【本文内容摘自"Signals, Systems and Inferences"之"8.1-Estimation of a Continuous Random Variable", by Alan V.Oppenheim and George C.Verghese, 2010.】
连续随机变量的MMSE估计
首先,我们假定对随机变量
Y感兴趣想要估计它的值,但我们只知道它的概率密度函数(PDF)。随后,我们把讨论扩展到我们知道另外一个随机变量
X的测量或者观察结果,也知道
X和
Y的联合概率密度函数的情况。
-
E{(Y−y^)2}=∫(y−y^)2pY(y)dy
-
将上式对
y^求导且令导数等于零,可以得到
−2∫(y−y^)pY(y)dy=0(1)
或者
∫y^pY(y)dy=∫ypY(y)dy
因此,
y^=E{y}.(2)
-
E{(Y−y^)2}关于
y^的二次导数为
2∫pY(y)dy=2
结果为正,因此(2)给出了最小化MSE时的
y^值。显然,(1)中的MMSE就是
Y的方差,即
minE{(Y−y^)2}=E{(Y−E{Y})2}=σY2
- 与
Y有关随机变量X的测量值或观察值可知的情况
由于有了关于
X的额外的测量,我们用后验概率密度函数
pY∣X(y∣x)代替
pY(y)。
因此,我们的目标是最小化(3)式
E[{Y−y^(x)}2∣X=x]=∫{y−y^(x)}2pY∣X(y∣x)dy(3)
这里为我们的估计引入了
y^(x),从而表明通常来说它将依赖于特定的
x值。与无测量的情况时候相同,我们可以得到
y^(x)=E[Y∣X=x]
与之相关的MMSE为条件方差
σY∣X2。因而与无测量时候的唯一区别在于,我们现在将测量值作为条件。
再进一步,如果我们有多个测量值,
X1=x1,X2=x2,…,XL=xL,我们采用后验概率密度
PY∣X1,X2,…,XL(y∣x1,x2,…,xL)
【结论】
y^(x)=∫ypY∣X(y∣X=x)=E[Y∣X=x
其对应的MMSE为条件方差
σY∣X2。
例:二元高斯随机变量的MMSE估计
两个随机变量
X和
Y被称为具有二元高斯联合PDF,如果对其归一化之后得到随机变量
V=σXX−μx, W=σYY−μY
满足
pV,W(v,w)=2π1−ρ2
1exp{−2(1−ρ2)v2−2ρvw+w2}
其中
ρ=σXσYσXY为
X、
Y的相关系数,而
CXY=E[XY]−μXμY为
X、
Y的协方差。
下面考虑给定
X=x时
Y的MMSE估计,即
y^(x),可以得到
y^(x)=E[Y∣X=x]
或者
y^(x)=E{(σYW+μY)∣V=σXx−μX}=σYE{W∣V=σXx−μx}+μY.
由于
pW∣V(w∣v)=2π(1−p2)
1exp{−2(1−ρ2)(w−ρv)2}.
即均值为
ρv,因此
y^(x)=μY+σYρv=μY+ρσXσY(x−μX).
我们来看此时的最小MSE,即
E{[Y−y^(x)]2∣X=x}
为
pY∣X(y∣X=x)的方差,又由于
pY∣X(y∣X=x)=σYpW∣V(w∣V=v)且
pW∣V(w∣V=v)的方差为
1−ρ2,因此
E{[Y−y^(x)]2∣X=x}=σY2(1−ρ2).