MMSE(Minimum Mean Square Error)
MMSE是一种最小化接收数据的MSE(均方误差)的模型。关于这句话,你的脑海里就会出现很多问题:
什么是均方误差?
“最小化MSE”的物理意义是什么?
让我们从一个我们现在非常熟悉的信道模型开始.
MMSE作为一种均衡器,是一种后处理算法,它帮助我们找出接收到的数据与原始数据(传输数据)尽可能接近的数据。简而言之,在MMSE中最重要的步骤是在下面的例子中找到一个矩阵G。如果我们假设没有噪声,这个[G]矩阵可以是信道矩阵的逆。但是当有噪声时,我们需要使用一些能够反映噪声的模型。MMSE就是这些算法之一。
现在我们设定一个目标,也就是我们要解决的目标函数。然后,我们需要找出如何求解目标函数。有几种不同的方法可以达到这个解决方案。我的方法是解下面这个方程。当我第一次学习这个方程时,我的第一个问题是这个方程的意义是什么。如果您更仔细地观察它,您会发现这些方程表示一个特定的条件,即接收的数据向量和错误向量之间没有相关性。
OR
我的下一个问题是“这个特定的条件如何成为最小化误差的最小最小误差的条件?”,简而言之,“这如何成为MMSE的条件?”
以下是一个FPGA工程师的评论,他教我在物理层的各种主题。一开始可能听起来不那么清楚,但是多想想就会明白了。
在MMSE中,矩阵G应该是这样一个矩阵,即利用接收信号的统计特性使MSE最小化。如果“y”和“e”之间仍然存在一定的相关性,那么应该可以利用这种相关性来降低“e”的范数。所以,在最优点,y和e之间应该没有相关性。(如果不是,我们应该能够利用相关性进一步降低“e”的范数。)
这就是为什么我们可以通过使用声称接收信号“y”与误差“e”之间的相关性为零的准则来推导出MMSE最优矩阵G的原因。
一旦你得到了要解的对象方程并理解了它的物理(或统计)意义,剩下的步骤就是高中数学了。我给你的一个建议是,在你找到最终的解决方案之前,不要过多地考虑解决方案的物理意义。大多数中间步骤是纯粹的数学操作,在大多数情况下没有具体的物理意义。当然,在某些情况下,我们需要考虑物理意义,例如在解决方案过程中删除某些术语时。但在大多数情况下,这个求解过程只是数学操作。
首先,您可以展开如下过程中给出的对象方程。不要害怕,拿出一张纸和一支笔,用手写下每一步。你会发现这是真正的高中数学。
现在我们有了用两个E{}块表示的矩阵[G]。让我们进一步扩展这些块。
然后你可能会问为什么要做更多的扩展?为什么我们不能使用这个结果作为解决方案?
要使用它作为一个解,你需要知道方程中的所有值。
让我们看看这一行(上面的最后一行)中的每一项,并检查我们是否知道所有的值。
我们能知道[y]向量吗?是的,因为它是接收方首先实际检测/测量的值。
那么[x]向量呢?它是传输数据。如果这个传输的数据是一个参考信号,我们可以说我们知道这个值,但是如果它是用户数据,我们就不知道这个值。
现在让我们逐个展开每个E{}块。让我先试试第二个E{}块。(我先扩展第二个block并没有什么特别的原因。我只是做了:)。在这个过程中,您可以看到一些术语(用颜色标记)被删除,并被其他更简单的形式所取代。这是基于术语的物理性质。对于如何删除或替换这些术语,没有纯粹的数学上的原因。
现在我们有了由已知值组成的表达式。[H]为信道矩阵。我们假设在信道估计过程中我们已经求出了这个矩阵。我们知道P,因为我们决定了传输功率。那么“噪声方差”呢?我们不可能确切地知道每个接收到的数据的噪声值,但是我们可以计算出噪声的长期统计特性。噪声方差是噪声的一种长期统计性质。
接下来,让我们展开第一个E{}块。它可以如下所示展开。在这个过程中,您也会看到一些术语(用颜色标记)被删除,并被其他更简单的形式所取代。这是基于术语的物理性质。
现在我们有了两个E{}块的展开形式,让我们用展开的表达式重写[G]矩阵,它变成如下形式。
现在你看到整个[G]矩阵本身是用所有已知的值表示的。在实际的DSP或FPGA中要解决这个表达式,可能需要进一步的操作(比如:矩阵分解),但只是为了理解MMSE的概念,这就足够了。
即使你通过这个漫长而乏味的数学过程,我们还面临另一个大的问题:为了推导G,我们需要知道的信道矩阵H,我们怎么知道它?'。这是你需要学习的另一个复杂和无聊的话题叫做“信道估计”。
注:以上方程中H的解释因系统的实现而略有不同。如果我们假设一个系统不做任何放大或预编码,H只表示空气信道的特性,如图所示。但如果我们假设一个更现实的实现,执行一些预编码和扩增,H表示一个矩阵,其中包括预编码和扩增的性质。在数学上,这里的H可以表示为'Amp * H * P',其中Amp为放大器,H为空气中的信道矩阵,P为预编码矩阵。
如果您对获取MMSE实现的一些示例感兴趣,请参阅此页。我发布了一些MMSE均衡的Matlab例子。
MMSE(Minimum Mean Square Error)相关推荐
- MMSE (Minimum Mean Square Error)均衡原理讲解
MMSE是一种将接收数据的MSE(均方误差)最小化的模型.有了这句话,很多问题就会在你的脑海中蹦出来. 什么是均方误差?最小化MSE "的物理含义是什么? 等等. 让我们从一个我们现在已经非 ...
- 加权最小均方误差(weighted minimum mean square error, WMMSE)算法
加权最小均方误差(weighted minimum mean square error, WMMSE)算法[1] 一.问题描述 考虑MIMO系统中的下行链路,基站发射天线数为PPP,用户数为KKK,每 ...
- 基于最小均方误差linear minimum mean square error(LMMSE)插值算法的图像超分辨重构研究-附Matlab代码
⭕⭕ 目 录 ⭕⭕ ✳️ 一.引言 ✳️ 二.图像复原基本原理 ✳️ 三.基于多通道LMMSE图像复原法 ✳️ 3.1 最小均方误差LMMSE插值理论 ✳️ 3.2 理论公式对应的Matlab关键代码 ...
- 均方根误差RMSE(Root Mean Square Error)
MSE(Mean Square Error)均方误差 是真实值与预测值的插值的平方然后求和平均. RMSE(Root Mean Square Error)均方根误差 均方根误差是预测值与真实值偏差的平 ...
- 训练分类器为什么要用cross entropy loss(交叉熵损失函数)而不能用mean square error loss(MSE,最小平方差损失函数)?
在一个人工智能群里,有人问起,训练分类器为什么要用cross entropy loss(交叉熵损失函数)而不能用mean square error loss(MSE,最小平方差损失函数)呢? 正好,在 ...
- Minimum Mean Squared Error (MMSE)最小均方误差
均方误差(Mean Squared Error, MSE)是衡量"平均误差"的一种较方便的方法.可以评价数据的变化程度.均方根误差是均方误差的算术平方根. 最小二乘(LS) 问题是 ...
- 【AI学习总结】均方误差(Mean Square Error,MSE)与交叉熵(Cross Entropy,CE)损失函数
出发点 对于一个样本,有输入和输出结果,我们的目的是优化训练我们的模型,使得对于样本输入,模型的预测输出尽可能的接近真实输出结果.现在需要一个损失函数来评估预测输出与真实结果的差距. 均方误差 回归问 ...
- 通信领域相关的英语缩略语
ACK--Acknowledge character 应答信号:确认字符 ACS--Automatic Channel Selection 自动信道选择 AGC--Automatic Gain Con ...
- 单麦降噪经典书籍《Speech enhancement: theory and practice》读书笔记(第5章)
目录 前言 第5章 谱减算法 5.1 谱减的基本原理 5.2 谱减的几何分析 5.2.1 带噪信号与纯净信号相位差的上限 5.2.2 不同的谱减形式及理论局限 5.3 谱减法的缺点 5.4 谱减法中使 ...
最新文章
- java实现随机字母数字验证码
- Jboss7.1.1配置SSL
- 对象的内置属性和js的对象之父Object()
- php krsort重置索引,PHP数组处理函数举例
- 电脑技巧:盘点常用的Win组合快捷键
- react学习(45)----react组件
- 史玉柱吃透了中国人的人性,也引发了争议
- php从头部添加,php如何向header头添加Authorization信息?
- JS中 post和get的区别
- 古龙奇侠传java6_华人最著名的20位武侠小说家,梁羽生排不进前6,古龙屈居第5...
- Linux文件颜色含义
- aar64不支持Pycharm部分版本导致cannot open local terminal的解决方法
- 专项训练——判断推理
- 飞凌单片机解密_芯片解密方法大全
- 《C++ Primer 第5版》-11.1使用关联容器-康奈尔笔记
- matlab生成棋盘格网的命令,Matlab 画棋盘格
- js开发实例 —— 5秒自动关闭广告倒计时
- 2022下半年教师资格证报名学历要求
- 使用springboot的banner给小伙伴输出一波月饼
- N97mini用什么杀毒软件最好?机器容易中毒吗 我已经删了网秦
热门文章
- 一条直线上N个线段所覆盖的总长度
- corepython第九章:文件和输入输出
- 双击进入物料数据的指定视图
- 利用 socket 获取 tcp 包并解析的问题。
- dos环境下mysql的访问_MYSQL dos环境下使用
- Codeforces Round #417:E. FountainsSagheer and Apple Tree(树上博弈)
- 径向基函数神经网络_基于RBF神经网络的网络安全态势感知预测研究
- python最大公约数和最小公倍数的求法_最大公约数和最小公倍数的求法分析
- mysql锁总结知乎_Mysql悲观锁乐观锁区别与使用场景
- list python 转tensor_TensorFlow 中的几个关键概念:Tensor,Operation,Graph,Session