💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
摘要:
本研究探讨了输入扩张对归一化最小均方(NLMS)算法稳态过剩均方误差(EMSE)的影响。首先,我们使用主支配理论来按照输入回归变量的扩散程度进行排序。其次,我们使用舒尔凸性证明输入回归变量的主支配次序在EMSE中是保持不变的。实际上,我们提供了一个分析上的合理性来解释随着输入扩张的增加,稳态EMSE的增加。
NLMS算法随迭代次数变化的均方误差(MSE),针对两组输入回归变量。尽管特征值分布相同(即ρ1=ρ2=50),但两个回归变量的MSE是不同的。
📚2 运行结果
原文:
复现结果:
图2:NLMS算法随迭代次数变化的均方误差(MSE),针对具有特征值λ1 > λ2 > λ3 > λ4 的自相关矩阵的四组输入回归变量。
部分代码:
M=5; % Dimension of w
iter=1000; % Number of iterations
SNR_dB=20; % SNR in dB
alpha=1; % step size of the algorithm
ens=1000;
w_o=[.227 .460 .688 .460 .227]; % optimal weight vector to be estimated
lamtype=[3 4 5 6]; % All the lamtypes that need to be simulated % lamtype=[1 2] for Fig. 1 and lamtype=[3 4 5 6] for Fig. 2
%
MSE_all=zeros(length(lamtype),iter); % To store result
zeta_hat_all=zeros(length(lamtype)); % To store result
....
%% Plotting results
figure,plot(10*log10(MSE_all)');hold on;
%
le=legend(legarray);
le.Interpreter='latex';le.Location='northeast';le.FontSize=13;
xlabel('Iterations','Interpreter','latex');
ylabel('MSE (dB)','Interpreter','latex');
ax=gca;
ax.TickLabelInterpreter='latex';
ax.FontSize=13;
%
axis tight
axlims=axis;
x_range=axlims(2)-axlims(1);
y_range=axlims(4)-axlims(3);
looseness=5;
axis([axlims(1)-looseness/1e2*x_range axlims(2)+looseness/1e2*x_range ...
axlims(3)-looseness/1e2*y_range axlims(4)+looseness/1e2*y_range])
%
box off
grid on;
%
dim=[0.597 0.38 0.3 0.3];
string='$\alpha$=1, $\mathrm{SNR}$=20 dB';
annotation('textbox',dim,'String',string,'FitBoxToText','on','Interpreter','latex','FontSize',13);
%
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。