信号检测与估计理论(7)第七章 最大似然估计

数最大。 需要指出，最大似然函数不仅产生渐进有效估计，对于有限 数据也可产生有效估计。下面举例说明。
例7-4 WGN 中的直流量估计 已知观测数据为
x[n] = A + w[n]
n = 0,1,", N − 1
式中 A 为待估计参量， w[n] 是已知方差为 σ 2 的 WGN。显然 PDF （或似然函数）为 1 ⎡ 1 N −1 2⎤ p(x; A) = exp⎢− 2 ∑(x[n] − A) ⎥ N ⎣ 2σ n=0 ⎦ (2πσ 2 ) 2 取自然对数后求导 ∂ ln p(x; A) 1 N −1 = 2 ∑ ( x[n] − A]) ∂A σ n =0 令上式等于零求得 MLE 为
假设 T ( x) 是一个完全的充分统计量，则我们要找的 g 应满足
⎡ ⎛ N −1 2 ⎞⎤ E ⎢ g ⎜ ∑ x [ n] ⎟ ⎥ = A ⎠⎦ ⎣ ⎝ n =0
对于所有的 A
由于
⎡ N −1 2 ⎤ 2 E ⎢ ∑ x [ n ] ⎥ = NE ⎡ ⎣ x [ n ]⎤ ⎦ ⎣ n=0 ⎦
(
)
MVU 估计应是
N −1 ⎞ ⎛ E⎜ x [ 0 ] x 2 [ n] ⎟ ∑ ⎟ ⎜ n =0 ⎠ ⎝
（7-3）
然而，求上述条件概率是非常繁琐的事，不易得到 MVU 估计。
使用上述方法均无法找到 MVU 估计。 然而， 我们还是可以 提出一些估计，例如，考虑 A 是均值，选择估计为
x ˆ =⎧ A ⎨ 1 ⎩0
例7-5 仍考虑例 7-2 的问题（修改的 WGN 中的直流量估计，
A为待估计参量， w[n] 是方差为 A 的 WGN）
为了知道观测长度必须多大才能应用渐进结果，需要进行计 算机仿真。
ˆ 是（7-6）式， 我们已经知道修改的 WGN 中的直流量估计 A
即
N −1 1 ˆ = −1 + 1 A x 2 [n] + ∑ N n =0 2 4
^
( )
^
∑
M
i =1
ˆ A i
（7-9）
^ M ⎛ 1 ˆ = ˆ −E A ˆ var A A ⎜ ∑ i ⎜ M i=1 ⎝
()
()
⎞ ⎟ ⎟ ⎠
2
(7-10)
② 利用直方图，确定 PDF。 表 7-1 给出了 A = 1 情况下的不同数据记录长度的结果。理论 上的渐进均值和归一化（normalized）方差为
− N /2
（7-1）
ln p(x; A) = ln[( 2π A)
⎡ 1 N −1 2⎤ ] + ⎢− ∑( x[n] − A) ⎥ ⎣ 2A n=0 ⎦
对上式求 A 的偏导
∂ ln p(x; A) N 1 N −1 1 N −1 2 = − + ∑( x[n] − A) + 2 ∑(x[n] − A) ∂A 2 A A n=0 2 A n=0
1 N
∑
N −1 n=0
x 2 [ n] 服
ˆ 是随机变 从高斯分布。又由于是在大数情况下， （7-7）式中的 A ˆ 也服从高斯分布。 量的线性函数，所以 A
7.2 最大似然估计（MLE）的确定
MLE 的定义：在未知参量θ 的取值范围内，对于确定的 x ， 使似然函数 p(x;θ ) 最大的θ 值定义为 MLE。由于 p(x;θ ) 是 x 的函 数，所以最大化后产生的θˆ 也是 x 的函数。
w[1] " w[ N − 1]]
T
。
2
ˆ = −1 + A 与 w[n] 相加得出 x[ n] ，利用 A 2
1 N
∑x
n =0
N −1
[ n] +
1 4
ˆ。 计算 A
ˆ 的实现。 ③ 重复上述过程 M 次，从而产生 M 个 A
（2）统计性能:
ˆ 的均值和方差： ① 确定 A
ˆ = 1 E A M
图 7-1 给出了 x = x 0 的 p(x;θ ) 关于θ 的曲线，如果 x = x 0 确实是 已经观测到的数据，那么，可以推断θ = θ 1 是不可能的，因为如果 θ = θ 1 ，则观测到 x = x 0 的概率非常小。而 θ = θ 2 更可能是真值，因 为在这一点，观测到 x = x 0 的概率很大，因此选择 θˆ = θ 2 作为估计 量，或者说在允许的θ 范围内，使 p(x 0 ;θ ) 最大的值 θ 2 作为估计量。
ˆ) = var( A
N (A + 1 2)
2
1⎞ ⎛ 4 A2 ⎜ A + ⎟ 2⎠ ⎝
A2 = N (A + 1 2 )
根据（7-2）式，上式结果恰好是 CRLB。 综上， （7-6） 式给出的估计是渐进无偏的并渐进地获得 CRLB， 因此，它是渐进有效的。
另外， 根据中心极限定理， 当 N → ∞ 时， 随机变量
θˆ ~ N (θ , I
a
a
−1
(θ ))
（7-8）
式中符号 ~ 表示“渐进服从” ，这个结果是相当通用的，并且是论 述 MLE 的最优性的基础。 当然，在实际中，很少事先知道 N 必须多大才能满足（7-8） 式。另外，通常不可能推导出 MLE 的 PDF 的解析表达式，这样 就不能评价其性能的好坏。然而，借助计算机仿真可以评价其性 能。
2 =N⎡ ⎣ var ( x[ n ] ) + E ( x[ n ] ) ⎤ ⎦ = N ( A + A2 ) 如何选择 g 不明显， 不能简单地变换充分统计量来产生无偏估计。 我们再利用第二种方法求 MVU 估计，即确定条件概率 N −1 ˆ 是任意无偏估计。如果选择 A = x[0] ，那么 E A ∑ n = 0 x 2 [ n] ，这里 A
式中， A为待估计参量， w[n] 是方差为 A 的 WGN。因为待估计参 量 A 是观测值的均值和方差，此估计问题不同于前面的问题。
首先我们利用第 3 章介绍的 CRLB 法看能否找到满足等式 条件的 A 的 MVU。已知观测值的 PDF 为
p(x; A) =
取自然对数
1
(2πA) 2
N
⎡ 1 N −1 (x[n] − A)2 ⎤ exp⎢− ∑ ⎥ ⎣ 2 A n =0 ⎦
图 7-1 最大似然估计的原理说明
例 7-3 继续例 7-1 的问题（ A为待估计参量， w[n] 是方差为 A 的 WGN） 现在利用最大似然原则解决该问题，由（7-1）可知 PDF 为
p(x; A) =
1 (2πA)
N 2
⎡ 1 N −1 (x[n] − A)2 ⎤ exp⎢− ∑ ⎥ ⎣ 2 A n =0 ⎦
ˆ 的均值和方差，可利用线性化方法。 为了求出当 N → ∞ 时的 A
令u =
1 N
∑
N −1 n=0
ˆ ，即 x 2 [n] ， u 的函数 g (u ) = A
1 1 g (u ) = − + u + 2 4
由于当 N → ∞ ， 进行线性化如下
u=
1 N
∑x
n =0
N −1
2
[n] → A + A 2 ，则 g (u ) 在 u 0 = A + A 2 处，可
p ( x; A ) = 1 ⎡ 1 ⎛ 1 N −1 ⎞⎤ exp ⎢ − ⎜ ∑ x 2 [ n ] + NA ⎟ ⎥ exp ( N x ) ⎠⎦ ⎣ 2 ⎝ A n =0
(2πA ) 2
N
⎛ N −1 ⎞ g ⎜ ∑ x 2 [n], A⎟ ⎝ n =0 ⎠
h( x)
根 据 Neyman-Fisher 因 式 分 解 定 理 ， A 的 充 分 统 计 量 为 N −1 T (x) = ∑n =0 x 2 [n] 。下一步就是假设 T ( x) 是完备的充分统计量的条件 下，找出一个能产生无偏估计量 的 T ( x) 的函数 g，这个函数是 A 的无偏估计。
考虑它是 A 的函数，也就是似然函数。取自然对数后微分得
N 1 N −1 ∂ ln p(x; A) 1 N −1 (x[n] − A])2 =− + ∑ ( x[n] − A]) + ∑ 2A A ∂A 2 A2 n = 0 n =0
令上式等于零可求得
ˆ2 + A ˆ− N − 1 A 2A N
∑x
7.1 问题的提出 通过举例来讨论为什么我们对近似的最优估计感兴趣。在举 例中我们可以看到，用以前的方法不能明显地找到 MVU，这 时可以考虑近似的最优估计，这个近似最优估计就是最大似 然估计（MLE） ，它近似地等于 MVU。 例 7-1 修改的 WGN 中的直流量的估计 已知观测数据为
x[n] = A+ wn [] n = 0,1,", N −1
N −1
2
⎞ 1 [n] ⎟ + ⎠ 4
对所有的 A
1 1 = − + A + A2 + = A 2 4
所以这个估计是有偏的， 然而， 它确实是合理的。 因为当 N → ∞ 时， 根据大数定律有 1 N −1 2 x [ n ] → E (x 2 [ n ] ) = A + A 2 ∑ N n=0 ˆ→A A （根据（7-6）式）有 ˆ 就称为一致估计。 因此，这个估计量 A
g (u ) ≈ g (u 0 ) +
即
ˆ ≈ A+ A ⎡1 1⎢ N A+ ⎣ 2 1 2
dg (u ) du
u =u0
(u − u 0 )
∑x
n =0
N −1
2
⎤ [n] − A + A 2 ⎥ ⎦
(
)
（7-7）
则渐进均值为
ˆ = A E A