<aside> 💡 一 LMS算法
了解性能误差曲面,从梯度算法的角度掌握LMS算法的原理,LMS算法公式,直接实现结构
二 LMS算法稳定性分析
了解均值收敛和均方收敛的意义和过程,掌握均值收敛条件和均方收敛条件、 均方收敛时的最小误差和超量误差
三 LMS算法性能分析
掌握均值收敛和均方收敛下的时间常数计算方法, 均方收敛下的失调的计算方法,了解自适应步长、滤波器长度、和信号特性(相关阵的特征值)对LMS算法性能的影响
四 LMS算法变形
掌握泄放因子,符号算法归一化LMS算法的公式和原理, 各种变形针对解决的问题。了解跟踪误差的概念
五 级联型FIR梯度自适应滤波器和IIR梯度自适应滤波器
掌握算法原理, 不要求计算
</aside>
均值收敛条件
均值收敛:E[H(n)]→Hopt
(收敛条件由最大特征值决定,收敛快慢由最小特征值决定)
均方收敛条件
均方收敛:均方误差J(n)收敛到一个最小值
均方收敛时的最小误差Jmin(n)
均方收敛时的超量误差Jex(n)
收敛时,Jex(n)达到一个稳定值
均值收敛下,时间常数计算方法
时间常数越大,表示收敛越慢
当步长δ足够小时:
均方收敛下,时间常数计算方法
均方收敛下,失调的计算方法