[论文解读] Finite Sample Size Optimality of GLR Tests

George V. Moustakides|ArXiv.org|Mar 23, 2009

Geophysical Methods and Applications参考文献 16被引用 28

一句话总结

该论文提出了一种联合检测与估计框架，结合了Neyman-Pearson与贝叶斯准则，以实现有限样本规模下的最优性。证明了广泛使用的广义似然比（GLR）检验在此统一框架下是最优的，为其实用性提供了理论基础，并为变化点检测和MIMO雷达目标定位等问题引入了新型检测/估计结构。

ABSTRACT

In several interesting applications one is faced with the problem of simultaneous binary hypothesis testing and parameter estimation. Although such joint problems are not infrequent, there exist no systematic analysis in the literature that treats them effectively. Existing approaches consider the detection and the estimation subproblems separately, applying in each case the corresponding optimum strategy. As it turns out the overall scheme is not necessarily optimum since the criteria used for the two parts are usually incompatible. In this article we propose a mathematical setup that considers the two problems jointly. Specifically we propose a meaningful combination of the Neyman-Pearson and the Bayesian criterion and we provide the optimum solution for the joint problem. In the resulting optimum scheme the two parts interact with each other, producing detection/estimation structures that are completely novel. Notable side-product of our work is the proof that the well known GLR test is finite-sample-size optimum under this combined sense.

研究动机与目标

• 解决现有文献中对同时进行二元假设检验与参数估计缺乏系统性处理的问题。
• 制定一个联合检测-估计问题，使两个目标同等重要，与传统方法中将两者分开处理不同。
• 构建一个统一的数学框架，结合Neyman-Pearson（检测）与贝叶斯（估计）准则，以实现有限样本规模下的最优性。
• 证明GLR检验在此联合准则下是最优的，解决了其在有限样本性能方面长期存在的模糊性问题。
• 为实际问题（如回顾性变化点检测和目标定位）推导出新的检测与估计结构。

提出的方法

• 制定一种联合决策规则，通过在贝叶斯框架下整合检测误差与估计误差的联合代价函数，实现最小化。
• 应用贝叶斯规则并对手中未知参数进行边缘化，推导出最优检测与估计规则。
• 利用每种假设下边缘密度之间的似然比构造最优检测器。
• 引入一种广义代价函数，可容忍有界的估计误差（例如，|τ̂ − τ| ≤ m），从而得到一种平滑化的检测统计量。
• 推导出一种新型检验统计量，记为 ̄S_N，其替代了经典CUSUM统计量，并在不确定性下实现鲁棒估计的优化。
• 当参数未知时，假设变化点上的先验为均匀分布，从而导出一种在联合准则下可证明最优的GLR型检验。

实验结果

研究问题

• RQ1 能否开发一种统一框架，使检测与估计在有限样本设置下被视为同等重要的目标？
• RQ2 在联合检测-估计准则下，广泛使用的广义似然比（GLR）检验是否具有有限样本规模最优性？
• RQ3 如何将估计误差以保持最优性并支持实际实现的方式纳入检测框架？
• RQ4 当使用替代估计代价函数（如平均绝对误差）而非基于MAP的代价时，会涌现出何种新型检测/估计结构？
• RQ5 能否将GLR检验推广以处理估计不确定性，例如允许在变化点定位中存在有界误差？

主要发现

• 证明了在所提出的联合检测-估计框架下，GLR检验具有有限样本规模最优性，解决了此前对其最优性的疑虑。
• 最优检测器与估计器被推导为一种耦合结构，其中检测与估计决策相互作用，从而形成一类新型决策规则。
• 当估计误差有界（例如，|τ̂ − τ| ≤ m）时，推导出一种新型检验统计量 ̄S_N，其推广了经典CUSUM，且与GLR检验不同。
• 在变化点上先验为均匀分布时，所得到的检验 ̄S_N 被证明是一种新型GLR型检验，在估计误差鲁棒性方面优于经典CUSUM。
• 所提出的框架成功将GLR检验推广至MIMO雷达目标检测与定位等实际问题，其中检测与定位均至关重要。
• 该理论为回顾性变化点检测中的CUSUM方法提供了一种有原则的替代方案，在估计不确定性下表现出更优性能。