CRB 一篇文章搞定克拉美罗界 _函数

起因：
二郎最近在研究LBL（长基线）定位，大部分论文都提到了文中算法获得的方差接近CRB，所以自己的算法性能较好。于是二郎就想知道克拉美罗界是什么意思，以及能应用的场景。
经过：
1）查文档：
克拉美罗界：为无偏估计量的方差确定一个下界，衡量无偏估计的性能。
无偏估计：估计方法获得结果的平均值和真实值的差为0，这里通俗一点讲是，我用一种方法，获得一个结果，这个结果是在真实结果的附近波动，并且结果的平均误差为0（高斯、0均值扰动）。
方差：统计学的定理，描述了一组数据中单个数据与数据的平均值之间的差异，用于反应数据的波动程度（这里说方差其实有两个对象：1）计算/测量结果：方差可以说明计算/测量是否稳定，在输入存在波动时，输出是否还能稳定；2）数据：这里仅仅表示了数据的波动情况，没有什么实质的含义）
下界：方差的下界一般认为是能达到的最好结果，即，我有一组带有方差的输入，获得输出，那么输出结果的波动程度是不会小于这个下界的，也就是说我结果越接近这个下界，我算法的性能越好。
无偏估计的性能：包括准确性（偏差）和稳定性（方差）
2）存在问题：
查文档后，二郎对CRB有了一个初步了解，这里存在疑惑
①输入数据的方差怎么获得？
②CRB只需要知道我输入数据的方差，就能得到整个定位算法的CRB么？完全不需要管我如何使用的这些数据？以及这些数据和最终结果的关系？
【CRB一篇文章搞定克拉美罗界】①很多人以及很多方程都会讲，使用方差，但是他们并没有说方差怎么来的
二郎推断，方差可以这么来：实测和理论
实测：一个数据是由一个或多个设备获得的，利用设备测量大量的数据，可以获得设备测量的方差，如果有真实值，还可以判断是否是无偏。实测获得方差后，就可以拿回实验室，去用CRB计算我们的下边界了。
理论：学术上或者工程上，有很多人分享了，不同测量设备获得的数据的方差在哪个范围，在研究中，我们可以直接拿来用，认为数据是存在这样的方差。
②CRB和估计方法无关（也就是我们如何利用数据，计算结果的公式），只是通过已有数据，获得最好的估计结果。
先学习两个名词
似然函数：对于给定的观测数据，似然函数表示在不同参数值的条件下，观测数据的概率密度或概率质量。（也就是说，似然函数就是一个函数，这个函数能反应数据的统计规律。函数使用不同参数，反应的统计规律不同。要想找到最能反应当前一组数据的统计规律的参数，就要用到最大似然估计方法）（高斯分布/正太分布就是似然函数的一种，求里面的参数：均值和方差，就是最大似然估计解决的问题）
这里为啥要提似然函数？
因为CRB研究的是方差的下界，而似然函数是描述误差分布的函数，方差越小，正太分布（一种常用的似然函数）的峰值越高，表示得到估计结果的精度越高，而这个精度的下边界，就是CRB要求解的问题。
似然函数会涉及到函数之间的相乘，为了方便，把乘法变成加法（这里用的最多的是声学，用了dB ，分贝，把所有的乘法都变成了加法，把所有的除法都变成了减法，以至于，很多人说，看不懂）
对数似然函数：求似然函数的对数，也就是加一个lg或者ln，很简单，不用想太复杂，只是一个表现形式的差异性质不变。似然函数取极值的地方，对数似然函数同样是取极值。
函数一阶导：斜率，变化速率。横轴取x时，导数等于0，表示函数在x点取极值。
函数二阶导：曲率，弯曲程度。二阶导为0 ，表示凹凸发生了变化，表示该点为极值点或者拐点。
对于以x为变量的高斯函数而言，其拐点在x=μ（均值）；
对对数似然函数进行求导
发现函数的二阶导是个固定值，只和σ有关，高斯函数的曲率不随x改变而改变。二阶导绝对值越大，证明曲率越大，越陡峭。二阶导值小于0表示函数的曲线向上突，为了能把二阶导越大对应到越陡峭，因此需要负的二阶导数。
这样就可以说，似然函数（高斯函数）的负的二阶导数越大，函数越陡峭，利用符合这样分布的一组数据估计出的结果越准确。
上面是高斯函数对x进行求导，这个很好理解，但是在计算CRB时，求导的变量为平均值μ，其实是和x获得一样的结果
似然函数的负的二阶导的导数，就是RCB
3）多数据组合的CRB：
上面我们也会发现，我们求解CRB只用了一组数据

文章插图
如果我们估计最终结果，需要多个数据，如果这几个数据独立，那么最终结果是所有方差的累加。
得到一个结果需要多个输入数据
这里有一个误区，这里其实不是简单的数据的方差相加，而是数据的方差乘以对应的系数平方，然后相加
例如，上面是对一个数据的多次测量，取平均
因此最终结果的方差为σ2/n
那么，对应的CRB为σ2/n
上面给出了期望，其实就是组成最终结果的每个变量对应的系数，例如，求平均，每个变量对那个的系数就是1/n
，乘以系数再相加
到这里会存在一个非常大的疑问，信息中，θ是它的待估计参数，而上面个一直在说对x求导。
费希尔信息（）（有时简称为信息[1]）是一种测量可观察随机变量X携带的关于模型X的分布的未知参数θ的信息量的方法。
意思就是说，我有一组测量的数据X，我不知道它们是如何分布的，但是我能通过信息判断，我从当前这些数据X中，估计其分布（也就是获得似然函数参数）的靠谱程度。这楼里的信息量指，手里拿的这些数据，反应整体数据分布的可靠性（置信概率）。
高斯函数的参数θ有均值μ和方差σ2
这里的费希尔信息是高斯函数对μ求二阶导，结果和对x求二阶导一致，所以上面容易造成误导（高斯函数的均值μ更好确定，而且更多信息包含在该信息上面，因此这里用μ来求整体的信息量）
CRB是信息的倒数→CRB是信息的倒数→CRB是信息的倒数
小知识：
1）贝叶斯统计：用于处理不确定性和随机性的问题，将主观先验知识（在求一组数据的概率分布时，我们会事先假设它符合哪种分布，对应哪种似然函数，似然函数的参数大概是多少）与数据（观察到的实际数据）相结合，从而得出关于参数的后验概率分布（先验+数据，得到的概率分布，就是后验概率分布）。
先验概率分布：在收集数据之前，我们通常有一些主观的先验知识或经验，用一个概率分布来描述参数的不确定性。似然函数：通过收集实验或观测数据，我们可以得到似然函数，它描述了在给定参数下观察到数据的可能性。后验概率分布：利用贝叶斯定理，将先验概率分布和似然函数相结合，得出关于参数的后验概率分布。后验概率是在考虑了先验知识和实验数据后，参数值的可能性。贝叶斯估计：从后验概率分布中提取有关参数的信息，例如计算均值、中位数、最大似然估计等，用于参数估计和推断。