From the above derivation, we obser

From the above derivation, we observe that if the orthonormality holds, RLS algorithm can be reduced to a form of LMS algorithm. Since the approximation is applied during the derivation, we expect some performance degradation in the convergence speed. We will show the performance of the proposed algorithm in next section. In (31), there is a division operation when implementing 1/n. To further simplify the proposed algorithm, we can approximate 1/n with a piecewise function δ(n), which is designed as follows

ผลลัพธ์ (ไทย) 1:

จากมาข้างต้น เราสังเกตว่า ถ้า orthonormality เก็บ RLS อัลกอริทึมสามารถลดลงฟอร์มของอัลกอริทึมของ LMS เนื่องจากมีใช้ประมาณการในระหว่างที่มา เราคาดว่าบางอย่างด้อยประสิทธิภาพในความเร็วในการลู่เข้า เราจะแสดงประสิทธิภาพการทำงานของอัลกอริทึมนำเสนอในส่วนถัดไป ใน (31), มีการดำเนินงานฝ่ายนำ 1/n ไปทำอัลกอริทึมนำเสนอต่อไป เราสามารถประมาณ 1/n กับ δ(n) ฟังก์ชัน piecewise ซึ่งถูกออกแบบมาเป็นดังนี้

ผลลัพธ์ (ไทย) 2:

มาจากข้างต้นเราสังเกตว่าถ้า orthonormality ถือ​​ขั้นตอนวิธี RLS สามารถลดรูปแบบของขั้นตอนวิธี LMS ตั้งแต่ประมาณถูกนำไปใช้ในช่วงที่มาเราคาดว่าบางส่วนเสื่อมประสิทธิภาพความเร็วในการคอนเวอร์เจนซ์ เราจะแสดงประสิทธิภาพการทำงานของอัลกอริทึมที่นำเสนอในส่วนถัดไป ใน (31) มีการดำเนินงานส่วนเมื่อใช้ 1 / n เพื่อลดความซับซ้อนของขั้นตอนวิธีการต่อไปเสนอที่เราสามารถใกล้เคียงกับ 1 / n พร้อมกับฟังก์ชั่นค่δ (n) ซึ่งถูกออกแบบมาเป็นดังต่อไปนี้

ผลลัพธ์ (ไทย) 3:

จากความหมายข้างต้น เราสังเกตว่า ถ้า orthonormality เก็บ RLS ขั้นตอนวิธีจะลดลงเป็นรูปแบบและขั้นตอนวิธีการ ตั้งแต่ประมาณที่ใช้ในการ เราคาดหวังบางประสิทธิภาพการย่อยสลายในความเร็วบรรจบกัน . พวกเราจะแสดงสมรรถนะของวิธีที่เสนอในหน้าส่วน ( 31 ) , มีการแบ่งการดำเนินงาน เมื่อมีการใช้ 1 / Nและง่ายวิธีที่เสนอ เราสามารถประมาณ 1 / N กับδฟังก์ชันเป็นช่วง ( n ) ซึ่งถูกออกแบบมาดังนี้