最小二乘准则（LSE）和最小均方误差准则（MSE）的区别

1。LS用于接收到的数据块长度一定，并且数据、噪声（干扰）的统计特性未知或者非平稳的情况，
其优化目标是使得基于该数据块的估计与目标数据块间加权的欧几里德距离最小，
当有多个数据块可用时，可用其递归算法RLS减小计算量；
2。MMSE的优化目标是为了使基于接收数据的估计值和目标数据的均方误差最小化，
LMMSE算是MMSE的特例，在这种情况下，基于接收数据的估计值是接收数据的
线性变换，
在数据统计特性已知的情况下，某些时候可以直接求解，比如维纳解；
在数据统计特性未知但是平稳的时候，可以通过递归迭代的算法求解，诸如：LMS算法。
3。ML和MAP顾名思义，前者是为了使似然概率最大后者是为了使得后验概率最大，
具体说来就是，假设接收数据为rx，目标数据为tx，在已知rx的情况下，
ML就是求使得p(rx|tx)最大的tx，MAP就是求使得p(tx|rx)最大的tx。
4。AR（自回归），这是假设目标数据满足自回归模型，
这时我们需要求解的就是相应的模型的系数了。