存在关联噪声时的弱值放大与最优参数估计

我们通过解析和数值方法研究弱值放大（WVA）及相关参数估计方法在存在时间关联噪声时的性能。WVA是一种通用测量策略的特例，该策略涉及基于第二次“分区”测量的结果将数据分入不同子集。利用一个可精确分析并结合最优统计估计器的简化噪声模型，我们将WVA与一种传统测量方法进行比较。我们发现，引入WVA确实比在没有任何分区测量的情况下优化的传统技术，产生低得多的感兴趣参数方差。相比之下，采用分区测量、纳入所有分区结果及其已知关联的统计最优分析，被发现能产生——通常是轻微的——优于WVA所达到的降噪效果。这是因为简单的WVA技术并非为特定噪声环境量身定制，因此没有利用不同分区之间的关联。我们还将WVA与传统背景扣除进行比较，后者是一种熟悉的技术，通过对测量结果进行分区来消除未知的偏移或校准误差。令人惊讶的是，在我们的模型中，背景扣除被证明是平衡情形下最优分区方法的一个特例，具有类似的通常相对于WVA的轻微优势。这些结果更深入地揭示了分区测量（无论有无后选择）在提高测量精度中的作用，而这一点曾令一些人感到困惑。最后，我们给出数值结果来模拟一个更现实的实验室时间衰减关联情形，表明我们的结论适用于广泛的统计模型。