Zusammenfassung
Die Adaptionsalgorithmen aus Kapitel 3 wurden auf der Grundlage der Wiener-Filter-Theorie entwickelt. Bei gegebener Statistik des Eingangssignals und des erwünschten Signals wird durch die Wiener-Filter-Theorie ein Gewichtsvektor w° (das Wiener-Filter) geliefert, der optimal im statistischen Sinn ist. Das Optimalitätskriterium ist dementsprechend ein Ensemblemittelwert und wird als mittlerer quadratischer Fehler MSE definiert (2.16): \( J\left( {\underline w } \right) = E\left\{ {e^2 \left[ k \right]} \right\} \) Das Wiener-Filter wird beim Gradienten-Verfahren durch Adaption des Gewichtsvektors nach einem iterativen Schema angestrebt, das auf dem Gradienten der Fehlerfunktion J(w) basiert. In Unkenntnis der Statistik wird der Gradient beim LMS-Algorithmus approximiert, so dass hier eine gewisse Ungenauigkeit (ausgedrückt durch den Überschussfehler Jex) in Kauf genommen werden muss. Der LMS-Algorithmus ist einfach implementierbar, hat aber den Nachteil der langsamen Konvergenz bei einem schlecht konditionierten Eingangssignal.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
References
Das Matrixinversions-oder MI-Lemma wird in der Literatur auch als Woodbury’s Identity nach dem vermuteten ‘Entdecker’ (1950) benannt. In der Signalverarbeitungsliteratur wurde dieses Lemma erstmals von T.Kailath im Jahr 1960 vorgestellt.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2000 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Moschytz, G.S., Hofbauer, M. (2000). Least-Squares-Adaptionsalgorithmen. In: Adaptive Filter. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-18250-1_4
Download citation
DOI: https://doi.org/10.1007/978-3-642-18250-1_4
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-67651-5
Online ISBN: 978-3-642-18250-1
eBook Packages: Springer Book Archive