浅谈CRLB与科研中的估计算法

前言

在对通信系统估计问题的最新科研文章的调研中,我发现CRLB (克拉美罗下界)的出镜率非常高。这也说明了这一早就被提出的概念,至今能追随着潮流,也值得去掌握。 因此,简单地写了这篇文章来概述下 CRLB 与 科研中的估计算法。

为什么要掌握CRLB

我总是觉得,在谈一个东西前,首先要说明为什么要学这个东西, 下面简单说明下CRLB的作用和功能。
CRLB的潜在使用场景: 界定各类估计算法的性能的upper bound
如果你掌握了CRLB的推导,可以有以下优点:

■ 1. 类似于去实现其他论文的算法,CRLB可以作为一条仿真图上的对比曲线。
■ 2. 作为理论上界,与CRLB线的距离可以界定文章提出的新算法的优劣。
■ 3. 对于许多新的算法框架,推导其下的CRLB本身就是文章的一个贡献点。
■ 4. 在仿真中,与CRLB的gap值是否合理,可以帮助发现错误。

我认为,CRLB最大的优点在于,不论你的估计算法是什么场景,哪种问题,这都是一种可以复制的模式,一种泛用的方法。

一些近期涉及CRLB的通信估计算法论文

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

CRLB的简单介绍

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

通信中最重要的CRLB——高斯噪声建模下

由于99%的通信问题都基于高斯噪声的假设,而这一假设非常便于我们推导求解CRLB所必要的PDF。因此,求解通信算法的CRLB就显得较为简单。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

矢量情形的CRLB

实数情形

在这里插入图片描述
即先求出Fisher信息矩阵,再求逆,得到CRLB。

而在高斯噪声场景下,可以进一步特别地:
在这里插入图片描述
绝大部分情况下,方差与估计参数无关时,上式可以进一步化简为:
在这里插入图片描述

复数情形:

Fisher信息矩阵 (I)由下式给出。

在这里插入图片描述

同样,在复高斯噪声情形下,可以特别地有:

在这里插入图片描述

发布了47 篇原创文章 · 获赞 116 · 访问量 73万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览