LMS更新

LMS- - - - - - $$f(u(n),e(n),\mu )=\mu e(n)u^{*}(n)$$

归一化LMS- - - - - - $$f(u(n),e(n),\mu )=\mu e(n)\frac{u^{\ast }(n)}{\epsilon +u^H(n)u(n)}$$

在归一化LMS算法,ε是一个小正的常数,克服了潜在的权重数值不稳定的更新。

对于输入,双精度浮点ε的输出每股收益函数。对于输入,单精度浮点ε的输出每股收益(“单一”)。定点输入,ε0。

符号误差LMS- - - - - - $$f(u(n),e(n),\mu )=\mu \text{标志}(e(n))u^{*}(n)$$

Sign-Data LMS- - - - - - $$f(u(n),e(n),\mu )=\mu e(n)\text{标志}(u(n))$$,在那里u(n)是真实的

Sign-Sign LMS- - - - - - $$f(u(n),e(n),\mu )=\mu \text{标志}(e(n))\text{标志}(u(n))$$,在那里u(n)是真实的

n——当前时间指数。

u(n)——输入样本向量的一步n。

当你设置自适应滤波器模式参数抽头延迟线冷杉过滤器块的输入是一个标量值和块缓冲区的输入样本生成u(n)向量。

当你设置自适应滤波器模式参数自适应线性组合器,没有缓冲块样品。块的输入应该是一个列向量的形式。在这种情况下,输入样本之间没有关系。

u *(n)- - -共轭复数向量的输入样本的一步n。

w(n)——矢量滤波器权值估计的步骤n。

e (n)——估计误差的一步n。

µ——适应步长。

α泄漏的因素(0≤α≤1)。