[论文解读] Analytic MMSE Bounds in Linear Dynamic Systems with Gaussian Mixture Noise Statistics

Leila Pishdad, Fabrice Labeau|arXiv (Cornell University)|Jun 25, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 32被引用 5

一句话总结

本文提出了一种针对具有高斯混合（GM）噪声的线性动态系统中最小均方误差（MMSE）的解析可计算的下界和上界，利用高斯和滤波器（GSF）框架。推导出两种可实现的基于滤波器的上界，能够根据GM噪声的形状自适应调整，在高度多峰的情况下收敛至真实MMSE，从而在无需数值近似的情况下实现低复杂度的性能评估。

ABSTRACT

Using state-space representation, mobile object positioning problems can be described as dynamic systems, with the state representing the unknown location and the observations being the information gathered from the location sensors. For linear dynamic systems with Gaussian noise, the Kalman filter provides the Minimum Mean-Square Error (MMSE) state estimation by tracking the posterior. Hence, by approximating non-Gaussian noise distributions with Gaussian Mixtures (GM), a bank of Kalman filters or Gaussian Sum Filter (GSF), can provide the MMSE state estimation. However, the MMSE itself is not analytically tractable. Moreover, the general analytic bounds proposed in the literature are not tractable for GM noise statistics. Hence, in this work, we evaluate the MMSE of linear dynamic systems with GM noise statistics and propose its analytic lower and upper bounds. We provide two analytic upper bounds which are the Mean-Square Errors (MSE) of implementable filters, and we show that based on the shape of the GM noise distributions, the tighter upper bound can be selected. We also show that for highly multimodal GM noise distributions, the bounds and the MMSE converge. Simulation results support the validity of the proposed bounds and their behavior in limits.

研究动机与目标

• 解决在非高斯（高斯混合）噪声统计特性下，线性动态系统中缺乏解析MMSE界的问题。
• 提供计算高效、闭式表达的MMSE界，且不依赖于数值近似。
• 实现在复杂噪声条件下对移动目标定位的性能评估与滤波器选择。
• 将先前针对静态系统的界扩展至适用于实时跟踪的动态系统。
• 提供两种可实现的滤波器，其均方误差（MSE）作为真实MMSE的紧致、形状相关的上界。

提出的方法

• 使用状态空间表示法建立具有状态方程和测量方程的线性动态系统。
• 将过程噪声和测量噪声建模为高斯混合（GM）分布，以捕捉非高斯行为。
• 应用高斯和滤波器（GSF）作为MMSE估计器，通过一组卡尔曼滤波器追踪后验分布。
• 利用后验矩和条件期望，推导MMSE的解析下界。
• 提出两种可实现的滤波器，其均方误差（MSE）作为上界，根据GM噪声形状进行选择。
• 通过区域特定似然性和条件期望的积分计算界，利用GM分量的闭式表达式。

实验结果

研究问题

• RQ1 能否在具有高斯混合噪声的线性动态系统中推导出MMSE的解析下界和上界？
• RQ2 如何使上界具备可实现性，并使其依赖于GM噪声分布的形状？
• RQ3 在何种条件下，所提出的上界会收敛至真实MMSE？
• RQ4 能否在无需数值积分或复杂近似的情况下计算这些界？
• RQ5 在高度多峰的GM噪声分布极限下，这些界的行为如何？

主要发现

• 所提出的MMSE解析下界基于GM框架中的后验矩分解和条件期望推导得出。
• 引入两种可实现的滤波器，每种滤波器的均方误差（MSE）均作为真实MMSE的上界，根据GM噪声形状选择更紧致的上界。
• 在高度多峰的GM噪声分布下，上界收敛至真实MMSE，表明在极端情况下具有紧致性。
• 这些界具有解析可处理性，避免了复杂的数值积分，从而支持实时性能评估。
• 仿真结果验证了界的有效性及其在极限情况下的收敛行为。
• 该框架将先前针对静态系统的界扩展至动态系统，使其适用于移动目标跟踪和位置感知系统。