Update README.md

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] = <20>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
 <EFBFBD>[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
 <EFBFBD>[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
 <EFBFBD>[𝑛] = 𝑥[𝑛 − 1] + ∑ 𝑎𝑗[𝑛] ∙ (𝑥[𝑛 − 𝑗] − 𝑥[𝑛 − 𝑗 − 1]) 𝑀
 𝑗=1