重点关注: 知道如何使用普通最小二乘法(OLS)估计未知参数。
如中所述上一个帖子通常需要估计接收机未知的参数。例如,如果在通信系统中遇到衰落信道,则需要估计信道响应并抵消接收期间的衰落影响。
假设和模型选择:
对于任何估计算法,都必须做出某些假设。主要假设之一是选择合适的模型进行估算。所选模型应产生最小的统计偏差,因此应提供“良好拟合”。通常使用度量来确定“拟合优度”。使用“似然比检验”、“Chi-Square检验”和“Akaike信息准则”等检验来衡量假设统计模型的优度,并对模型假设的有效性作出决定。
为了简单起见,我们只考虑多项式模型。
观测数据和最小二乘估计:
假设进行了一项实验,并观察到下表中的以下数据点。变量
是实验的输入
是获得的输出。输入变量通常被称为“回归量”、“自变量”、“操纵变量”等。同样,回归分析术语、输出变量或观测变量被称为”观测变量”、”解释变量“、”回归和“、”响应变量“等。
实验的目的是将实验拟合到具有适当参数的模型中。一旦我们知道了模型,我们就不再需要进行实验来确定任何给定任意输入的输出。我们需要做的就是使用模型并生成所需的输出。
估算算法的一般概述:
我们只有很少的数据点,在我们的案例中是四个。为了说明这一概念,我们将选择线性模型进行参数估计。高阶模型当然会提供更好的性能。记得!!!多项式阶数越多,待估计参数的数量越多,因此计算复杂度也就越高。有必要在所需性能和模型订单之间取得平衡。
我们假设数据点遵循线性趋势。因此,选择线性模型作为估计问题。
![y=\alpha_2 x+\alpha_1](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
现在,估计问题简化为寻找参数
和
。我们可以将观测变量和输入变量之间的关系写成
下一步是基于最小二乘误差准则求解上述联立方程。根据标准
和
应该产生最小总平方误差注意带下划线的单词。
让我们为上述联立方程组定义术语“误差”。一个数据点的误差(模型参数的函数)是观测数据和估计模型数据之间的差异。
![E_i(\alpha_1,\alpha_2)=y_i-\左(\alfa_2 x_i+\ alpha_1\右)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
所有平方误差之和如下所示
下一步是求解
和
这使得总平方误差最小。
我们如何找到它?运用微积分来发现这一点。分别取的偏导数
关于
和
并将其设置为零。
求解上述联立方程得到以下解
因此,模型变成
![y=3.577 x-9.923](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
使用矩阵求解:
联立方程组可以通过矩阵运算求解。在估计算法的DSP实现中,在矩阵域中工作通常很方便(尤其是当数据点数量增加时)。线性代数广泛用于在DSP处理器上实现估计算法。
上述数据点集可以用矩阵表示法表示为
定义,
联立方程组缩小为
![Xα=Y](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
假设上述方程的解必须满足最小总平方误差$latex S(\alpha)$,
上述等式仅表示估计参数
是的值
其中error函数
达到最小值。
上述联立方程是一个非常简单的例子。对于一般情况,
通常,上述联立方程可能没有唯一的解。当且仅当矩阵的所有列都存在时,才存在唯一解决方案
线性无关。此外,矩阵列
线性独立仅意味着它们彼此正交。因此,矩阵
是正交矩阵。
对于正交矩阵,转置和逆是等价的。那就是,
![X^{-1}=X^T](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
在这种正交性条件下,
![(X^T X){\alpha}=X^{T} Y(Y)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
求解方法如下:,
![\hat{\alpha}=(X^T X)^{-1}X^{T} Y(Y)](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
上述解决方案涉及矩阵的逆运算
直接计算矩阵求逆既麻烦又低效,尤其是在DSP中实现时,更不用说定点处理器的有限字长效应了。如果矩阵
无论多大,都有一个非常低条件数(即条件良好),如果是正定的,然后我们可以使用Cholesky分解来求解方程。
这将引导我们进入下一个主题:“Cholesky分解”
评价这篇文章:![可怜的 可怜的](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![低于平均水平 低于平均水平](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![平均 平均](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![很好 很好](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
(6平均票数:3(共5个)
相关帖子
作者的书籍