如何推导MMSE检测公式？

Stockholm_Sun

已于 2025-08-18 17:13:23 修改

阅读量5.6k

点赞数 3

CC 4.0 BY-SA版权

分类专栏：信息论极化码和机器学习文章标签：线性代数

于 2021-03-13 23:25:57 首次发布

本文链接：https://blog.csdn.net/Stockholm_Sun/article/details/114763003

极化码和机器学习同时被 2 个专栏收录

10 篇文章

订阅专栏

信息论

5 篇文章

订阅专栏

本文详细介绍了MMSE检测公式的推导过程，通过最小化均方误差(MMSE)的方法，求解最佳权重矩阵W，以实现对信道模型中发送信号x的最优估计。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

【转】如何推导MMSE检测公式？

这两天用到MMSE检测，对于它的推导，我前期只是在“知其然”，今天就来“知其所以然”，来证明一下MMSE检测公式。

MMSE检测用来求解什么？

首先，要知道信道的基本模型：
$y=Hx+n\textbf{y}=\textbf{H}\textbf{x}+\textbf{n}$
$H\textbf{H}$ 是信道矩阵， $x\textbf{x}$ 是发送信号向量， $n\textbf{n}$ 是噪声向量。
目标是用MMSE（最小化均方误差）的方法，求得使得 $KaTeX parse error: Unexpected end of input in a macro argument, expected '}' at position 5: \hat\̲t̲e̲x̲t̲b̲f̲{x}$ 最为准确的 $W\textbf{W}$ ：
$KaTeX parse error: Unexpected end of input in a macro argument, expected '}' at position 5: \hat\̲t̲e̲x̲t̲b̲f̲{x}=\textbf{W}\…$

证明

令估计信号误差为：
$KaTeX parse error: Unexpected end of input in a macro argument, expected '}' at position 16: \textbf{e}=\hat\̲t̲e̲x̲t̲b̲f̲{x}-\textbf{x}$
则有MSE（均方误差）为：
$KaTeX parse error: Unexpected end of input in a macro argument, expected '}' at position 25: …}_{MSE}=E||\hat\̲t̲e̲x̲t̲b̲f̲{x}-\textbf{x}|…$
$WMMSE=arg⁡max⁡WE∣∣Wy−x∣∣2\textbf{W}_{MMSE}=\arg \max_{\textbf{W}} E||\textbf{W}\textbf{y}-\textbf{x}||^2$

作出如下重写：
$KaTeX parse error: Unexpected end of input in a macro argument, expected '}' at position 26: …}_{MSE}=E||\hat\̲t̲e̲x̲t̲b̲f̲{x}-\textbf{x}|…$
$\textbf{e}_{MSE}=E\{tr(\textbf{W}\textbf{y}\textbf{y}^H\textbf{W}^H-\textbf{W}\textbf{y}\textbf{x}^H-\textbf{x}\textbf{y}^H\textbf{W}^H+\textbf{x}\textbf{x}^H)\}$
$\textbf{e}_{MSE}=tr(\textbf{W}\textbf{R}_y\textbf{W}^H-\textbf{W}\textbf{H}\textbf{R}_x-\textbf{R}_x\textbf{H}^H\textbf{W}^H+\textbf{R}_x)$
我们现在令 $eMSE\textbf{e}_{MSE}$ 对 $W\textbf{W}$ 的偏导为 $0\textbf{0}$ ，也即：
$\textbf{W}^*\textbf{R}_y^T-(\textbf{H}\textbf{R}_x)^T=\textbf{0}$
同时取复共轭：
$\textbf{W}\textbf{R}_y^H=(\textbf{H}\textbf{R}_x)^H$
$R\textbf{R}$ 均为Hermitian矩阵，所以矩阵本身等于它的复共轭矩阵：
$\textbf{W}\textbf{R}_y=\textbf{R}_x\textbf{H}^H$
得到：
$\textbf{W}=\textbf{R}_x\textbf{H}^H\textbf{R}_y^{-1}$
又因为：
$\textbf{R}_y=E[\textbf{y}\textbf{y}^H]=\textbf{H}\textbf{R}_x\textbf{H}^H+\textbf{R}_n$ 和
$\textbf{R}_x=E[\textbf{x}\textbf{x}^H]=\textbf{I}\\ \textbf{R}_n=E[\textbf{n}\textbf{n}^H]=\sigma^2\textbf{I}$
那么有：
$\textbf{W}=\textbf{H}^H(\textbf{H}\textbf{H}^H+\sigma^2\textbf{I})^{-1}$