核自适应滤波（Kernel Adaptive Filtering）
来源：互联网 发布：淘宝密令怎么玩 编辑：程序博客网 时间：2024/06/05 11:31
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）
阅读全文
0 0
- 核自适应滤波（Kernel Adaptive Filtering）
- 双边滤波（bilateral filtering）
- 同态滤波（Homomorphic filtering）
- 自适应滤波器（Adaptive Filter）
- 自适应滤波器（Adaptive Filter）
- 自适应滤波器（Adaptive Filter）
- 自适应滤波器（Adaptive Filter）
- homomorphic filtering （同态滤波）原理
- 同态滤波（Homomorphic filtering）(附源码)
- 双边滤波原理（Bilateral Filtering）
- 粒子滤波（particle filtering）梳理
- Swift自适应布局（Adaptive Layout）教程
- Swift自适应布局（Adaptive Layout）教程
- AdaBoost（Adaptive Boosting 自适应提升）算法
- Bilateral Filtering(双边滤波)
- 中值滤波Median filtering
- Sparse Filtering稀疏滤波
- Bilateral Filtering(双边滤波)
- linus(三)用户与用户组，linus文件权限，linus目录配置，linus支持的文件系统
- 最强转码技术揭秘：窄带高清原理解析+用户接入指南
- Linux部署 服务器版JRE
- python和Django完成博客数据库的迁移
- php&Mysql结束
- 核自适应滤波（Kernel Adaptive Filtering）
- scp复制文件
- 单片机的时钟
- java中基本类型和包装类之间的转换
- VDD和AVDD电源管脚
- eclipse远程调试Tomcat方法（测试成功并且说说遇到的坑）
- 算法面试思路随记1
- JAVA Spring web mvc 学习 之 5：JSON
- SVN 插件安装在MyEclipse10中
