Languisher

估计与统计识别

20 min

估计与统计识别研究的核心问题是：当我们只能观察到有限的随机样本时，如何从这些样本中推断隐藏在背后的未知参数。换言之，我们并不知道真实世界的概率分布，但我们假设它属于某个参数化模型族，然后试图用数据把其中的参数“识别”出来。

例如，假设观测数据来自正态分布 N(m,σ2)N(m,\sigma^2)，那么问题就变成：如何根据样本 X1,…,XnX_1,\dots,X_n 估计均值 mm 和方差 σ2\sigma^2？这就是参数估计问题。更一般地，设未知参数为

θ∈Θ⊂Rp\theta \in \Theta \subset \mathbb{R}^p

我们希望构造一个只依赖观测数据的函数

θ^n=F(X1,…,Xn)\hat{\theta}_n = F(X_1,\dots,X_n)

使得它在某种意义下接近真实参数 θ\theta。

随机变量知识点回顾

随机变量的均值、方差与协方差

在统计估计中，我们首先需要一种语言来描述随机变量的“中心位置”和“波动程度”。对于随机变量 XX，其期望 E[X]\mathbb{E}[X] 描述平均水平；方差 Var(X)\mathrm{Var}(X) 描述它围绕均值的波动强度；协方差 Cov(X,Y)\mathrm{Cov}(X,Y) 描述两个随机变量之间是否倾向于一起变化。

对于一般函数 g(X)g(X)，期望可以写成

E[g(X)]=∑xg(x)P(X=x)=∫g(x)fX(x),dx\mathbb{E}[g(X)] = \sum_x g(x)\mathbb{P}(X=x) = \int g(x)f_X(x),dx

其中离散情形使用求和，连续情形使用积分。

方差定义为

Var(X)=E[(X−E[X])2]=E[X2]−E[X]2\mathrm{Var}(X) = \mathbb{E}\left[(X-\mathbb{E}[X])^2\right] = \mathbb{E}[X^2]-\mathbb{E}[X]^2

它有一个非常重要的缩放性质：

Var(aX+b)=a2Var(X)\mathrm{Var}(aX+b)=a^2\mathrm{Var}(X)

也就是说，平移不改变波动大小，缩放会按平方放大波动。

如果 X,YX,Y 是两个随机变量，则

Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)\mathrm{Var}(X+Y) = \mathrm{Var}(X)+\mathrm{Var}(Y)+2\mathrm{Cov}(X,Y)

其中协方差为

Cov(X,Y)=E[XY]−E[X]E[Y]\mathrm{Cov}(X,Y) = \mathbb{E}[XY]-\mathbb{E}[X]\mathbb{E}[Y]

如果 XX 与 YY 独立，则 Cov(X,Y)=0\mathrm{Cov}(X,Y)=0，但反过来一般不成立。

对于随机向量 XX，协方差不再是一个数，而是一个矩阵：

Cov(X)=E[(X−E[X])(X−E[X])T]\mathrm{Cov}(X) = \mathbb{E}\left[(X-\mathbb{E}[X])(X-\mathbb{E}[X])^T\right]

它的第 ii 个对角元素就是第 ii 个分量的方差。一个常用的整体波动度量是

Var(X)=tr(Cov(X))\mathrm{Var}(X)=\mathrm{tr}(\mathrm{Cov}(X))

即协方差矩阵的迹。

常见概率分布

统计估计经常建立在具体的概率模型上。常见分布包括均匀分布、指数分布、正态分布、Gamma 分布和负二项分布。

均匀分布 U[a,b]U[a,b] 表示随机变量在区间 [a,b][a,b] 上“等可能”取值，其密度为

fX(x)=1b−a1[a,b](x)f_X(x)=\frac{1}{b-a}\mathbf{1}_{[a,b]}(x)

期望和方差分别为

E[X]=a+b2,Var(X)=(b−a)212\mathbb{E}[X]=\frac{a+b}{2}, \qquad \mathrm{Var}(X)=\frac{(b-a)^2}{12}

指数分布 E(λ)E(\lambda) 常用于描述等待时间，其密度为

fX(x)=λe−λx1R+(x)f_X(x)=\lambda e^{-\lambda x}\mathbf{1}{\mathbb{R}+}(x)

期望和方差为

E[X]=1λ,Var(X)=1λ2\mathbb{E}[X]=\frac{1}{\lambda}, \qquad \mathrm{Var}(X)=\frac{1}{\lambda^2}

正态分布 N(m,σ2)N(m,\sigma^2) 是统计学中最核心的分布之一，其密度为

fX(x)1σ2πexp⁡(−(x−m)22σ2)f_X(x) \frac{1}{\sigma\sqrt{2\pi}} \exp\left( -\frac{(x-m)^2}{2\sigma^2} \right)

其中 mm 控制中心位置，σ2\sigma^2 控制波动大小。

多元正态分布 可以看作正态分布在向量空间中的推广。如果

X∼N(μ,Σ)X\sim \mathcal{N}(\mu,\Sigma)

其中 X∈RdX\in\mathbb{R}^d，则其密度为

fX(x)1(2π)d/2(det⁡Σ)1/2exp⁡(−12(x−μ)TΣ−1(x−μ))f_X(x) \frac{1}{(2\pi)^{d/2}(\det\Sigma)^{1/2}} \exp\left( -\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu) \right)

这里 μ\mu 是均值向量，Σ\Sigma 是协方差矩阵。指数项中的

(x−μ)TΣ−1(x−μ)(x-\mu)^T\Sigma^{-1}(x-\mu)

可以理解为一种带协方差归一化的距离，也叫 Mahalanobis 距离。

频率学派参数估计：从样本到未知参数

参数估计的基本设定是：我们观察到一个 nn-样本 (X1,…,Xn)(X_1,\dots,X_n), 它们通常被假设为独立同分布，并来自某个参数化概率模型 fθ:θ∈Θ{f_\theta:\theta\in\Theta} 真实参数 θ\theta 未知，而我们的目标是根据样本构造估计量

θ^n=F(X1,…,Xn)\hat{\theta}_n=F(X_1,\dots,X_n)

估计量和估计值。估计量 θ^n\hat{\theta}_n 是随机变量，因为它依赖随机样本；当样本实际观测为 x1,…,xnx_1,\dots,x_n 时，得到的具体数值才是估计值。

评价评估量

一个自然的问题是：什么样的估计量是好的？统计学中常用几个标准来评价估计量。

首先是无偏性（unbiasedness）。估计量 θ^n\hat{\theta}_n 的偏差定义为

B(θ^n,θ)=E[θ^n]−θB(\hat{\theta}_n,\theta) = \mathbb{E}[\hat{\theta}_n]-\theta

如果

E[θ^n]=θ\mathbb{E}[\hat{\theta}_n]=\theta

则称它是无偏估计量。无偏性的意思是：如果我们无限次重复采样并计算估计量，它的平均值会等于真实参数。

但无偏并不等于好。一个估计量即使平均正确，也可能波动极大。因此还需要看方差。更强的概念是一致性（consistency）：当样本量 nn 趋于无穷时，估计量应该收敛到真实参数：

lim⁡n→+∞P(∣θ^n−θ∣>ε)=0\lim_{n\to+\infty} \mathbb{P}(|\hat{\theta}_n-\theta|>\varepsilon)=0

直观地说，数据越多，估计应越准。

一个常用充分条件是：如果估计量无偏，并且方差渐近趋于零，那么它是一致的。

均方误差：偏差和方差的统一视角

单独看偏差或方差都不完整。均方误差（mean squared error，MSE）或二次风险定义为

RQM(θ^n,θ)=E[(θ^n−θ)2]\mathrm{RQM}(\hat{\theta}_n,\theta) = \mathbb{E}\left[ (\hat{\theta}_n-\theta)^2 \right]

它可以分解为

RQM(θ^n,θ)=Var(θ^n)+B(θ^n,θ)2\mathrm{RQM}(\hat{\theta}_n,\theta) = \mathrm{Var}(\hat{\theta}_n) + B(\hat{\theta}_n,\theta)^2

在选择估计量时，不能机械地追求无偏，而应该结合一致性、方差、均方误差、可计算性以及模型假设的合理性。

经验估计

最简单的估计方法是用样本对应总体。总体均值可以用样本均值估计：

X‾n=1n∑i=1nXi\overline{X}_n = \frac{1}{n}\sum_{i=1}^n X_i

它满足

E[X‾n]=E[X],Var(X‾n)=Var(X)n\mathbb{E}[\overline{X}_n]=\mathbb{E}[X], \quad \mathrm{Var}(\overline{X}_n) = \frac{\mathrm{Var}(X)}{n}

因此，当 nn 增大时，样本均值会越来越稳定。

总体方差可以用经验方差估计：

Vn=1n∑i=1n(Xi−X‾n)2V_n = \frac{1}{n}\sum_{i=1}^n (X_i-\overline{X}_n)^2

但它通常是有偏的。为了得到无偏估计，我们使用修正经验方差：

V~n=nn−1Vn=1n−1∑i=1n(Xi−X‾n)2\widetilde{V}_n = \frac{n}{n-1}V_n = \frac{1}{n-1}\sum_{i=1}^n (X_i-\overline{X}_n)^2

矩估计

矩估计（method of moments） 的思想非常朴素：如果模型参数决定了分布的矩，那么我们可以让理论矩等于样本矩，从而反解参数。

设

mk(θ)=Eθ[Xk]m_k(\theta)=\mathbb{E}_\theta[X^k]

是模型在参数 θ\theta 下的 kk 阶矩，而样本矩为

m^k=1n∑i=1nXik\hat{m}_k = \frac{1}{n}\sum_{i=1}^n X_i^k

矩估计就是解方程

mk(θ^n)=m^km_k(\hat{\theta}_n)=\hat{m}_k

如果参数是多维的，就需要多个矩方程。

矩估计的动机是大数定律：当样本量足够大时，样本矩会收敛到理论矩。因此，只要映射 θ↦mk(θ)\theta\mapsto m_k(\theta) 足够好，矩估计通常具有一致性。

更一般地，也可以不用 XkX^k，而使用任意合适的连续函数 gg：

Eθ[g(X)]≈1n∑i=1ng(Xi)\mathbb{E}_{}\theta[g(X)] \approx \frac{1}{n}\sum_{i=1}^n g(X_i)

这体现了矩估计的本质：用样本平均逼近总体期望。

最大似然估计：选择最能解释数据的参数

最大似然估计（maximum likelihood estimation，MLE） 是参数估计中最重要的方法之一。它的核心思想是：既然数据已经发生了，那么我们选择使这些数据出现概率最大的参数。

对于独立同分布样本 x1,…,xnx_1,\dots,x_n，似然函数定义为

Ln(θ;x1,…,xn)=fθ(x1,…,xn)=∏i=1nfθ(xi)L_n(\theta;x_1,\dots,x_n) = f_\theta(x_1,\dots,x_n) = \prod_{i=1}^n f_\theta(x_i)

最大似然估计为

θ^=arg⁡max⁡θ∈ΘLn(θ;x1,…,xn)\hat{\theta} = \arg\max_{\theta\in\Theta} L_n(\theta;x_1,\dots,x_n)

由于乘积形式不方便计算，通常取对数，得到对数似然：

ℓn(θ)=log⁡Ln(θ)=∑i=1nlog⁡fθ(xi)\ell_n(\theta) = \log L_n(\theta) = \sum_{i=1}^n \log f_\theta(x_i)

于是

θ^=arg⁡max⁡θ∈Θℓn(θ)\hat{\theta} = \arg\max_{\theta\in\Theta} \ell_n(\theta)

最大似然估计的优势在于它直接利用了完整的概率模型，而不是只匹配若干个矩。因此在正则条件下，MLE 通常具有一致性、渐近正态性和渐近有效性。

为了计算 θ^\hat{\theta}，往往通过对 lnl_{n} 关于参数 θ\theta 求偏导，并通过求解一阶条件

∂ℓn(θ)∂θ=0\frac{\partial \ell_n(\theta)}{\partial \theta}=0

来寻找极值点，再结合二阶导数或其他条件判断其是否为最大值。

Fisher 信息与 Cramér-Rao 下界

如果说方差刻画估计量的不确定性，那么 Fisher 信息刻画数据中关于参数的信息量。对数似然对参数的导数称为 score：

∂∂θlog⁡Ln(θ;X1,…,Xn)\frac{\partial}{\partial\theta} \log L_n(\theta;X_1,\dots,X_n)

Fisher 信息矩阵定义为

Mf(θ)=Cov(∂∂θlog⁡Ln(θ;X1,…,Xn))M_f(\theta) = \mathrm{Cov} \left( \frac{\partial}{\partial\theta} \log L_n(\theta;X_1,\dots,X_n) \right)

在正则条件下，也可以写成

Mf(θ)=−E[∂2∂θi∂θjlog⁡Ln(θ;X1,…,Xn)]i,jM_f(\theta) = -\mathbb{E} \left[ \frac{\partial^2}{\partial\theta_i\partial\theta_j} \log L_n(\theta;X_1,\dots,X_n) \right]_{i,j}

Fisher 信息越大，说明似然函数对参数变化越敏感，因此数据越能区分不同参数。Cramér-Rao 不等式给出了无偏估计量方差的理论下界：

Cov(θ^n)≥Mf(θ)−1\mathrm{Cov}(\hat{\theta}_n) \geq M_f(\theta)^{-1}

这意味着任何无偏估计量都不可能突破这个下界。如果某个估计量达到了这个下界，则称它是有效估计量。

更具体地，如果存在某个函数 FF 使得

∂∂θlog⁡Ln(θ;X1,…,Xn)=Mf(θ)(F(X1,…,Xn)−θ)\frac{\partial}{\partial\theta} \log L_n(\theta;X_1,\dots,X_n) = M_f(\theta) \left( F(X_1,\dots,X_n)-\theta \right)

那么

θ^n=F(X1,…,Xn)\hat{\theta}_n=F(X_1,\dots,X_n)

就是有效估计量。

贝叶斯估计：把参数也看成随机变量

频率学派中，参数 θ\theta 是固定但未知的；贝叶斯学派则把 θ\theta 看成随机变量。这个视角改变了问题的形式：我们不再只是问“哪个参数最能解释数据”，而是问“观察数据之后，参数的后验分布是什么”。

设观测样本为 zz，参数先验为 π(θ)\pi(\theta)，似然为 f(z∣θ)f(z|\theta)。根据 Bayes 公式：

f(θ∣z)=f(z∣θ)π(θ)f(z)f(\theta|z) = \frac{f(z|\theta)\pi(\theta)}{f(z)}

其中

f(z)=∫f(z∣θ)π(θ),dθf(z) = \int f(z|\theta)\pi(\theta),d\theta

称为边缘似然或 evidence。

贝叶斯估计的核心对象是后验分布

π(θ∣z)∝f(z∣θ)π(θ)\pi(\theta|z) \propto f(z|\theta)\pi(\theta)

它把先验知识和观测数据结合起来。先验 π(θ)\pi(\theta) 表示观察数据之前我们对参数的认识，似然 f(z∣θ)f(z|\theta) 表示不同参数解释数据的能力，后验则表示观察数据之后的更新认识。

先验分布：非信息先验、Jeffreys 先验与共轭先验

先验分布的选择是贝叶斯方法中的关键问题。如果没有明确先验知识，可以使用非信息先验。例如，对于位置参数，可以考虑平移不变先验：

π(θ)=π(θ+θ0)\pi(\theta)=\pi(\theta+\theta_0)

对于尺度参数，可以考虑尺度不变先验：

π(θ)=λπ(λθ)\pi(\theta)=\lambda\pi(\lambda\theta)

更系统的选择是 Jeffreys 先验：

π(θ)∝det⁡I(θ),I(θ)=−E[∂2∂θi∂θjlog⁡f(Z∣θ)]\pi(\theta) \propto \sqrt{\det I(\theta)}, \quad I(\theta) = -\mathbb{E} \left[ \frac{\partial^2}{\partial\theta_i\partial\theta_j} \log f(Z|\theta) \right]

Jeffreys 先验的动机是让先验在参数重参数化下保持不变。

另一个重要概念是共轭先验。如果先验和后验属于同一分布族，则称先验是共轭的。共轭先验的好处是计算简单。例如，二项分布的参数 pp 常用 Beta 分布作为共轭先验；正态均值在方差已知时常用正态先验。

贝叶斯估计量：从后验分布到点估计

有了后验分布以后，还需要从中提取一个点估计。贝叶斯估计通过损失函数来定义“最优”。

设损失函数为

C(θ,θ^)C(\theta,\hat{\theta})

表示真实参数为 θ\theta，估计为 θ^\hat{\theta} 时的代价。给定观测 zz 后，贝叶斯估计量定义为

θ^=Tπ(z)=arg⁡min⁡TEπ[C(θ,T)∣z]\hat{\theta} = T^\pi(z) = \arg\min_T \mathbb{E}^\pi[ C(\theta,T) |z ]

也就是最小化后验期望损失：

θ^=arg⁡min⁡T∫ΘC(θ,T(z))f(θ∣z),dθ\hat{\theta} = \arg\min_T \int_\Theta C(\theta,T(z)) f(\theta|z),d\theta

不同损失函数会导出不同估计量。在平方损失下：

C(θ,θ^)=∣θ−θ^∣2C(\theta,\hat{\theta}) = |\theta-\hat{\theta}|^2

最优估计是后验均值：

θ^=E[θ∣Z=z]\hat{\theta} = \mathbb{E}[\theta|Z=z]

这也叫 MMSE 估计。

在绝对值损失下，最优估计是后验中位数；在 0−10-1 损失下，最优估计是后验众数，也就是 MAP 估计。

MAP 估计：最大后验估计

最大后验估计（maximum a posteriori，MAP） 选择使后验密度最大的参数：

θ^MAP=arg⁡max⁡θf(θ∣z)\hat{\theta}_{MAP} = \arg\max_\theta f(\theta|z)

由于

f(θ∣z)∝f(z∣θ)π(θ)f(\theta|z) \propto f(z|\theta)\pi(\theta)

因此

θ^MAP=arg⁡max⁡θf(z∣θ)π(θ)\hat{\theta}_{MAP} = \arg\max_\theta f(z|\theta)\pi(\theta)

MAP 与 MLE 的关系非常清楚：MLE 只最大化似然，而 MAP 在似然之外额外乘上先验。当先验是常数时，MAP 退化为 MLE。换句话说，MAP 可以理解为“带先验正则化的最大似然估计”。

混合模型：一个总体可能来自多个隐含群体

前面的模型通常假设数据来自单一分布。但实际问题中，一个总体往往由多个子群体混合而成。例如，人的身高数据可能来自男性和女性两个群体的混合；图像像素可能来自前景和背景的混合；聚类问题中，一个样本可能属于多个潜在类别之一。

混合模型（mixture model）假设观测变量 XX 的分布由 KK 个成分分布混合得到。设隐变量 ZZ 表示样本来自第几个成分：

Z∈{1,…,K}Z\in\{1,\dots,K\}

且

P(Z=j)=pj,∑j=1Kpj=1\mathbb{P}(Z=j)=p_j, \qquad \sum_{j=1}^K p_j=1

若第 jj 个成分的密度为 fj(x)f_j(x)，则总体密度为

f(x)=∑j=1Kpjfj(x)f(x) = \sum_{j=1}^K p_j f_j(x)

它是多个密度函数的凸组合。

混合模型的困难在于：我们只观察到 XiX_i，但不知道它来自哪个成分 ZiZ_i。这个未观测的 ZiZ_i 就是隐变量。

EM 算法：在隐变量存在时最大化似然

混合模型的似然函数通常包含求和：

L(θ)=∏i=1n∑j=1Kpjfj(xi;θ)L(\theta) = \prod_{i=1}^n \sum_{j=1}^K p_j f_j(x_i;\theta)

对数似然为

ℓ(θ)=∑i=1nlog⁡(∑j=1Kpjfj(xi;θ))\ell(\theta) = \sum_{i=1}^n \log \left( \sum_{j=1}^K p_j f_j(x_i;\theta) \right)

这个“log 里面有 sum”的结构使得直接最大化很困难。

EM 算法的思想是：如果我们知道每个样本属于哪个成分，参数估计会变得简单；虽然我们不知道，但可以在当前参数下计算每个样本属于各成分的后验概率，然后用这些概率作为软标签来更新参数。

E 步计算责任度：

p~i,j(m)=P(Zi=j∣Xi=xi,θm)=fj(xi;θm)pj(m)∑k=1Kfk(xi;θm)pk(m)\tilde{p}_{i,j}^{(m)} = \mathbb{P}(Z_i=j|X_i=x_i,\theta_m) = \frac{ f_j(x_i;\theta_m)p_j^{(m)} }{ \sum_{k=1}^K f_k(x_i;\theta_m)p_k^{(m)} }

它表示在当前参数 θm\theta_m 下，第 ii 个样本属于第 jj 个成分的概率。

M 步最大化加权完整数据对数似然：

θm+1=arg⁡max⁡θ∈Θ∑i=1n∑j=1Kp~i,j(m)log⁡(fj(xi;θ)pj(θ))\theta_{m+1} = \arg\max_{\theta\in\Theta} \sum_{i=1}^n \sum_{j=1}^K \tilde{p}{i,j}^{(m)} \log \left( f_j(x_i;\theta)p_j(\theta) \right)

EM 算法保证似然不下降：

L(θm+1)≥L(θm)L(\theta{m+1}) \geq L(\theta_m)

所以它可以看成一种“用当前模型补全隐变量，再用补全后的数据重新估计模型”的迭代过程。

线性高斯模型

线性高斯模型是估计理论中最重要的模型之一，设有 NN 次观测：

Zk=Hkθ+Bk,k=1,…,NZ_k=H_k\theta+B_k, \qquad k=1,\dots,N

其中 ZkZ_k 是观测向量，θ\theta 是未知参数，HkH_k 是已知矩阵，BkB_k 是高斯噪声：

Bk∼N(mk,Rk)B_k\sim \mathcal{N}(m_k,R_k)

并且不同 BkB_k 相互独立。

因此

Zk∼N(Hkθ+mk,Rk)Z_k\sim \mathcal{N}(H_k\theta+m_k,R_k)

我们的目标是根据所有观测 Z1,…,ZNZ_1,\dots,Z_N 估计 θ\theta。

频率学派下的 Gauss-Markov 估计

在线性高斯模型中，最大似然估计等价于加权最小二乘。其正规方程为

(∑k=1NHkTRk−1Hk)θ^N=∑k=1NHkTRk−1(Zk−mk)\left( \sum_{k=1}^N H_k^TR_k^{-1}H_k \right) \hat{\theta}_N = \sum_{k=1}^N H_k^TR_k^{-1}(Z_k-m_k)

这里 ∑k=1NHkTRk−1Hk\sum_{k=1}^N H_k^TR_k^{-1}H_k 称为正规矩阵。若其可逆，则估计量为

θ^N=(∑k=1NHkTRk−1Hk)−1∑k=1NHkTRk−1(Zk−mk)\hat{\theta}_N = \left( \sum_{k=1}^N H_k^TR_k^{-1}H_k \right)^{-1} \sum_{k=1}^N H_k^TR_k^{-1}(Z_k-m_k)

这个公式的含义很清楚：噪声协方差 RkR_k 越小，说明第 kk 个观测越可靠，因此权重 Rk−1R_k^{-1} 越大。

具体推导过程可以见 Cours 4 推导

递归最小二乘：在线估计

如果数据不是一次性给出，而是逐个到达，那么每来一个新观测都重新求逆会很低效。递归最小二乘（recursive least squares，RLS） 通过递推更新参数估计。

设

Pk=Qk−1P_k=Q_k^{-1}

表示当前估计不确定性的矩阵。给定新观测 Zk+1Z_{k+1}，更新公式为

θ^k+1=θ^k+Kk+1(Zk+1−mk+1−Hk+1θ^k)\hat{\theta}_{k+1} = \hat{\theta}_k + K_{k+1} \left( Z_{k+1}-m_{k+1}-H_{k+1}\hat{\theta}_{k} \right)

其中

Kk+1=PkHk+1TSk+1−1K_{k+1} = P_kH_{k+1}^TS_{k+1}^{-1} Sk+1=Hk+1PkHk+1T+Rk+1S_{k+1} = H_{k+1}P_kH_{k+1}^T+R_{k+1} Pk+1=Pk−Kk+1Hk+1PkP_{k+1} = P_k-K_{k+1}H_{k+1}P_k

这里的结构非常重要。括号中的

Zk+1−mk+1−Hk+1θ^kZ_{k+1}-m_{k+1}-H_{k+1}\hat{\theta}_{k}

是预测误差，也叫 innovation；Kk+1K_{k+1} 是增益，它决定新观测应该对当前估计产生多大影响。

指数遗忘

如果系统参数可能随时间变化，那么太久以前的数据不应和新数据拥有相同权重。这时引入遗忘因子 λ\lambda：

0<λ≤10<\lambda\leq 1

正规方程变为

(∑k=1NλN−kHkTRk−1Hk)θ^N=∑k=1NλN−kHkTRk−1(Zk−mk)\left( \sum_{k=1}^N \lambda^{N-k} H_k^TR_k^{-1}H_k \right) \hat{\theta}_N = \sum_{k=1}^N \lambda^{N-k} H_k^TR_k^{-1}(Z_k-m_k)

当 λ=1\lambda=1 时，没有遗忘；当 λ<1\lambda<1 时，越早的数据权重越小。

在递归公式中，对应的协方差更新为

Pk+1=1λ(Pk−Kk+1Hk+1Pk)P_{k+1} = \frac{1}{\lambda} \left( P_k-K_{k+1}H_{k+1}P_k \right)

这相当于在每一步人为增大不确定性，使模型更愿意接受新数据。

贝叶斯线性高斯估计：先验作为额外观测

在线性高斯模型中，如果我们进一步假设参数本身也服从高斯先验：

θ∼N(mθ,Rθ)\theta\sim \mathcal{N}(m_\theta,R_\theta)

并且

Zk∣θ∼N(Hkθ+mk,Rk)Z_k|\theta \sim \mathcal{N}(H_k\theta+m_k,R_k)

那么后验分布仍然是高斯分布。这是高斯分布的共轭性带来的便利。

贝叶斯正规方程为

(Rθ−1+H1:NTR1:N−1H1:N)θ^N=Rθ−1mθ+H1:NTR1:N−1(Z1:N−m1:N)\left( R_\theta^{-1} + H_{1:N}^TR_{1:N}^{-1}H_{1:N} \right) \hat{\theta}_N = R_\theta^{-1}m_\theta + H_{1:N}^TR_{1:N}^{-1}(Z_{1:N}-m_{1:N})

对应估计量为

θ^N=(Rθ−1+H1:NTR1:N−1H1:N)−1(Rθ−1mθ+H1:NTR1:N−1(Z1:N−m1:N))\hat{\theta}_N = \left( R_\theta^{-1} + H_{1:N}^TR_{1:N}^{-1}H_{1:N} \right)^{-1} \left( R_\theta^{-1}m_\theta + H_{1:N}^TR_{1:N}^{-1}(Z_{1:N}-m_{1:N}) \right)

这个公式可以理解为：贝叶斯估计把先验也当成了一条“虚拟观测”。其中 Rθ−1R_\theta^{-1} 是先验信息矩阵，mθm_\theta 是先验均值。先验越确定，RθR_\theta 越小，Rθ−1R_\theta^{-1} 越大，估计结果就越靠近先验均值。

递归形式也很自然：只需要把初始值设为

θ^0=mθ,P0=Rθ\hat{\theta}_{0}=m_\theta, \qquad P_0=R_\theta

之后使用和递归最小二乘相同的更新公式即可。

All # 课程笔记 1 # 数学 1