Nakagami-m 分布估计量方差的下界
机器学习
2014-02-04 v1
摘要
最近，我们提出了一种用于估计 Nakagami-m 分布参数的最大似然迭代算法。该技术在此分布的估计方面优于现有最先进的估计技术。这在低数据量或基于块的估计问题中可能特别有用。在这些场景中，估计量应能够在均方意义上用较少的数据给出准确的估计。此外，估计值应随着接收块数量的增加而提高。在本文中，我们通过模拟看到，我们的提案很好地满足了这些要求。此外，文献中众所周知，对于 Nakagami-m 分布不存在有效估计量。在本文中，我们推导了我们所提估计量方差的理论表达式。我们发现该表达式清楚地拟合了所提估计量方差的实验曲线。该表达式非常接近 Cramer-Rao 下界 (CRLB)。
引用
@article{arxiv.1402.0452,
title = {A Lower Bound for the Variance of Estimators for Nakagami m Distribution},
author = {Rangeet Mitra and Amit Kumar Mishra and Tarun Choubisa},
journal= {arXiv preprint arXiv:1402.0452},
year = {2014}
}