最大似然参数估计

        最普遍的情况是概率密度函数并不是已知的，在很多的问题中，潜在的概率密度函数必须从可用的数据中估计。例如有时可能知道概率密度函数的类型（高斯、瑞利等），但不知道具体的参数如方差或均值；相反，有时知道一些参数，但不知道概率密度的类型。有各种各样的方法解决这个问题，根据不同的已知信息采取不同的解决办法。这里介绍最大似然参数估计。

        考虑一个M类的问题，特征向量服从p(x|wi)，i=1，2，…，M的概率分布。假设似然函数以参数的形式给出，相应的参数构成未知向量θi。为了表示与θi相关，概率密度函数记为p(x|wi;θi)。目的是利用每一类中已知的特征向量集合来估计未知参数。接着进一步加假设每一类中的数据不影响其他类参数的估计，就可以用公式表达这个问题，并简化符号。最后可以各类独立地解决这样的问题。

        设x1，x2，...，xN是从概率密度函数p(x|wi;θi)中随机抽取的样本，得到联合概率密度函数p(x;θi)，其中x={x1，x2，...，xN}是样本集。假设不同的样本之间具有独立的统计性，则有

                                                                            （1）

     这是一个关于θ的函数，也称为θ关于x的似然函数。用最大似然估计法（Maximum Likelihood，ML）估计θ，计算似然函数的最大值，即

                                                                                      （2）

为了得到最大值，似然函数对θ的梯度必须为0，即

                                                                                          （3）

由于对数函数的单调性，定义对数似然函数为

                                                                                       （4）

于是式（3）等价于

                                      （5）

求解式（5）得到θ，即为参数的估计值。

        例如已知概率密度函数的类型为高斯分布，对参数进行最大似然估计：设x1，x2，...，xN是来源于已知协方差矩阵、未知均值的正态分布的样本向量，即联合概率密度函数的似然函数为

                                              （6）

其中，l为样本向量的维数。求未知均值向量的最大似然估计。

         对N个可用的样本，有对数似然函数为

                                   （7）

对未知向量μ计算梯度，得

                                                                             （8）

                                                                     即

                                                                                                   （9）

由此可知，对于高斯分布，均值向量的最大似然估计是样本均值。

同理，当均值向量和协方差均未知时可求得协方差的最大似然估计为

                                                                                       （10）

接下来以matlab语言进行实验，实验思路是通过给定均值向量和协方差矩阵生成高斯分布的40000个样本数据，然后运用最大似然估计求出样本的均值向量和协方差矩阵，其MATLAB代码如下：

mu=[2 1 3];sigma=[1 0 0;0 4 0;0 0 2];r=mvnrnd(mu,sigma,40000);%得到样本数据[x,y] = size(r);% 散点的均值计算mu1 = sum(r)/x;%最大似然估计的均值是样本均值% 散点的协方差矩阵计算a = 0;for i = 1:x    a = a + (r(i,:,:) - mu1)' * (r(i,:,:) - mu1);endsigma1 = a/x;%根据最大似然估计的公式计算disp(['最大似然估计方法估计的',num2str(y),'维均值矢量为：']);disp(mu1);disp(['最大似然估计方法估计的',num2str(y),'维协方差矩阵为：']);disp(sigma1);

运行结果如下

                                              

从运行结果可知，有一定的估计误差，通过公式err=||u1-u2||来衡量估计误差，其中||·||表示向量和矩阵范数，一般取欧式范数。MATLAB代码如下

%估计误差Emu = norm((mu1 - mu),2);Esigma = norm((sigma1 - sigma),2);fprintf(['最大似然估计方法估计的',num2str(y),'维高斯分布的均值误差为：',num2str(Emu),'\n']);fprintf(['\n最大似然估计方法估计的',num2str(y),'维高斯分布的协方差误差为：',num2str(Esigma),'\n\n']);

运行结果如下：

                           

上文已经得到均值和协方差的ML估计，它们也能递归计算，即

                                                  （11）

且           （12）

证明过程如下