一种增广线性模型及其应用方法

一种增广线性模型及其应用方法

在训练阶段： - 假设有N组训练数据。 - 假设输入数据是L维数据。 - 通过最小二乘算法计算出维纳滤波器参数的最优解。 - 然后计算维纳滤波器的输出。 - 当已知训练阶段的期待数据时，通过增广线性模型计算每个数据的瞬时误差。 - 从而得到输入数据和瞬时误差的关系表，对关系表进行量化。

在应用阶段中： - 首先找到与当前测试样本最近的索引。 - 以及最近的索引对应的误差。 - 将该误差作为对当前测试数据瞬时误差的估计。 - 得到当前测试数据瞬时误差值。 - 再根据增广空间线性模型，得到测试数据期待数据的估计值。

与非线性滤波器相比，计算复杂度有着明显的优势。 与维纳滤波器相比，增广线性滤波器在非线性数据上的性能也获得大幅提高。

一种增广线性模型及其应用方法，在训练阶段，假设有N组训练数据，假设输入数据是L维数据，通过最小二乘算法计算出维纳滤波器参数的最优解，然后计算维纳滤波器的输出，当已知训练阶段的期待数据，通过增广线性模型计算每个数据的瞬时误差，从而得到输入数据和瞬时误差的关系表，对关系表进行量化；在应用阶段中，首先找到与当前测试样本最近的索引以及最近的索引对应的误差，并将该误差作为对当前测试数据瞬时误差的估计，得到当前测试数据瞬时误差值，再根据增广空间线性模型，得到测试数据期待数据的估计值。与非线性滤波器相比，计算复杂度有着明显的优势。与维纳滤波器相比，增广线性滤波器在非线性数据上的性能也获得大幅提高。