[论文解读] Estimating Speed and Damping in the Stochastic Wave Equation

W. Liu, Sergey V. Lototsky|ArXiv.org|Oct 1, 2008

Stochastic processes and financial applications参考文献 8被引用 4

一句话总结

本文提出了一种谱型最大似然估计器，用于联合估计一维随机波动方程中由空间-时间高斯白噪声驱动的波速 $\theta_1 > 0$ 和阻尼系数 $\theta_2 \in \mathbb{R}$。利用固定时间 $T$ 内解的前 $N$ 个空间傅里叶系数，证明了估计器几乎必然一致且渐近正态，波速 $\theta_1$ 的收敛率为 $N^{3/2}$，阻尼系数 $\theta_2$ 的收敛率为 $N^{1/2}$，在观测时间固定且噪声强度固定的前提下成立。

ABSTRACT

A parameter estimation problem is considered for a one-dimensional stochastic wave equation driven by additive space-time Gaussian white noise. The estimator is of spectral type and utilizes a finite number of the spatial Fourier coefficients of the solution. The asymptotic properties of the estimator are studied as the number of the Fourier coefficients increases, while the observation time and the noise intensity are fixed.

研究动机与目标

• 解决随机双曲方程的参数估计问题，拓展先前对抛物方程的研究。
• 从含噪的傅里叶系数观测中，同时估计两个未知参数——波速 $\theta_1$ 与阻尼 $\theta_2$。
• 在观测时间 $T$ 固定且噪声强度固定的前提下，研究当傅里叶模态数 $N \to \infty$ 时，最大似然估计器的渐近性质。
• 推导估计器的联合渐近分布，并确定其收敛速率。

提出的方法

• 将解 $u(t,x)$ 展开为以 $\sin(kx)$ 为基函数的傅里叶级数，得到系数 $u_k(t)$。
• 通过将最大似然原理应用于前 $N$ 个傅里叶系数 $u_k(t)$ 的联合分布，构造估计器。
• 定义关键统计量 $J_{1,N}, J_{2,N}, J_{12,N}$，它们是傅里叶系数及其在 $[0,T]$ 上时间积分的二次泛函。
• 利用大数定律与中心极限定理，分析 $u_k$ 和 $v_k$ 过程的归一化和的渐近行为。
• 通过分析归一化估计量 $N^{3/2}(\hat{\theta}_{1,N} - \theta_1)$ 与 $N^{1/2}(\hat{\theta}_{2,N} - \theta_2)$，推导极限分布。
• 归一化常数依赖于 $C(\theta_2, T)$，即阻尼参数与观测时间的函数，该函数源于解的二阶矩在长时间行为下的表现。

实验结果

研究问题

• RQ1 在随机波动方程中，波速 $\theta_1$ 与阻尼系数 $\theta_2$ 的最大似然估计器的渐近行为是什么？
• RQ2 估计器的收敛速率如何依赖于傅里叶模态数 $N$？
• RQ3 当 $N \to \infty$ 时，联合估计器的极限分布是什么？
• RQ4 加性空间-时间白噪声的存在如何影响估计效率与一致性？
• RQ5 基于傅里叶系数的谱方法能否在随机双曲PDE中实现多个参数的联合估计？

主要发现

• 最大似然估计器 $\hat{\theta}_{1,N}$ 与 $\hat{\theta}_{2,N}$ 几乎必然一致：当 $N \to \infty$ 时，有 $\hat{\theta}_{1,N} \to \theta_1$ 与 $\hat{\theta}_{2,N} \to \theta_2$ 几乎必然成立。
• 归一化估计量 $N^{3/2}(\hat{\theta}_{1,N} - \theta_1)$ 依分布收敛于均值为零、方差为 $\frac{3\theta_1}{C(\theta_2, T)}$ 的正态随机变量。
• 归一化估计量 $N^{1/2}(\hat{\theta}_{2,N} - \theta_2)$ 依分布收敛于均值为零、方差为 $\frac{1}{C(\theta_2, T)}$ 的正态随机变量。
• 函数 $C(\theta_2, T)$ 定义为：当 $\theta_2 \neq 0$ 时，$C(\theta_2, T) = \frac{e^{\theta_2 T} - \theta_2 T - 1}{2\theta_2^2}$；当 $\theta_2 = 0$ 时，$C(\theta_2, T) = \frac{T^2}{4}$，该函数控制估计器的渐近方差。
• 收敛速率在不同参数间存在差异：$\theta_1$ 的收敛率为 $N^{3/2}$，$\theta_2$ 的收敛率为 $N^{1/2}$，表明在此归一化下 $\theta_1$ 的估计更为精确。
• 在观测时间 $T$ 固定且噪声强度固定的条件下，随着傅里叶模态数 $N$ 趋于无穷，渐近正态性与一致性均得以建立。