The first solution suffersfrom curv

The first solution suffers
from curve fitting limitations whereas the second suffers
from quantization aspects . In both cases, as for memory
polynomial model, the LMS algorithm is used. Concerning
the nonlinear subsystem characterized by its impulse response,
[17] proposes a frequency domain method for the identification
of the Hammerstein model. The Wiener is then deduced from
the identification.

ผลลัพธ์ (ไทย) 1:

วิธีแรกที่ทนทุกข์ทรมานจากโค้ง
ข้อ จำกัด ที่เหมาะสมในขณะที่ทุกข์ที่สอง
จากด้าน quantization ในทั้งสองกรณีเป็นหน่วยความจำแบบ
พหุนามขั้นตอนวิธี LMS ถูกนำมาใช้ ที่เกี่ยวกับระบบย่อย
ไม่เชิงเส้นที่โดดเด่นด้วยการตอบสนองต่อแรงกระตุ้นของ
[17] เสนอวิธีโดเมนความถี่เพื่อระบุตัวตนของรูปแบบ
แฮมเมอร์ Wiener จะอนุมานได้แล้วจาก
บัตรประจำตัว

ผลลัพธ์ (ไทย) 2:

โซลูชันแรก suffers
จากเส้นโค้งข้อจำกัดในขณะที่สอง suffers
จาก quantization ด้าน ในทั้งสองกรณี สำหรับหน่วยความจำ
ใช้รูปแบบพหุนาม อัลกอริทึม LMS เกี่ยวกับ
ระบบย่อยไม่เชิงเส้นโดยการตอบสนองกระแส,
[17] เสนอวิธีโดเมนความถี่การรหัส
รุ่น Hammerstein แล้วมี deduced Wiener ที่จาก
รหัส

ผลลัพธ์ (ไทย) 3:

โซลูชันครั้งแรกได้รับ
จากความโค้งมนกระชับข้อจำกัดในขณะที่ที่สองประสบ
จากแง่มุม quantization ในทั้งสองกรณีเป็นสำหรับรุ่นหน่วยความจำ
polynomial LMS อัลกอริธึมที่ใช้ เกี่ยวกับระบบย่อย nonlinear
ซึ่งจะช่วยให้การตอบสนองโดยการผลักดันของ
[ 17 ]เสนอวิธีการโดเมนความถี่สำหรับการระบุตัวตนที่
ของรุ่น hammerstein ที่ Wiener Museumsmelange ":คือนั่งส่วนบุคคลจาก
ตามมาตรฐานแล้วการระบุตัวตนได้.