From 8cefcc7bb984ac1d0064eb8698ec23aaa3ed6bb7 Mon Sep 17 00:00:00 2001
From: Luke <37331045+Luke95322@users.noreply.github.com>
Date: Tue, 3 Apr 2018 10:31:00 +0200
Subject: [PATCH] Update README.md

---
 README.md | 8 +++++++-
 1 file changed, 7 insertions(+), 1 deletion(-)

diff --git a/README.md b/README.md
index 890d492..dfa15a2 100644
--- a/README.md
+++ b/README.md
@@ -14,7 +14,7 @@ Prädiktionsverfahrens miteinander vergleicht.
 Adaptive Prädiktionsfilter passen sich der Charakteristik der Signale an und gehören somit in den
 Bereich des maschinellen Lernens. So genannte Least-Mean-Square-Filter (LMS) sind adaptive
 Filter mit einer vergleichsweisen geringen Komplexität. Im Wesentlichen werden M vorangegangene
-Signalwerte gewichtet überlagert, um einen Schätzwert für die aktuelle Position zu generieren
+Signalwerte gewichtet überlagert, um einen Schätzwert für die aktuelle Position zu generieren.
 
 Xˉ [𝑛] = �𝑎𝑗[𝑛] ∙ 𝑥[𝑛 − 𝑗]
 𝑀
@@ -30,7 +30,9 @@ während 0 < 𝜇 ≤ 1 die Lernrate ist.
 Leider funktioniert das nur gut, wenn der Mittelwert von x[n] gleich Null ist. Für Bilder und auch
 teilweise für Sprachsignale ist das nicht gegeben. Als Lösung kommen drei Varianten in Frage,
 welche die obigen Formeln leicht abwandeln:
+
 1. lokalen Mittelwert abziehen
+ 
  𝑥
 �[𝑛] = 𝑥̅[𝑛] + ∑ 𝑎𝑗[𝑛] ∙ (𝑥[𝑛 − 𝑗] − 𝑥̅[𝑛]) 𝑀
 𝑗=1 mit 𝑥̅[𝑛] = 1
@@ -43,7 +45,9 @@ und
 2 mit ||𝐱[𝑛]||
 2 = ∑ (𝑥[𝑛 − 𝑗] − 𝑥�[𝑛]) 𝑀 2
 𝑗=1
+
 2. Bezug auf direkten Vorgänger nehmen
+
 𝑥
 �[𝑛] = 𝑥[𝑛 − 1] + ∑ 𝑎𝑗[𝑛] ∙ (𝑥[𝑛 − 1] − 𝑥[𝑛 − 𝑗 − 1]) 𝑀
 𝑗=1
@@ -54,7 +58,9 @@ und
 2 mit ||𝐱[𝑛]||
 2 = ∑ (𝑥[𝑛 − 1] − 𝑥[𝑛 − 𝑗 − 1]) 𝑀 2
 𝑗=1
+
 3. differentiellen Bezug auf Vorgänger nehmen
+
 𝑥
 �[𝑛] = 𝑥[𝑛 − 1] + ∑ 𝑎𝑗[𝑛] ∙ (𝑥[𝑛 − 𝑗] − 𝑥[𝑛 − 𝑗 − 1]) 𝑀
 𝑗=1