1) weighted conditional least squares(estimation)
加权条件最小二乘估计
2) optimally weighted LS estimate
最优加权最小二乘估计
1.
Linear minimum variance estimate and optimally weighted LS estimate are often used in many fields such as signal processing,control and communications.
在信号处理、控制和通讯等技术领域，常常使用线性最小方差估计和最优加权最小二乘估计对参数作出估计。
3) conditional least squares estimation
条件最小二乘估计
4) weighted least square state estimation
加权最小二乘状态估计
5) weighted least squares estimation
加权最小二乘估计
1.
The hybrid algorithm combines weighted least squares estimation with Extended-Kalman Filter(EKF).
在采用装备有GPS装置的移动信标-移动机器人、无人机的基础上,将加权最小二乘估计与扩展卡尔曼滤波(EKF)组合,进行未知节点定位。
2.
Using the convex and the memoryless property of exponential distribution,the paper gives the hierarchical Bayesian estimation of the reliability of zero-failure data(t_i,n_i) of exponential distribution,so that the weighted least squares estimation of parameterθis obtained.
本文讨论了指数分布的无失效数据(t_i,n_i),利用指数分布的凸性和其特性一无记忆性,给出了可靠度的多层Bayes估计,进而得到参数θ的加权最小二乘估计。
6) Weighted least squares estimate
加权最小二乘估计
1.
This article suggests a model for weighted least squares estimate for spherical surface measurement with polar radius method.
本文给出了基于极径法球面测量的加权最小二乘估计模型，并依据该模型进行测量采样点布局的优化设计。
2.
This paper introduces the quality of the weighted least squares estimate and the method to choose the common weighted function choose,gives a standard of judging a good least squares estimate,and proposes the iteration algorithm of choosing weighted function.
介绍了加权最小二乘估计的性质及其常见权数选择的方法,并给出评判一个好的二乘估计的标准,由此提出选择权数的迭代算法。
3.
This paper gives weighted least squares estimate and the method to choose optimum weighted function for linear regression model.
给出了线性回归模型中的加权最小二乘估计以及最优权数的选择。
补充资料：广义最小二乘估计
用迭代的松弛算法对线性最小二乘估计的一种改进。线性最小二乘估计在模型误差为相关噪声时是有偏估计，即其估计值存在偏差。这时采用广义最小二乘估计能获得较精确的结果。
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.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，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.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，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,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