系统识别中fpe和mse

FPE 和 MSE 是在模式识别和机器学习中常用的性能评估指标。

FPE（Final Prediction Error）是一种评估模型预测误差的指标。它衡量的是模型在对新样本进行预测时的误差。具体来说，FPE 是通过计算模型预测值与真实值之间的平均欧氏距离来度量的。FPE 越小，表示模型对新样本的预测越准确。

MSE（Mean Squared Error）是另一种常用的评估指标，它也用于度量模型预测误差。MSE 是通过计算模型预测值与真实值之间的平方差的平均值来度量的。与 FPE 类似，MSE 也是越小越好，表示模型对新样本的预测越准确。

总结起来，FPE 和 MSE 都是用于评估模型预测性能的指标，通过衡量模型预测值与真实值之间的差异来评估模型的准确性。