第5章552均方误差准则MSE和LMS算法

合集下载

mse准则

mse准则

mse准则mse准则是均方误差(Mean Squared Error)的简称,是一种常用的评估指标,用于衡量预测值与真实值之间的差异程度。

mse准则广泛应用于各个领域,比如机器学习、统计学、经济学等。

本文将从不同角度介绍mse准则的定义、应用领域和计算方法。

一、mse准则的定义mse准则是通过计算预测值与真实值之间的差异平方的均值来评估模型的预测能力。

一般而言,mse准则越小,意味着模型的预测能力越好。

mse准则的计算公式如下所示:MSE = Σ(yi - ŷi)² / n其中,yi代表真实值,ŷi代表预测值,n代表样本数量。

mse准则的取值范围为0到正无穷,当mse准则等于0时,表示预测值完全与真实值一致。

mse准则广泛应用于各个领域,以下是一些常见的应用领域:1. 机器学习:mse准则常用于评估机器学习算法的预测准确性。

在回归问题中,可以使用mse准则来评估模型对连续型变量的预测能力。

通过比较不同模型的mse准则,可以选择最优模型。

2. 统计学:mse准则也是统计学中常用的评估指标之一。

在线性回归分析中,可以使用mse准则来评估模型对自变量和因变量之间关系的拟合程度。

3. 经济学:mse准则在经济学中也有广泛的应用。

例如,在经济预测中,可以使用mse准则来评估模型对未来经济指标的预测精度。

三、mse准则的计算方法mse准则的计算方法相对简单,可以通过以下步骤进行计算:1. 确定样本数量n。

2. 收集真实值和预测值的数据。

3. 计算每个样本的预测值与真实值之间的差异。

4. 将差异的平方累加起来。

5. 将累加值除以样本数量n,得到mse准则的值。

需要注意的是,mse准则只能用于评估预测值与真实值之间的差异程度,对于模型的其他表现指标,需要使用其他准则进行评估。

mse准则是一种常用的评估指标,用于衡量预测值与真实值之间的差异程度。

mse准则的定义清晰明确,应用领域广泛,计算方法简单易行。

第5章(5.5,5.5.1)线性均衡器

第5章(5.5,5.5.1)线性均衡器

5.5线性均衡{kI }k η{}ˆkI Tx+ch+MF+WF()nLn n zf z F -=∑=0eP 00 Lk n k n kn k n k n kn kf I f I f I ηη-=-≠=+=++∑∑v ISI1. 对最佳离散系统的要求:a) 消除由{}n f 引起的ISI ——取k v 的(L +1)个样值(ISI 覆盖范围)按一定最佳准则处理——即FIR 滤波器。

b) 有自适应能力——抽头可变FIR ,在一定最佳准则下的自适应算法。

c) 输出噪声及残余ISI 影响最小化——由调整j c 的最佳准则确定。

2. 最佳离散系统的结构:抽头系数可变的FIR 滤波器(自适应均衡器)。

3. 调整抽头系数{}j c 的最佳准则:a) 理想:最小错误概率准则,但}{~j e c P 函数关系是复杂的非线性函数关系。

b) 实际采用的最佳准则: i. 峰值失真准则(PD 准则,Peak Distortion )——只考虑ISI 。

ii.均方误差准则(MSE 准则,Mean Square Error )——同时考虑ISI 及噪声影响最小化5.5.1 峰值失真准则和迫零算法(10-2-1节,11-1-1节)一、峰值失真和峰值失真准则峰值失真——最大可能的ISI ,以D 表示。

(Peak Distortion ) 峰值失真准则——使D 最小。

考虑两种情况下,如何设计{}j c 及性能分析:a) 无限抽头的均衡器 b) 有限抽头的均衡器二、无限抽头系数的ZF 均衡器 (ZF -Zero Forcing )ZF 均衡器——根据峰值失真准则建立起来的均衡器。

1. 传输系统的模型2. 峰值失真及峰值失真准则{}001 (1) (10-2-4)~n n jn j n n n j n n n j D q q q cf q D c ∞∞∞∞-=-∞=-∞=-∞=-∞≠≠≠===∴∑∑∑∑令归一化的函数若{}j c 有无限多个抽头,则根据PD 准则,可选择适当{}j c 值使得满足D =0。

均方误差mse计算公式

均方误差mse计算公式

均方误差mse计算公式均方误差(Mean Squared Error,MSE)是一种常用的衡量预测模型准确度的指标。

在机器学习和统计学中,我们经常需要根据已有的数据集构建模型,并使用该模型对未知数据进行预测。

为了评估模型的预测能力,我们需要一个可靠的指标来度量预测值与真实值之间的差距。

MSE的计算公式如下:MSE = (1/n) * Σ(yi - ŷi)²其中,n表示样本数量,yi表示真实值,ŷi表示预测值。

MSE的计算方法十分直观。

对于每个样本,我们先计算预测值与真实值之间的差距,然后对这些差距的平方求和,最后除以样本数量n,得到均方误差。

MSE的优点在于它对预测误差的量级进行了平方处理,使得较大的误差对结果的影响更为显著。

这种平方处理还能够避免正负误差相互抵消的情况,确保误差的正负对最终结果有明确的影响。

此外,MSE计算简单,易于理解和解释,因此被广泛应用于各种领域的预测模型评估中。

然而,MSE也存在一些缺点。

首先,MSE对异常值(outliers)非常敏感。

由于误差被平方处理,任何一个较大的误差都会对MSE产生较大的影响,从而导致模型评估的偏差。

其次,MSE对预测误差的量级没有进行归一化处理,因此在比较不同数据集、不同模型的预测能力时,需要谨慎使用。

为了解决MSE对异常值敏感的问题,研究人员提出了一些改进的方法,如均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)。

RMSE在计算MSE的基础上,再开方,使得计算结果具有与原始数据相同的量纲。

MAE 则是对预测误差进行绝对值处理,消除了平方带来的影响,使得评估结果更加稳健。

在实际应用中,根据具体的任务需求和数据特点,我们可以选择合适的误差度量指标。

如果数据集中存在较多的异常值,可以考虑使用RMSE或MAE进行评估;如果异常值较少,MSE依然是一个简单有效的选择。

第5章552均方误差准则MSE和LMS算法

第5章552均方误差准则MSE和LMS算法

第5章552均方误差准则MSE和LMS算法第5章主题:均方误差准则(MSE)和最小均方算法(LMS)在信号处理和机器学习中,常常需要优化一些模型的性能,使其能够更好地适应数据。

均方误差准则(Mean Square Error, MSE)和最小均方算法(Least Mean Squares, LMS)是两种常用的优化方法。

均方误差准则(MSE)是一种衡量模型性能的方法,它通过计算预测值与实际值之间的差异来评估模型的准确性。

MSE的计算公式如下:MSE = (1/n) * Σ(y - yhat)²其中,n表示数据点的数量,y表示实际值,yhat表示预测值。

MSE 越小,表示模型的拟合效果越好。

最小均方算法(LMS)是一种基于梯度下降的优化算法,用于寻找使MSE最小化的模型参数。

LMS的基本思想是通过迭代的方式逐步调整模型参数,使MSE逐渐减小。

具体而言,LMS算法根据梯度信息来更新模型参数的值。

LMS算法的更新公式如下:w_new = w_old + η * (y - yhat) * x其中,w_new表示更新后的参数值,w_old表示之前的参数值,η是学习率(learning rate),用于控制每次更新的步幅,y表示实际值,yhat表示预测值,x表示输入数据。

LMS算法的步骤如下:1.初始化参数w和学习率η的值。

2. 对于每个数据点,计算预测值yhat。

3.计算MSE,并检查是否达到了停止条件。

4.如果未达到停止条件,根据LMS算法的更新公式,更新参数w的值。

5.重复步骤2-4,直到满足停止条件。

LMS算法的优点是简单易于实现,但其性能可能受到初始参数和学习率的选择影响。

学习率过大可能导致算法不稳定,学习率过小可能导致算法收敛速度慢。

总结起来,MSE和LMS算法是两种常用的优化方法,用于评估模型的准确性和调整模型参数的值。

它们在信号处理和机器学习领域应用广泛,可以用于回归问题和分类问题的优化。

均方误差的计算公式

均方误差的计算公式

均方误差的计算公式均方误差(Mean Square Error,简称MSE)是机器学习中常用的一种评估模型预测精度的指标。

它的计算公式如下:MSE = (1/n) * Σ(yi - ŷi)^2其中,n代表样本数量,yi代表真实值,ŷi代表模型预测值,Σ表示求和运算。

均方误差可以衡量模型预测值与真实值之间的差距,并将差距的平方值求和后取平均。

因此,均方误差越小,表示模型的预测值与真实值越接近,模型的预测精度越高。

均方误差的计算公式中,首先对每个样本的预测值与真实值之间的差距进行平方运算,然后对所有样本的差距平方值进行求和,最后再除以样本数量n,即可得到均方误差。

为了更好地理解均方误差的计算过程,下面举一个简单的例子。

假设有一个回归问题,需要预测某个城市的房价。

我们收集了10个样本,每个样本包含了房屋的面积和实际售价。

我们使用一个线性回归模型对房价进行预测,并计算均方误差。

我们使用模型对这10个样本的房价进行预测,得到了10个预测值。

然后,对于每个样本,我们计算预测值与真实值之间的差距,并将差距的平方值作为该样本的误差。

接着,将所有样本的误差平方值进行求和,并除以样本数量10,即可得到均方误差。

通过计算,我们得到了均方误差为1000。

这个值代表了模型的预测精度,即模型预测的房价与实际房价之间的平均差距的平方值。

均方误差作为一种常见的评估指标,具有以下特点:1. 均方误差始终为非负值,当预测值与真实值完全一致时,均方误差为0,表示模型的预测精度达到最高;2. 均方误差对预测值与真实值之间的差距较大的样本更加敏感,因为差距较大的样本的平方值较大;3. 均方误差的单位与预测值的单位平方相同,例如,如果预测房价的单位是万元,那么均方误差的单位就是万元的平方。

除了均方误差之外,还有其他评估指标可以用来衡量模型的预测精度,例如平均绝对误差(Mean Absolute Error,简称MAE)、均方根误差(Root Mean Square Error,简称RMSE)等。

mse均方误差范围

mse均方误差范围

mse均方误差范围均方误差(Mean Squared Error,简称MSE)是衡量预测模型准确性的一种常见指标。

它计算了预测值与真实值之间的差异,通过平方误差的平均值来衡量模型的性能。

本文将介绍MSE的计算方法以及其应用的范围。

一、MSE的计算方法MSE的计算方法相对简单,可以通过以下公式来求得:MSE = Σ(yi - ŷi)² / n其中,yi代表实际值,ŷi代表预测值,n代表样本数量。

这个公式的核心思想是,将每个样本的预测误差平方后求和,再除以样本数量,得到了平均误差的平方。

通过MSE,我们可以评估预测模型的准确程度,MSE越小,模型的拟合程度越好。

二、MSE的应用范围MSE广泛应用于各个领域的预测模型评估中。

以下是一些常见的应用范围:1. 金融领域:MSE可用于评估股票市场的预测模型。

通过计算预测值与实际值之间的差异平方的平均,可以判断模型的准确性,为投资者提供决策依据。

2. 经济学领域:MSE可用于衡量宏观经济模型的预测精度。

通过比较预测值和实际值之间的误差平方的平均,可以评估模型的准确性,并为政策制定者提供参考。

3. 数据科学领域:MSE常用于回归模型的性能评估。

在机器学习和统计建模中,我们经常需要对不同模型进行比较,选择最优模型来进行预测任务。

通过计算MSE,可以快速评估模型的预测能力。

4. 工程领域:MSE可用于评估各类工程预测模型的准确性。

比如建筑工程中的项目成本预测、交通工程中的交通流量预测等。

通过MSE 的计算,可以指导相关决策,提高工程预测的准确性。

5. 自然科学领域:MSE也常用于物理学、地质学、生态学等领域的预测模型评估。

通过计算实际观测值和预测值之间的差异,可以评估模型在复杂自然系统中的表现。

总之,MSE作为一种常见的预测模型评估指标,被广泛应用于各个领域。

通过计算MSE,我们可以了解预测模型的准确程度,并为决策提供依据。

无论是金融、经济、工程还是科学领域,MSE都能帮助我们评估模型的性能,指导相关工作的进行。

第5章(552)均方误差准则(MSE)和LMS算法

第5章(552)均方误差准则(MSE)和LMS算法

第5章(552)均⽅误差准则(MSE)和LMS算法5.5.2均⽅误差准则(MSE )和LMS 算法引⾔:均⽅误差准则同时考虑ISI 及噪声的影响,使其最⼩化。

本节讨论问题: 1. 均⽅误差准则;2. ⽆限长LMS 均衡器(C (z ),J min );3. 有限长LMS 均衡器(C opt ,J min );4. LMS 算法;5. 均衡器的操作;6. 递推LMS 算法收敛特性的分析。

⼀. 均⽅误差准则信息符号的估计值:?k j k jj I c ∞-=-∞=∑v (⽆限长均衡器情况)其中,接收数据样本为:k n k n k n f I η-=+∑v ,k η为⽩噪声。

估计误差:?ISI k k k kI I εε=-,包括及噪声定义:估计值2?[]k kI J E ε=的均⽅误差为均衡器的性能指数。

}{k ηε均⽅误差准则:使均⽅误差性能指数J 最⼩(min J ),此准则同时考虑使ISI 及噪声影响最⼩。

获得min J 的途径:调整{}j c ,当min J J =时,opt C C =(最佳抽头系数)寻找opt C 的⽅法:1)根据正交性原理(线性均⽅估计):*[]0k k l E l ε-=,所有v 。

(注:与ZF 准则不同的是,这⾥的输⼊是经过两个输⼊滤波器的数据样本k v ,这就包含了噪声)。

即*?[]0kkl E l ε-=,所有I 。

2)求函数极值⽅法:令0=→=??opt kJC C 2013年5⽉3⽇星期五上午讲于此处,已经是第⼗次矣。

这两种⽅法是等价的,证明如下。

l i m Kkjkj j kjK j j KI c c∞--→∞=-∞=-==∑∑v vlim T k K →∞=V c假如均衡器为有限长,则T k kI =V c 其中11Tk k K k K kk K k K v v v v v ++--+-??=??V ,以及 1 1TKK K K c c c c c --+-??=??c 。

均方误差(mse)计算公式

均方误差(mse)计算公式

均方误差(mse)计算公式
均方误差(MSE)是衡量预测值与真实值之间差异程度的一种统计指标。

其计算公式如下:
MSE = Σ (预测值真实值)^2 / n.
其中,Σ表示求和,预测值和真实值分别表示预测模型给出的值和实际观测到的值,n表示样本数量。

MSE的计算步骤包括首先计算每个样本的预测值与真实值之差的平方,然后将所有样本的平方差值相加,并最后除以样本数量得到均方误差。

MSE常用于衡量回归模型的预测精度,数值越小表示模型的预测能力越准确。

然而,MSE也存在一些局限性,例如对异常值(outliers)敏感,因此在实际应用中,有时候会结合其他指标一起评估模型的性能。

除了上述计算公式,还可以从数学角度和实际应用角度来解释MSE的含义和计算方法。

从数学角度来看,MSE是预测误差的平方的平均值,它可以帮助我们量化预测值与真实值之间的偏差程度。

从实际应用角度来看,MSE可以帮助我们评估模型的预测准确度,从
而指导我们对模型进行调整和改进。

总之,MSE作为一种常用的性能评估指标,在统计学和机器学习领域有着广泛的应用。

希望以上回答能够满足你的要求。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

5.5.2均方误差准则(MSE )和LMS 算法引言:均方误差准则同时考虑ISI 及噪声的影响,使其最小化。

本节讨论问题: 1. 均方误差准则;2. 无限长LMS 均衡器(C (z ),J min );3. 有限长LMS 均衡器(C opt ,J min );4. LMS 算法;5. 均衡器的操作;6. 递推LMS 算法收敛特性的分析。

一. 均方误差准则其中, 接收数据样本为:k n k n k nf I η-=+∑v ,k η为白噪声。

估计误差:ˆISI k k k kI I εε=-,包括及噪声 定义:估计值2ˆ[]k kI J E ε=的均方误差为均衡器的性能指数。

均方误差准则:使均方误差性能指数J 最小(min J ),此准则同时考虑使ISI 及噪声影响最小。

获得min J 的途径:调整{}j c ,当min J J =时,opt C C =(最佳抽头系数)寻找opt C 的方法:1)根据正交性原理(线性均方估计):*[]0k k l E l ε-=,所有v 。

(注:与ZF 准则不同的是,这里的输入是经过两个输入滤波器的数据样本k v ,这就包含了噪声)。

即*ˆ[]0k k lE l ε-=,所有I 。

2)求函数极值方法:令?0=→=∂∂opt kJC C 2013年5月3日星期五上午讲于此处,已经是第十次矣。

这两种方法是等价的,证明如下。

证明:求导置零方法与正交性原理等价。

ˆlimKkj k jj k jK j j KI c c ∞--→∞=-∞=-==∑∑vvlim T k K →∞=V c假如均衡器为有限长,则ˆT k kI =V c 其中11Tk k K k K kk K k K v v v v v ++--+-⎡⎤=⎣⎦V ,以及11TKK K K c c c c c --+-⎡⎤=⎣⎦c 。

()2ˆˆ[][()()]k k k k kJ E E I I I I ε**==--c *[()]T k k k E I ε=-V c故{}k k J E ε*∂=-∂V c另一种方法:()22*ˆˆ[][()()] {()()}[][][][]k k k k k k i k i k j k j ijk i k k i j k k j i j k i k j ijijJ E E I I I I E I c I c E I c E I c E I c c E ε*****--****----==--=--=--+∑∑∑∑∑∑c v v v v v v2*[][][][]k i k k i j k k j i j k i k j ijijE I c E I c E I c c E ****----=--+∑∑∑∑v v v v可见,()J c 是{}j c 的平方函数(二次型)。

求导置零可得:*0k k l j k l k j jl J E I c E c **---∂⎡⎤⎡⎤=-+=⎣⎦⎣⎦∂∑v v v 即,***0, k j k j k l j l J E I c l c --⎧⎫⎡⎤∂⎪⎪=--=-∞<<∞⎨⎬⎢⎥∂⎪⎪⎣⎦⎩⎭∑v v ()()**00k k i k k i E E εε--∴==,或v v ,i -∞<<∞{}k k J E ε*∂=-∂V c11Tk k Kk K kk K k K v v v v v ++--+-⎡⎤=⎣⎦V结论:求导方法与正交性原理是等价的,满足正交条件,就可以获得最小MSE 。

二、无限长LMS 均衡器(()min J z C ,性能)1. 求()z C :从正交原理出发,()*0k k l E ε-=v(10-2-27)即*[()]0k j k jk l j E I c ∞--=-∞-=∑vv即()()*jk -jk -l k k l j c E E I ∞-=-∞=∑*vv v (*) 正交条件注: k l -v 是收数据样本,其中的噪声已经白化。

在(*)式左边可以得到:{}********0 k j k l n k j n k j m k l m k l n m n m k j n k l m k j k l n m n m k j n k l m ljnmE E f I f I E f f I I f f E I I N ηηηηδ*------------------⎧⎫⎡⎤⎡⎤⎡⎤=++⎨⎬⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎩⎭⎧⎫=+⎨⎬⎩⎭=+∑∑∑∑∑∑v v式中利用了[]0k n k n k k nf I E ηη-=+=∑,v 。

注:j k jk j k kj j k ,)(δδδδδ==-==-都是Kroenecker 冲激或离散冲激的不同写法。

因此我们有:***,00[]k j k l n m n m l j lj m m l j lj nmmE f f N f f N δδδ--+-+-=+=+∑∑∑v v*00Ln n l j lj n f f N δ+-==+∑0 0,l j lj x N l j L else δ-⎧+-≤⎪=⎨⎪⎩ (A)注:()()(1/)X z F z F z **=,()1F z **-代表了()F z 序列的共轭颠倒序列。

或者说()1F z **-代表了()F z 的MF(零时延)。

()()(1/)X z F z F z **=()101L L f f z f z --=+++11110()L L L L L z f f z f z f z **-*-+*--⎡⎤++++⎣⎦000LLLLL ijLi j iL jiL j i j i j zfzfzzff z -*-*----======∑∑∑∑00LLLi j iL j i j zff z *---===∑∑00L Ln i i n i n f f z *-===∑∑L Ll n ln l L n ff z *-+=-==∑∑(注:令l i n =-)故*0Ll n n l n x f f +==∑,其支撑为:L l L -≤≤或者说,可以得到*****0LL kk n nlk l l l k n n kn n k lln n x f ff f f f f ff f ----+++===*====∑∑∑∑也可以写为j l j l L n jl n n Ln jl n n x fff f---=-+=-+==∑∑)(0**(*)式右边:,*******, 1(){[]}{}{}k k l n k k l k n k l n k l n k k l n k k l nnc c E I E I f I f E I I E I δηη---------==+=+∑∑v式中,,,10k k l n l n n l n lδδ---=-⎧==⎨≠-⎩,当,当由此可得{}** , 0l k k lf L l E I --⎧-≤≤=⎨⎩v (B)将(A )、(B )两式代入(*)式:*0[]jl jlj l j c xN f δ∞--=-∞+=∑上式就是: *0l l l l c x N c f -⊗+=取Z 变换: ()()110[()]()C z F z F z N F z **-**-+= (10-2-31)则MMSE 均衡器 ()110()()()F z C z F z F z N **-**-=+ (10-2-32) 等效MMSE 均衡器: ()()10011()()C z F z F z N X z N **-'==++ (10-2-33)kI ^()z C '2. 求min J (最小均方误差) (1) 时域2*****ˆ[][()][][]k k k k k k k j k jjJ E E I I E I E c εεεε-==-=-∑v 利用正交原理第二项为零,所以2**min ˆ[()][][()]k k k k k j k jjJ E I I I E I E I c -=-=-∑v *[]j k j k j j jjc c E I c c f --=-=-∑∑v (利用(B)式)令信息符号的平均功率为1,则2[]1k c E I ==min 011jj l ll j J cf c f ∞-==-∞=-=-⊗∑{k I ⎭⎬⎫k I ^()z C ()z F ∞Tx ,Ch,MF,WF{}()0min 01b J f c b f cb z b z B b j jj jn j jn nn n n -=∴===↔--∞-∞=-∞-∞=∑∑∑(2)频域通过z 变换及令,T j e z ω=将min J 式的{}关系变换成n f J ~min()()关系ωωH e X J T j ⋅~min全传输系统响应:{}()()()0N z X z X z B b n +=↔ (10-2-35)以z 反变换(留数法)求:()112n-n cb B z z dz j π=⎰()()()1001122ccX z b B z z dz dz j j z X z N ππ-∴==+⎡⎤⎣⎦⎰⎰(10-2-36)j T z e Tωπω=≤令,且,()()()()()0012 2j T Tj T j T j TTj TTj TTX e b e e jT d j X eNX e Td Xe Nωπωωπωωππωωπωπ---=⋅⋅+=+⎰⎰ (10-2-37)代入 min 01J b =-,得 ()0min2T j TTN T J d X eNππωωπ-=+⎰将()j T X e ω以信道折叠谱表示。

因为()()()k t kTx x kT h t h t *===⊗-()()h t h t *⊗-的傅里叶变换为2()H ω,故212()FTk k n n x t kT H T T πδω∞∞=-∞=-∞⎛⎫-←−→+ ⎪⎝⎭∑∑又22()()()j ft j fkT k k k k k k k FT x t kT x t kT e dt x e DTFT x ππδδ∞∞∞∞--=-∞=-∞=-∞-∞⎧⎫-=-==⎨⎬⎩⎭∑∑∑⎰所以()212 j Tn n X e H T T T ωππωω∞=-∞⎛⎫=+≤ ⎪⎝⎭∑, (10-2-18) 所以min2for ISI 0212T Tn T TN J d n H N T T ππωππω-∞=-∞===⎛⎫++ ⎪⎝⎭⎰∑ (10-2-38)所以,当ISI=0时, 0min min 0011N J J N =<<+, (10-2-39)因k k k I I ˆ-=ε,故ˆk k k I I ε=+,22ˆ[||]||k k k E I E I ε=-,利用正交原理*ˆ[]0k k lE ε-=I ,易证:222ˆ||||||k k k E I E I E ε=+,即2min ˆ[]1k E I J =-。

相关文档
最新文档