梯度比较器LMS算法的性能分析
信息论
2016-05-11 v1 机器学习
math.IT
摘要
稀疏感知的零吸引最小均方（ZA-LMS）算法在强稀疏环境下表现出比其非稀疏感知对应算法最小均方（LMS）低得多的失调，但研究表明当冲激响应的稀疏性降低时，其性能劣于LMS。ZA-LMS的重加权变体，即RZA-LMS，表现出针对此种稀疏性变化的鲁棒性，但代价是计算复杂度增加。其他变体如 l0-LMS 和改进的比例归一化LMS（IPNLMS），尽管性能令人满意，但同样计算密集。梯度比较器LMS（GC-LMS）是在考虑硬件约束时该权衡的一种实用解决方案。在本文中，我们详细分析了GC-LMS算法的均值与均方收敛性能。分析结果与仿真结果吻合良好。
引用
@article{arxiv.1605.02877,
title = {Performance Analysis of the Gradient Comparator LMS Algorithm},
author = {Bijit Kumar Das and Mrityunjoy Chakraborty},
journal= {arXiv preprint arXiv:1605.02877},
year = {2016}
}
备注
5 pages, 2 figures