 |
Questa pagina è stata trascritta e formattata, ma deve essere riletta. | |
| 162 | Codifica numerica del segnale audio |
.jpg)
Fig. 5.20 - Curve di apprendimento.
Al fine di ridurre la complessità di implementazioni hardware dell’algoritmo, è possibile adottare leggi di aggiornamento dei coefficienti del predittore che si basino esclusivamente sul segno della funzione d’errore e/o del segnale (polarity cross-correlations). Le leggi di aggiornamento che ne derivano sono del tipo
![{\displaystyle \alpha _{k}^{(n+1)}=\alpha _{k}^{(n)}+\mu \ sgn[e(n)]\ x(n-k)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/d3897d24738b8c2a61de02a8f7ef135089ebbb00)
![{\displaystyle \alpha _{k}^{(n+1)}=\alpha _{k}^{(n)}+\mu \ e(n)\ sgn[x(n-k)]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/23d12cf74d8ee0140867e960ee7d12f1195d1afa)
| (5.101) |
![{\displaystyle \alpha _{k}^{(n+1)}=\alpha _{k}^{(n)}+\mu \ sgn[e(n)]\ sgn[x(n-k)]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/70209a57e2b2b61d1c00b4cdf015bb0b49163831)
Infine, per ridurre la propagazione di errori di quantizzazione o di trasmissione, può risultare utile utilizzare un coefficiente moltiplicativo λ < 1 per attenuare il peso dei precedenti coefficienti a (potenzialmente errati), ottenendo
