线性自适应滤波器的衡量:鲁棒性、统计有效性和复杂性
鲁棒性衡量:能量增益
线性自适应滤波器可以视为一个估计器,它将输入端的干扰映射为输出端的估计误差。
能量增益:输出端误差能量与输入端总干扰能量的比值。
作为对手的外界会产生所有可能的未知干扰,从而增加能量增益
算法的鲁棒性衡量:最大限度地减少能量增益。
从鲁棒性角度,相比于RLS(递归最小二乘)算法,LMS(最小均方)算法是最优的
统计有效性衡量:收敛速率和失调量
收敛速率:自适应滤波器有效到达“稳态”所需要的自适应循环次数
失调量:相对于维纳滤波器产生的最优均方误差的百分比。
从有效性角度,RLS算法比LMS算法好上一个数量级
复杂度衡量
LMS算法的复杂度遵循线性定律,而RLS的算法复杂度遵循平方定律
不需要步长参数的人工调整:IDBD算法(Sutton,1992)以及IDBD所有参数的完全自动调节:自动步进法(Mahmood,2013)