[论文解读] Art and theory of self-calibration.

T. A. Enßlin, H. Junklewitz+2 more|arXiv (Cornell University)|Dec 4, 2013

Scientific Measurement and Uncertainty Evaluation被引用 1

一句话总结

本文通过考虑信号与校准不确定性的非对称性，提出了一种改进的线性信号测量自校准方法，超越了标准的联合概率最大化方法。该方法引入了一种非参数化、基于信噪比过滤的校准方案，降低了系统性偏差，并在重建精度上优于传统分箱平均方法。

ABSTRACT

Response calibration is the process of inferring how much the measured data depend on the signal one is interested in. It is essential for any quantitative signal estimation on the basis of the data. Here, we investigate self-calibration methods for linear signal measurements and linear dependence of the response on the calibration parameters. The common practice is to augment an external calibration solution using a known reference signal with an internal calibration on the unknown measurement signal itself. Contemporary self-calibration schemes try to find a self-consistent solution for signal and calibration by exploiting redundancies in the measurements. This can be understood in terms of maximizing the joint probability of signal and calibration. However, the full uncertainty structure of this joint probability around its maximum is thereby not taken into account by these schemes. Therefore better schemes -- in sense of minimal square error -- can be designed by accounting for asymmetries in the uncertainty of signal and calibration. We argue that at least a systematic correction of the common self-calibration scheme should be applied in many measurement situations in order to properly treat uncertainties of the signal on which one calibrates. Otherwise the calibration solutions suffer from a systematic bias, which consequently distorts the signal reconstruction. Furthermore, we argue that non-parametric, signal-to-noise filtered calibration should provide more accurate reconstructions than the common bin averages and provide a new, improved self-calibration scheme. We illustrate our findings with a simplistic numerical example.

研究动机与目标

• 解决因忽略信号与校准不确定性非对称性而导致的传统自校准方案中的系统性偏差问题。
• 通过在似然函数最大值周围正确建模联合不确定性结构，提升信号重建精度。
• 提出一种非参数化校准方法，通过引入信噪比过滤，使其优于标准分箱平均方法。
• 证明考虑不确定性非对称性能够在校准解中实现最小均方误差的改进。
• 为现实测量场景中因偏差导致信号估计失真的自校准提供一种实用且系统化的修正方法。

提出的方法

• 该方法通过最大化信号与校准参数的联合概率来寻找自洽解，但进一步分析了最大值周围的完整不确定性结构。
• 通过显式建模信号与校准参数不确定性的非对称性，对标准自校准方法进行了系统性修正。
• 提出一种非参数化校准方案，基于信噪比对校准进行过滤，替代传统的分箱平均方法。
• 该方法采用基于似然的框架，通过费舍尔信息矩阵或黑塞矩阵近似中的高阶项将不确定性非对称性纳入模型。
• 通过一个数值实例验证了该方法，比较了标准自校准、修正自校准与所提出的非参数化方案之间的重建误差。
• 以均方误差作为性能指标评估信号重建，重点在于降低偏差。

实验结果

研究问题

• RQ1 在自校准中忽略不确定性非对称性如何导致信号重建中的系统性偏差？
• RQ2 非参数化、基于信噪比过滤的校准方案是否能在自校准中优于标准分箱平均方法？
• RQ3 对完整不确定性结构的建模对自校准信号估计的准确性有何影响？
• RQ4 在哪些测量场景中，对不确定性非对称性的系统性修正对于降低重建误差最为关键？
• RQ5 与传统自校准相比，所提出方法在均方误差和偏差方面表现如何？

主要发现

• 传统自校准方法因未考虑信号与校准不确定性中的非对称性，导致系统性偏差。
• 对不确定性非对称性的系统性修正显著降低了信号重建中的偏差，从而提升了精度。
• 所提出的非参数化、基于信噪比过滤的校准方案在重建精度上优于标准分箱平均方法。
• 改进源于对联合信号-校准估计中测量冗余性和不确定性结构的更好处理。
• 数值实例表明，修正方案的均方误差低于标准自校准方法。
• 在许多实际测量场景中，对不确定性非对称性的恰当处理对于最小化重建误差至关重要。