MMSE权向量的推导

于 2024-10-03 21:28:38 发布
阅读量201 收藏 2
点赞数 6
文章标签： 算法 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qwer12344512/article/details/142696075
版权

1、书上推导过程

2、对其中关键步骤的解释

2.1 公式（2.190）的由来

所以E\left ( sx^{H} \right )就等于信号的自相关，并乘上信号的来波方向，且E\left ( sn \right )=0（噪声和信号不相关）。

2.2 公式（2.187）-（2.188）的由来

其用到了上一篇中w和w^{H}为两个变量，并去掉负号得到了公式（2.188）

MVDR波束形成算法中对其权向量的推导-CSDN博客

博客中的2.2

2.3 关键的是R_{x}^{-1} 的求解

 这是由上一篇MPDR权向量推导中解释，其中的2.2小节

MPDR权向量的推导-CSDN博客

Jeremy_12138
关注
第四章 维纳滤波原理及自适应算法
weixin_45175676的博客
05-07 3568
第四章 维纳滤波原理及自适应算法 4.1 自适应横向滤波器及其学习过程 4.2 维纳滤波器的原理 维纳滤波器的思想：假定滤波器的输入和输出都是宽平稳过程，并且知道二阶统计特性（R,P已知），那么，根据MMSE准则可以求出最优权系数。 根据MMSE准则求出的误差e(n)的功率J(w)所构成的多维空间的曲面称为误差性能面。 对误差的功率J(w)求导可以得到维纳霍夫方程。通过方程可知，欲求解最优权系数，...
lms自适应算法c语言,LMS算法(LMS自适应算法)
weixin_30831261的博客
05-23 2493
LMS算法是首先通过期望信号与实际信号的误差，再通过最陡下降法，进行与误差成一定步长的迭代运算，从而使结果更趋近于最佳值。LMS算法的原理即使将E(e^2)视为.LMS算法是指 Least mean square 算法的意思。全称 Least mean square 算法。是最小均方算法中文。感知器和自适应线zd性元件在历史上几乎是同时提出的，并且两者在.lms算法是指 least mean sq...
LS和MMSE信道估计以及Matlab仿真
weixin_45121008的博客
09-13 700
对信道估计两个方法LS和MMSE的理论推导和Matlab仿真
现代数字信号处理总结 下
我的梦
07-03 7148
本博客全部参考于UESTC电工学院何子述老师讲义复习而得，如有转载请保留此句！
现代数字信号处理第五章——维纳滤波在信号处理中的应用
qq_40438165的博客
08-18 2268
主要内容 线性滤波器及其与AR模型的互逆关系 前后向线性预测；格型滤波器；Burg算法 信道均衡 一、线性预测 \quad如下图所示包含M个抽头的滤波器，用u(n−1),u(n−2),⋯ ,u(n−M)u(n-1),u(n-2),\cdots,u(n-M)u(n−1),u(n−2),⋯,u(n−M)来预测u(n)u(n)u(n)，称为M阶线性预测LP(M)LP(M)LP(M)。 输入向量：u(n)=[u(n−1),u(n−2),⋯ ,u(n−M)]Tu(n)=[u(n-1),u(n-2),\cdot
最小均方算法（LMS）的原理
热门推荐
vvyu521的博客
07-26 8万+
LMS算法介绍 最小均方算法（Least Mean Square, LMS）是一种简单、应用为广泛的自适应滤波算法， 是在维纳滤波理论上运用速下降法后的优化延伸，早是由 Widrow 和 Hoff 提出来的。 该算法不需要已知输入信号和期望信号的统计特征，“当前时刻”的权系数是通过“上一 时刻”权系数再加上一个负均方误差梯度的比例项求得。这种算法也被称为 Widrow-Hoff LMS 算法
自适应滤波-LMS
知识搬运工的博客
11-15 1万+
https://blog.csdn.net/ljl86400/article/details/80497524?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_
线性最优离散滤波器——维纳滤波器及LCMV MVDR GSC （自适应滤波）
FPGA萌新的博客
05-16 3568
随便写写：我发现我越来越懒了，之前还能保证一周一篇博文，现在不仅懒得写东西，也懒得写博文，每天在王者荣耀里和傻屌队友怄气，我觉得这样不好，所以这里定个小目标，至少每两周更一次，希望能够坚持到下学期开学。 言归正传：这次介绍维纳滤波器，之前我一直在做FPGA相关的内容，但是这学期导师给我安排任务，说组里有个项目需要在阵列上做波束成形，安排我来做DOA估计和波束成形，在摸索了两个月后，我终于也是慢慢了解了方向，现在就先从滤波器讲起，计划今年九月前能够吧波束成形和doa估计的内容也写出来。以下内容参考第四版的《自
维纳滤波和卡尔曼滤波
西岸贤
01-01 7797
本文的主要内容是维纳滤波和卡尔曼滤波的介绍，包含匹配滤波器、维纳滤波器、维纳预测、卡尔曼滤波等内容。
MIMO介绍与MMSE均衡原理推导
08-12
MMSE均衡器的推导通常基于贝叶斯决策理论，首先建立信号模型，然后求解期望均方误差最小化的均衡滤波器。假设我们有N个接收天线和M个发射天线，信道矩阵为H，MMSE均衡器的目标是找到一个滤波器W，使得均衡后信号的...
基于mmse的信道估计算法
05-02
里面介绍了LS,MMSE算法,并且有LMMSE和SVD作为对MMSE算法的改进.Y()=DFT(y(n))-N2y(nje (7) n=0,1,…,N-1 Y(k)也可以表示为 Y(k)=x(k)H(k)+/(k)+W() (8) 其中,H(k)是信道的频域响应,I(κ)是多普勒频移带来的...
MMSE.rar_MMSE 信道估计_mmse_信道估计_通信
07-15
本文将详细探讨"MMSE"（Minimum Mean Square Error，最小均方误差）信道估计方法，以及它在通信领域的应用。 MMSE信道估计是一种优化的估计方法，其目标是最小化估计值与真实值之间的均方误差。在无线通信中，信号...
矩阵形式的MMSE接收机线性滤波矩阵的推导过程（含迹的求导）
KnightPalace的博客
03-04 844
矩阵形式的MMSE接收机线性滤波矩阵的推导过程（含迹的求导）
二叉树最小深度
2301_80161204的博客
09-27 473
25[0, 105]
使用Python实现图形学的纹理映射算法
qq_42568323的博客
09-27 1284
纹理映射的基本概念是将二维图像（纹理）应用于三维模型的表面，以便在渲染时提供更多的细节和视觉效果。纹理坐标生成：为每个顶点生成对应的纹理坐标，通常使用归一化的二维坐标系统。纹理采样：根据生成的纹理坐标从纹理图像中获取颜色值。光照计算：结合光照模型，计算最终颜色，产生更真实的效果。图像合成：将计算得到的颜色与其他渲染信息合成，生成最终图像。纹理映射不仅可以用于简单的颜色填充，还可以模拟表面细节、光照变化等，提升渲染效果。
904. 水果成篮
YQ20210216的博客
09-27 369
转化，找出一个最长的子数组长度，子数组中不超过两种类型的水果，要记录水果类型和水果数量，所以要使用unord_map，key来记录水果中类，valuse记录水果数量，当right开始增加的时候，将水果种类加入到哈希表中，当水果中类超过两种时，控制left使得水果种类回到两种。你想要尽可能多地收集水果。你正在探访一家农场，农场从左到右种植了一排果树。这些树用一个整数数组。，返回你可以收集的水果的。
＜使用生成式AI对四种冒泡排序实现形式分析解释的探讨整理＞
最新发布
m0_57859086的博客
10-01 1015
/冒泡排序实现1——不常用（这个版本两层for循环分别是i++、j++）// 声明三个整型变量i、j和temp用于循环控制和交换元素for (i = 0;i < n - 1;i++) { // 外层循环，从数组的第一个元素开始遍历到倒数第二个元素j < n;j++) { // 内层循环，从当前外层循环位置的下一个元素开始遍历到最后一个元素if (A[i] > A[j]) { // 如果当前元素大于下一个元素// 将当前元素存储到临时变量temp中// 将下一个元素赋值给当前元素。
算法：按既定顺序创建目标数组
AWSDN的博客
09-29 222
本文主要介绍按既定顺序创建目标数组问题
生成mmse信道估计算法的理论推导
05-30
MMSE信道估计算法是一种基于贝叶斯定理的信道估计方法，它的理论推导过程如下： 假设在接收端，收到了OFDM符号$x$，它的第$k$个子载波的信号为$s_k$。我们假设信道为时不变的瑞利衰落信道，即： $$h_k = \alpha_k + j\beta_k$$ 其中，$\alpha_k$和$\beta_k$分别为瑞利衰落信道的实部和虚部，服从高斯分布，即： $$\alpha_k \sim \mathcal{N}(0,\sigma^2)$$ $$\beta_k \sim \mathcal{N}(0,\sigma^2)$$ 我们假设在第$k$个子载波上，发送了一个已知的DMRS参考信号$d_k$，则接收到的信号为： $$y_k = h_kd_k + n_k$$ 其中，$n_k$为高斯白噪声，服从$\mathcal{N}(0,N_0)$。 我们需要对信道进行估计，假设我们的估计结果为$\hat{h}_k$，则我们可以计算估计误差： $$e_k = h_k - \hat{h}_k$$ 我们可以得到信道估计的均方误差： $$\text{MSE} = E[|e_k|^2]$$ 为了最小化均方误差，我们需要找到一个最优的估计方法。由于信道是服从高斯分布的，我们可以采用最小均方误差（MMSE）准则进行估计，即： $$\hat{h}_k = E[h_k|y_k]$$ 根据贝叶斯定理，我们可以将条件概率转化为先验概率和似然函数： $$\hat{h}_k = \frac{f_{y_k|h_k}(y_k|h_k)f_{h_k}(h_k)}{f_{y_k}(y_k)}$$ 其中，$f_{y_k|h_k}(y_k|h_k)$表示在已知信道$h_k$的情况下，接收到信号$y_k$的概率密度函数；$f_{h_k}(h_k)$表示信道$h_k$的先验概率密度函数；$f_{y_k}(y_k)$表示接收到信号$y_k$的概率密度函数。 我们假设噪声$n_k$是高斯白噪声，那么在已知信道$h_k$的情况下，接收到信号$y_k$的概率密度函数可以表示为： $$f_{y_k|h_k}(y_k|h_k) = \frac{1}{\sqrt{2\pi N_0}}\exp\left(-\frac{|y_k-h_kd_k|^2}{2N_0}\right)$$ 信道$h_k$的先验概率密度函数可以表示为： $$f_{h_k}(h_k) = \frac{1}{\pi \sigma^2}\exp\left(-\frac{|h_k|^2}{\sigma^2}\right)$$ 接收到信号$y_k$的概率密度函数可以表示为： $$f_{y_k}(y_k) = \int_{-\infty}^{\infty} f_{y_k|h_k}(y_k|h_k)f_{h_k}(h_k)dh_k$$ 将上述三个式子代入到MMSE估计公式中，我们可以得到： $$\hat{h}_k = \frac{1}{\sigma^2/N_0 + d_k^2}\left(\frac{\alpha_kd_k + \beta_kj\sum_{i=1,i\neq k}^N\alpha_id_i^*}{N_0} + y_k \right)$$ 这就是MMSE信道估计算法的理论推导过程。我们可以看到，MMSE信道估计算法是一种基于贝叶斯定理的估计方法，通过最小化均方误差来得到最优的信道估计结果。同时，我们也可以看到，MMSE信道估计算法的计算复杂度相对较高，需要进行多次复杂的数学计算。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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