这是一个学习笔记系列。为督促自己看书,尽量更新。但同时也在学其他东西,也不知道能不能实现。少玩耍,多读书。
IT的应用里面当然会用滤波知识啦
应该会慢慢改进,会慢慢补充每一个部分的笔记。
文章目录
Stochastic Progress and Models
渐近平稳自适应模型
回顾一下 M M M阶自适应模型 u ( n ) + a 1 ∗ u ( n − 1 ) + ⋯ + a M ∗ u ( n − M ) = ν ( n ) . u(n)+a_1^*u(n-1)+\dots+a_M^*u(n-M)=\nu(n). u(n)+a1∗u(n−1)+⋯+aM∗u(n−M)=ν(n).该系统的解可以表示为补充函数(complementary function) u c ( n ) u_c(n) uc(n)和特解(particular solution) u p ( n ) u_p(n) up(n)的和,即 u ( n ) = u c ( n ) + u p ( n ) u(n)=u_c(n)+u_p(n) u(n)=uc(n)+up(n)。
- u c ( n ) u_c(n) uc(n)是齐次方程(homogeneous equation) u ( n ) + a 1 ∗ u ( n − 1 ) + ⋯ + a M ∗ u ( n − M ) = 0 u(n)+a_1^*u(n-1)+\dots+a_M^*u(n-M)=0 u(n)+a1∗u(n−1)+⋯+aM∗u(n−M)=0的解。一般地, u c ( n ) = B 1 p 1 n + B 2 p 2 n + ⋯ + B M p M n u_c(n)=B_1p_1^n+B_2p_2^n+\dots+B_Mp_M^n uc(n)=B1p1n+B2p2n+⋯+BMpMn, B 1 , B 2 , … , B M B_1,B_2,\dots,B_M B1,B2,…,BM是任意常数, p 1 , p 2 , … , p M p_1,p_2,\dots,p_M p1,p2,…,pM是 1 + a 1 ∗ z − 1 + a 2 ∗ z − 2 + ⋯ + a M ∗ z − M = 0 1+a_1^*z^{-1}+a_2^*z^{-2}+\dots+a_M^*z^{-M}=0 1+a1∗z