1) linear minimum mean square error estimator
线性最小均方误差估计子
2) LMMSE
线性最小均方误差估计
1.
These serials were predicted by LMMSE and AR models respectively according to their different features.
根据低频序列和高频序列的不同特性,分别采用自回归模型(AR)和线性最小均方误差估计(LMMSE)对未来网络流量进行预测,最后重新组合生成预测流量,通过对真实网络流量的仿真实验,结果显示该方法能比较准确地预测未来的网络流量。
3) Linear Minimum Mean Square Error(LMMSE) estimation
线性最小均方差(LMMSE)估计
4) MMSE
最小均方误差估计
1.
A modified single channel speech enhancement algorithm is described based on a spectral gain derived from MMSE-LSA and a minimum noise estimation approach.
提出了一种基于最小统计及短时对数谱幅度最小均方误差估计单通道语音增强算法,并在此基础上对其进行了修正。
5) SVD-LMMSE
基于奇异值分解的线性最小均方误差估计
6) LMMSE
线性最小均方误差
1.
Simulations show that the new method is better than linear minimum mean square error(LMMSE) and least square(LS) and the operation of the new method is the most simple.
仿真表明,在多径信道下新的估计方法性能优于最小二乘估计和线性最小均方误差估计,并且计算量最小。
2.
In order to reduce the equalization delay induced by iteration, two parallel methods were proposed respectively based on maximum a-posteriori probability (MAP) and linear minimum mean-squared error (LMMSE) equalization algo-rithm in Turbo equalization.
为了解决在Turbo均衡中由迭代引起的均衡延迟问题,两种分别对应于最大后验概率(MAP)和线性最小均方误差(LMMSE)均衡算法的并行均衡方案被提出。
3.
Simulations show that the bit error rate(BER) of this new algorithm is much better than Least Square(LS) algorithm,approximate to linear minimum mean square error(LMMSE) algorithm,but its complexity is less than LMMSE al.
仿真结果表明,在瑞利衰落信道下新估计方法的误比特性能优于最小二乘估计,与线性最小均方误差估计性能相似,但计算量远小于线性最小均方误差估计。
补充资料：线性最小二乘估计
以误差的平方和最小为准则根据观测数据估计线性模型中未知参数的一种基本参数估计方法。1794年德国数学家C.F.高斯在解决行星轨道预测问题时首先提出最小二乘法。它的基本思路是选择估计量使模型（包括静态或动态的，线性或非线性的）输出与实测输出之差的平方和达到最小。这种求误差平方和的方式可以避免正负误差相抵，而且便于数学处理（例如用误差的绝对值就不便于处理）。线性最小二乘法是应用最广泛的参数估计方法，它在理论研究和工程应用中都具有重要的作用，同时它又是许多其他更复杂方法的基础。线性最小二乘法是最小二乘法最简单的一种情况，即模型对所考察的参数是线性的。线性动态模型为
yk＝xθ＋εk式中数据向量xk＝[yk-1，yk-2,...,yk-n，uk-1，uk-2,...，uk-n]T；参数向量θ＝[-a1,-a2,...,-an，b1,b2,...,bn]T；εk为误差；n为模型阶数；N为数据长度（N≥2n）。
选择估计准则
使J为最小的参数估计，称为模型的线性最小二乘估计，用符号孌LS表示。可以得出
孌LS＝(XTX)-1XTY式中矩阵XT＝[xn+1，xn+2,...,xnn+N]；向量Y＝[yn+1，yn+2，...,ynn+N]T。
孌LS是数据的线性函数，因此称为线性最小二乘估计。它的突出优点是：对于任何一组数据，只要孌LS存在，不要求了解误差序列{εk}的统计特性，便能按照J求出孌LS；算法很简单。
孌LS存在的条件是矩阵(XTX)满秩,这要求{uk}为n阶持续激励输入。
当误差序列{εk}是零均值的白噪声,并对输入、输出功率加以适当的限制时，孌LS是渐近无偏的强一致性估计,即当N →∞时,。但是对于有限的数据,上述结论不能成立,而且通常误差{εk}也不是白噪声,故一般情况下孌LS是有偏估计，这是它的缺点。为了克服这个缺点，可以采用其他改进的估计算法，例如广义最小二乘估计、辅助变量估计和极大似然估计等。
上述单输入单输出系统的线性最小二乘估计算法还可推广到多输入多输出系统，并且有相应的递推估计算法。
参考书目
G.C.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L. Payne，DynamicSystem Identification: Experi-ment Design and Data Analysis, Academic Press, NewYork,1977.)
yk＝xθ＋εk式中数据向量xk＝[yk-1，yk-2,...,yk-n，uk-1，uk-2,...，uk-n]T；参数向量θ＝[-a1,-a2,...,-an，b1,b2,...,bn]T；εk为误差；n为模型阶数；N为数据长度（N≥2n）。
选择估计准则
使J为最小的参数估计，称为模型的线性最小二乘估计，用符号孌LS表示。可以得出
孌LS＝(XTX)-1XTY式中矩阵XT＝[xn+1，xn+2,...,xnn+N]；向量Y＝[yn+1，yn+2，...,ynn+N]T。
孌LS是数据的线性函数，因此称为线性最小二乘估计。它的突出优点是：对于任何一组数据，只要孌LS存在，不要求了解误差序列{εk}的统计特性，便能按照J求出孌LS；算法很简单。
孌LS存在的条件是矩阵(XTX)满秩,这要求{uk}为n阶持续激励输入。
当误差序列{εk}是零均值的白噪声,并对输入、输出功率加以适当的限制时，孌LS是渐近无偏的强一致性估计,即当N →∞时,。但是对于有限的数据,上述结论不能成立,而且通常误差{εk}也不是白噪声,故一般情况下孌LS是有偏估计，这是它的缺点。为了克服这个缺点，可以采用其他改进的估计算法，例如广义最小二乘估计、辅助变量估计和极大似然估计等。
上述单输入单输出系统的线性最小二乘估计算法还可推广到多输入多输出系统，并且有相应的递推估计算法。
参考书目
G.C.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L. Payne，DynamicSystem Identification: Experi-ment Design and Data Analysis, Academic Press, NewYork,1977.)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条