姿态特征线性回归模型

定义与用途

姿态特征线性回归模型是一种特征层数据融合方法：把从传感器数据中提取的特征向量 x 作为输入，输出手指姿态的估计值 ŷ。它假设姿态与特征之间存在线性关系，并利用历史样本学习该关系中的参数。

线性假设

设特征向量为 x，姿态估计值为 ŷ，模型假设

其中 w 为待求的权重向量（参数矩阵），上标 T 表示转置，wᵀx 是 w 与 x 的内积。该式表明：姿态估计值由各特征分量的加权和给出，权重反映每个特征对姿态的贡献。

历史样本与参数求解

历史样本记为 (xᵢ, yᵢ)，其中 xᵢ 是第 i 个样本的特征向量，yᵢ 是对应的真实姿态值。参数 w 通过最小二乘法估计，即求解使误差平方和最小的 w。对单个样本 (xᵢ, yᵢ)，其平方损失为

式中 yᵢ−wᵀxᵢ 是第 i 个样本的预测残差，系数 1/2 只是便于求导的常数，不影响最优解的位置。对历史样本集合，总损失为各样本平方损失之和，即

最小二乘估计即求解使该总损失最小的 w。

技术关系与适用范围

该模型属于特征层融合：先由多传感器数据提取特征 x，再在特征层建立到姿态的映射。线性假设意味着 ŷ 对 x 的依赖是线性的，因此当真实关系明显非线性时，该模型的拟合能力有限。最小二乘估计在样本充分且特征与姿态近似线性相关时给出合理的 w；若特征间高度相关或样本过少，估计可能不稳定。

所列单样本平方损失描述一次训练误差，多维参数通常不能由单个样本唯一确定。历史样本拟合常对多个样本的平方损失求和，若特征矩阵秩不足，还需处理非唯一解或采用正则化。