記事のディレクトリ
序文
最新の研究論文の通信システムの調査推定では、私は、出現率が非常に高い(バウンド下クラマー・ラオ)CRLBを見つけました。これはまた、長い彼らの傾向をたどることができ、これまでに提案されている概念を説明し、把握する価値があります。したがって、単純に次のCRLB推定アルゴリズムと科学研究の概要を説明するために、この記事を書きました。
なぜCRLBを把握する必要があります
私はいつもの事について話をする前に、我々が最初にこのようなもの、CRLBにおける役割と機能の以下の簡単な説明を学習する理由を説明しなければならない、感じています。
CRLB潜在的な使用シナリオ:アルゴリズムの様々なタイプのパフォーマンスの上限推定値を定義します
あなたがCRLB導出をマスターする場合は、次のような利点を持つことができます。
他の論文に類似1アルゴリズムを■、CRLBは、図のシミュレーションのコントラスト曲線として用いることができます。
■2.バインドされた理論上のとおり、距離CRLBラインは、新しいアルゴリズム提案し、物品の長所と短所を定義することができます。
■派生CRLBは、記事のポイントに貢献自体でその下に多くの新しいアルゴリズムの枠組みについては、3。
■シミュレーション4.、ギャップ値はCRLBは、検索エラーを助けることができる合理的です。
私は最大の利点は、モデルの種類は、一般的な方法を複製することが可能である種類の問題のCRLB、どのようなあなたの推定アルゴリズムのシーンに関係なく、何を、ということだと思います。
CRLB通信論文を含むいくつかの最近の推定アルゴリズム
CRLBの簡単な紹介
通信は、ガウスノイズモデルの下で最も重要なCRLB--です
通信の問題の99%は、ガウス雑音の仮定に基づいており、これは我々がCRLBのPDFを解決するために必要な導き出すことを前提とするのは非常に簡単であるためです。そのため、通信CRLBを解決するためのアルゴリズムは比較的簡単になります。
ベクトル状況CRLB
実際のケース
つまり、最初に計算フィッシャー情報行列、そして逆に、CRLBを取得します。
ガウス雑音のシナリオでは、さらに、特定することができる:
症例の大多数は、分散が推定されたパラメータとは何の関係もない場合、式はさらに簡略化することができます。
複雑な状況:
フィッシャー情報行列(I)は、次式で与えられます。
また、複素ガウス雑音の場合に、特定のBEに存在することがあります。