算法评价和误差分析

本文探讨了测量误差的评估方法,包括均方根残差(RMS)和估计误差,以及在不同条件下这些误差的具体计算公式。进一步讨论了测量值、估计值和真值之间的关系,并介绍了变换估计的协方差计算方法,包括前向传播和反向传播的原理及应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  • 记号:xx表示测量值,x^表示估计值,x¯表示真值

  • RMS(均方根)残差

    εres=[12ni=1nd(xi,x^i)2]1/2εres=[12n∑i=1nd(xi′,x^i′)2]1/2

    εres=[14n(i=1nd(xi,x^i)2+i=1nd(xi,x^i)2)]1/2εres=[14n(∑i=1nd(xi′,x^i′)2+∑i=1nd(xi,x^i)2)]1/2
  • 重要结论:考虑一个估计问题,其中N个测量由依赖于d个本质参数集的函数模型化,假定每个测量变量有标准差σσ的独立高斯噪声
    (1)ML估计算法的RMS残差(测量值到估计值的距离)是

    εres==E[||X^X||/N]1/2=σ(1d/N)1/2εres==E[||X^−X||/N]1/2=σ(1−d/N)1/2

    (2)ML估计算法的RMS估计误差(测量值到真值的距离)是
    εest==E[||X^X¯||/N]1/2=σ(d/N)1/2εest==E[||X^−X¯||/N]1/2=σ(d/N)1/2
  • 单图像误差

    εres=σ(14/n)1/2εres=σ(1−4/n)1/2

    εest=σ(4/n)1/2εest=σ(4/n)1/2
  • 重投影误差

    εres=σ(n42n)1/2εres=σ(n−42n)1/2

    εest=σ(n+42n)1/2εest=σ(n+42n)1/2
变换估计的协方差
  • 协方差的前向传播
    结论1:令vvRM中的一个具有均值v¯和协方差矩阵ΣΣ的随机变量,假定f:RMRNf:RM↦RN是一个仿射映射:定义为f(v)=f(v¯)+A(vv¯)f(v)=f(v¯)+A(v−v¯)。那么f(v)f(v)是一个具有均值f(v¯)f(v¯)和协方差矩阵AΣATAΣAT的随机变量
    结论2:令vvRM中的一个具有均值v¯和协方差矩阵ΣΣ的随机变量,假定f:RMRNf:RM↦RNv¯的邻域可微,那么在精确到一阶近似的程度。那么f(v)f(v)是一个具有均值f(v¯)f(v¯)和协方差矩阵JΣJTJΣJT的随机变量,其中JJf的雅可比矩阵在v¯的值。vv方差越小,线性近似越精确

  • 协方差的反向传播
    仿射情形,令f:RMRN是形为f(P)=f(P¯)+J(PP¯)f(P)=f(P¯)+J(P−P¯)的仿射映射,其中,JJ的秩等于M。令XXRN中的一个具有均值X¯=f(P¯)X¯=f(P¯)和协方差矩阵ΣΣ的随机变量。令f1oη:RNRMf−1oη:RN↦RM是一个映射,它把测量矢量XX映射到对应于ML估计X^的参数矢量PP。那么P¯=f1oη(X)是一个具有均值P¯的随机变量,其协方差矩阵是ΣP=(JTΣ1XJ)1ΣP=(JTΣX−1J)−1
    非线性情形,令f:RMRNf:RM↦RN是一个可微映射,而JJ是它在点P¯处的雅可比矩阵。假定JJ的秩等于M,则ffP¯的领域是一一对应的。令XXRN中的一个具有均值X¯=f(P¯)X¯=f(P¯)和协方差矩阵ΣΣ的随机变量。令f1oη:RNRMf−1oη:RN↦RM是一个映射,它把测量矢量XX映射到对应于ML估计X^的参数矢量PP。那么在一阶精度下,P¯=f1oη(X)是一个具有均值P¯的随机变量,其协方差矩阵是ΣP=(JTΣ1XJ)1ΣP=(JTΣX−1J)−1

  • 超参数化,JJ的秩是d<M
    协方差的反向传播,超参数情形。令f:RMRNf:RM↦RN是一个可微映射,它把一组参数P¯映射到测量矢量XX。令SP是嵌入RMRM中过点P¯dd维光滑流形并使得映射f在流形SPSP上的P¯的一个邻域内是一一对应的,ffSp邻域映射到RNRN上的流形f(SP)f(SP)。函数ff有一个局部逆函数,记为f1,它限制在曲面f(Sp)f(Sp)X¯的一个邻域内。定义RNRN上一个具有均值X¯和协方差ΣxΣx的高斯分布,并令η:RNf(Sp)η:RN↦f(Sp)RNRN的点映射到f(SP)f(SP)上并在Mathlanobis范数||.||Σx||.||Σx意义下最近的点。RNRN上具有协方差矩阵ΣxΣx的概率分布通过f1oηf−1oη诱导RMRM上的概率分布,它在一阶精度下的协方差矩阵是

    Σp=(JTΣ1xJ)+A=A(ATJTΣ1xJA)1ATΣp=(JTΣx−1J)+A=A(ATJTΣx−1JA)−1AT

    其中AA是任意m×d矩阵,它的列矢量生成SpSp的过点P¯的切空间

    反向传播过程:Xf(Sp)PX↦f(Sp)↦P

结论:令f:RMRNf:RM↦RN是一个可微映射,它把一组参数P¯映射到测量矢量X¯,并令JJf的雅可比矩阵。设RNRN上一个具有协方差矩阵ΣxΣx的高斯分布定义在X¯,同时令f1oη:RNRMf−1oη:RN↦RM是把一个测量XX映射到约束在局部正交于J的零空间曲面SpSp上的MLE参数矢量PP的映射。那么f1oη诱导在RMRM上的一个分布,它的协方差矩阵在一阶精度下是Σp=(JTΣ1xJ)+Σp=(JTΣx−1J)+
当约束是||P||=1||P||=1时,满足约束在局部正交于JJ的零空间曲面Sp上的MLE参数矢量PP

应用

  • 单图像误差变换H的协方差矩阵
    (1)计算H^
    (2)计算Jf=X/hJf=∂X′/∂h
    (3)Σp=(JTfΣ1XJf)+Σp=(JfTΣX′−1Jf)+

    • 估计点转移的误差,xx是没有用于计算H的点,x=Hxx′=Hx

      Σx=JhΣhJTh+JxΣxJTxΣx′=JhΣhJhT+JxΣxJxT
    • xx距离计算H的点集较远时,误差更大

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值