改进的最小总误差熵法：非高斯噪声下EIV系统参数估计的优化策略

本文主要探讨了在误差-变量（Errors-in-Variables, EIV）系统或模型中，参数估计问题的优化方法。EIV系统假设输入数据和输出数据都受到噪声的影响，这使得传统的总最小二乘法（Total Least Squares, TLS）在处理非高斯噪声时表现受限，因为它依赖于平方误差的最小化，无法充分挖掘数据中的潜在信息。 在非高斯环境下，误差熵准则（Error Entropy Criterion, EEC）和基于误差熵的最小误差熵（Minimum Error Entropy, MEE）方法因其在利用数据信息方面的优势，已在先前的研究中崭露头角。然而，传统的MEE方法在估计过程中忽略了输入数据中的噪声成分，导致在应用于EIV系统时，可能导致性能下降，解决方案并非最优。 为了克服这一局限，本文提出了一种新的理论框架——总误差熵准则（Total Error Entropy Criterion, TEEC），以及基于此准则的最小总误差熵（Minimum Total Error Entropy, MTEE）方法。MTEE方法不仅考虑了噪声的存在，还针对输入数据进行了更全面的处理。作者还进行了详细的理论分析，包括局部稳定性研究，通过限制步长确保了算法的稳健性。 本文的核心贡献在于提供了一种新的参数估计策略，旨在更好地应对非高斯噪声环境下的EIV系统。通过仿真结果，MTEE方法证明了其在性能上的显著提升，尤其是在与TLS和传统MEE方法相比较时。当噪声是非高斯分布时，MTEE方法能够更有效地估计参数，从而实现更优的系统性能。 总结来说，这篇文章在参数估计领域引入了一个创新的策略，即最小总误差熵方法，以处理EIV系统中的复杂噪声情况，对于提高这类系统的鲁棒性和准确性具有重要的实际意义。