【基带】线性最小二乘估计(LS)及其几何理解

一、系统模型

线性最小二乘估计的线性模型为

其中,Y为系统输出数据,H为系统传递函数,X为系统输入,W为高斯白噪声。

二、线性LS原理推导

线性LS的代价函数如下

则通过使上述代价函数最小可得输入信号估计\hat{X},即

令代价函数J\left ( \hat{X} \right )关于\hat{X}的偏导数等于0,可得

则有

三、LS最小误差与X均方误差

线性LS估计输出数据的最小LS误差如下

其中,P=H\left ( H^{H}H \right )^{-1}H^{H}为对称幂等矩阵,P^{\perp }=I-P也为对称幂等矩阵。

被估计参数X的均方误差为

由此可知,LS方法对被估计参数,可能存在噪声放大的可能。

四、线性LS几何解释

图1 线性LS几何解释

如图1所示,系统输出数据矢量Y在N维空间R^{N}中任意位置,但是真实可能的信号矢量\hat{Y}位于R^{N}的一个k维子空间S^{k}中,其由H的k个列向量张成,即Span\left \{ h_{1},h_{2},...,h_{k} \right \},误差矢量\bigtriangleup e

在正交于信号子空间的子空间S^{n-k}中,其由矢量e_{1},e_{2},...,e_{n-k}张成,即Span\left \{ e_{1},e_{2},...,e_{k} \right \},且有R^{N}=S^{k}\bigcup S^{n-k}。图1中,\hat{Y}也可看做为基为h_{1},h_{2},...,h_{k},系数为\hat{X}中元素的线性组合。

  • 6
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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