核自适应滤波_自适应滤波基本原理及应用

线性自适应滤波器的衡量：鲁棒性、统计有效性和复杂性

鲁棒性衡量：能量增益

线性自适应滤波器可以视为一个估计器，它将输入端的干扰映射为输出端的估计误差。

能量增益：输出端误差能量与输入端总干扰能量的比值。

作为对手的外界会产生所有可能的未知干扰，从而增加能量增益

算法的鲁棒性衡量：最大限度地减少能量增益。

从鲁棒性角度，相比于RLS（递归最小二乘）算法，LMS（最小均方）算法是最优的

统计有效性衡量：收敛速率和失调量

收敛速率：自适应滤波器有效到达“稳态”所需要的自适应循环次数

失调量：相对于维纳滤波器产生的最优均方误差的百分比。

从有效性角度，RLS算法比LMS算法好上一个数量级

复杂度衡量

LMS算法的复杂度遵循线性定律，而RLS的算法复杂度遵循平方定律

不需要步长参数的人工调整：IDBD算法（Sutton，1992）以及IDBD所有参数的完全自动调节：自动步进法（Mahmood，2013）

今天的文章核自适应滤波_自适应滤波基本原理及应用分享到此就结束了，感谢您的阅读。