[論文レビュー] CWCU LMMSE Estimation: Prerequisites and Properties

Mario Huemer, Oliver Lang|arXiv (Cornell University)|Dec 4, 2014

Blind Source Separation Techniques参考文献 5被引用数 3

ひとこと要約

本稿では、従来のBLUE や LMMSE のような推定器が課す厳しいグローバルな不偏性制約を緩和し、各パラメータ成分ごとに不偏性を満たすようにすることで、より柔軟な推定フレームワークを提供するコンponent-wise 条件付き不偏線形最小平均二乗誤差（CWCU LMMSE）推定器を提案する。ガウス分布および線形モデルのもとで、CWCU LMMSE 推定器は BLUE よりも事前知識をより効果的に活用でき、特にデータギャップを伴うチャネル推定において、近似的に LMMSE の性能を達成しながら条件付き不偏性を維持する。

ABSTRACT

The classical unbiasedness condition utilized e.g. by the best linear unbiased estimator (BLUE) is very stringent. By softening the "global" unbiasedness condition and introducing component-wise conditional unbiasedness conditions instead, the number of constraints limiting the estimator's performance can in many cases significantly be reduced. In this work we investigate the component-wise conditionally unbiased linear minimum mean square error (CWCU LMMSE) estimator for different model assumptions. The prerequisites in general differ from the ones of the LMMSE estimator. We first derive the CWCU LMMSE estimator under the jointly Gaussian assumption of the measurements and the parameters. Then we focus on the linear model and discuss the CWCU LMMSE estimator for jointly Gaussian parameters, and for mutually independent (and otherwise arbitrarily distributed) parameters, respectively. In all these cases the CWCU LMMSE estimator incorporates the prior mean and the prior covariance matrix of the parameter vector. For the remaining cases optimum linear CWCU estimators exist, but they may correspond to globally unbiased estimators that do not make use of prior statistical knowledge about the parameters. Finally, the beneficial properties of the CWCU LMMSE estimator are demonstrated with the help of a well-known channel estimation application.

研究の動機と目的

• BLUE などの古典的推定器が課すグローバル不偏性の制限を是正し、事前の統計的知識の活用を促進すること。
• グローバル不偏性の制約を緩和し、パラメータ成分ごとの条件付き不偏性（CWCU）制約を導入することで、より柔軟な推定フレームワークを構築すること。
• 共通ガウス分布および線形モデルの仮定のもとで、CWCU LMMSE 推定器の性質と前提条件を調査すること。
• 特に測定値が欠落する領域を含む実用的応用、例えば OFDM チャネル推定において、推定器の優位性を示すこと。
• CWCU LMMSE 推定器が LMMSE に近い性能を達成しながらも、条件付き不偏性を維持できることを示し、BLUE とは対照的である。

提案手法

• パラメータと測定値が共通ガウス分布に従うものと仮定し、条件付き期待値を用いて推定器行列とバイアス補正オフセットを導出する。
• ガウス分布に従うパラメータを有する線形モデルに対して、CWCU LMMSE 推定器を導出する。ここで、事前平均と共分散行列を用いて推定器を構築する。
• 互いに独立なパラメータが任意の分布に従う場合に拡張し、共分散行列を介して事前知識が依然として活用されることを示す。
• 64サブキャリアのシステムに10サブキャリア分のパイロット記号ギャップを含む、現実的な OFDM チャネル推定問題に推定器を適用する。
• 命題2および3を用いて、時間領域での推定結果から周波数領域での CWCU LMMSE 推定器を導出し、条件付き不偏性を保持する。
• 理論的主張の妥当性を検証するため、時間領域および周波数領域において、CWCU LMMSE、LMMSE、BLUE、および自明な推定器のベイズMSE を比較する。

実験結果

リサーチクエスチョン

• RQ1 グローバル不偏性を成分ごとの条件付き不偏性に緩和することで、線形推定器の性能と制約にどのような影響を与えるか？
• RQ2 異なるパラメータ分布の仮定のもとで、CWCU LMMSE 推定器の存在および最適性を満たす統計的要件は何か？
• RQ3 欠落データを伴う実用的状況において、CWCU LMMSE 推定器は LMMSE に近い性能を達成しながらも、条件付き不偏性を維持できるか？
• RQ4 パイロットギャップを伴う OFDM チャネル推定において、CWCU LMMSE 推定器は BLUE や LMMSE と比べてベイズMSE でどのように優れるか？
• RQ5 CWCU LMMSE 推定器がグローバル不偏推定器に還元される条件は何か？また、いつ事前知識を完全に活用できるか？

主な発見

• CWCU LMMSE 推定器は、グローバル不偏性に比べて制約を著しく軽減し、ベイズ推定における事前知識の活用をより効果的に行える。
• 共通ガウス分布の仮定のもとで、CWCU LMMSE 推定器はパラメータベクトルの事前平均と共分散行列を組み込むことで最適性能を達成する。
• 独立パラメータを有する線形モデルにおいても、CWCU LMMSE 推定器は分布が任意であっても共分散情報を利用し続ける。
• OFDM チャネル推定の例では、CWCU LMMSE 推定器は LMMSE 推定器と非常に近いベイズMSE を達成しており、特にギャップ領域（サブキャリア27〜37）では、BLUE よりも著しく優れている。
• CWCU LMMSE 推定器は、ギャップ領域を含むすべてのサブキャリアで条件付き不偏性を維持しているが、BLUE はサブキャリア32で最大ベイズMSE 約36を示す。
• 周波数領域の CWCU LMMSE 推定器は、事前共分散行列を用いた変換により導出され、ギャップ領域における補間性能が優れており、LMMSE の性能に非常に近い。