(6.3)
摘自Steven M. Kay,《Fundamentals of Statistical Signal Processing: Estimation Theory》。
在实际应用中,经常会出现MVU估计量不存在的情况。例如,我们可能不知道数据的PDF,甚至无法为它假设一个模型。在这种情况下,我们以前依赖CRLB和充分统计理论的方法就不再适用。即使PDF已知,后一种方法也不能保证能够得到MVU估计量。
由于我们无法确定最优MVU估计量,我们有理由求助于次优估计量。但当我们这样做时,我们永远不知道我们可能损失了多少性能(因为MVU估计量的最小方差是未知的)。然而,如果次优估计的方差可以确定,并且它符合我们的系统规范,我们就可以认为用它来解决当前问题是足够的。如果它的方差太大,那么我们将需要研究其他次优估计,希望找到符合我们规范的估计。
一种常见的方法限定估计在数据中是线性的,然后找到无偏且方差最小的线性估计,称为最佳线性无偏估计(BLUE)。如下所述,只需知道PDF的一阶、二阶矩就可以确定BLUE。因为不需要完全了解PDF,所以BLUE通常更容易实现。
这章介绍,如何根据PDF的一阶、二阶矩,来确定BLUE,作为次优解。这里的BLUE是对于数据样本来说是线性的。
6.3 BLUE的定义
对于数据集,其PDF为与未知参数有关。BLUE估计表达如下
显然这里为线性的,是的线性组合。通过选择不同系数,就可以得到不同的估计。而其中BLUE估计,应为无偏且具有最小方差。
下面我们来讨论BLUE最优性。
-
只有当MVU估计是线性的时候,BLUE才是最优的(即为MVU估计)。
如图6.1(a)所示,对于WGN中的直流量估计(Example 3.3),由于MVU估计是线性的,因此BLUE就是MVU估计。在图6.1(b)中,对于均匀分布噪声的估计(Example 6.8),由于MVU估计不是线性的,因此BLUE估计(样本均值)就不是MVU估计。
-
BLUE有可能完全不可用。
例如,我们考虑对WGN功率的估计。我们知道MVU估计(Example 3.6)
对于数据来说是非线性的。如果我们强制估计为线性的(prob 6.1),则有
其期望值为
显然我们找不到无偏估计。尽管BLUE在这个问题中不合适,但如果我们把数据变换为,则可以得到估计为
根据无偏估计的要求,有