针对在惯组时间序列的插值和预测分析中，不可避免地会引入一些误差，致使预报结果不能反映惯组实际状况的缺点，基于自适应滤波能够提供卓越的滤波性能和自动地调节现时刻滤波器参数的特点，设计了一种基于LMS 自适应滤波器，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。仿真结果表明该方法是有效的。

为了解决定步长 LMS 算法不能同时满足快速收敛和低稳态误差的问题，提出了一种基于改进双曲正切函数的变步长LMS算法（IVSSLMS）。该算法利用步长反馈因子的二范数和误差信号的相关值来调节步长，克服了定步长算法收敛速度慢及抗噪声能力差的问题；并从理论上分析了算法的性能，给出了参数的取值方法。仿真实验结果表明，在高/低信噪比条件下，IVSSLMS 算法比已有变步长算法的收敛速度更快、稳态误差更小、系统跟踪能力更优。

共10篇IEEE论文，自适应均衡器 LMS 变步长算法

8阵元的LMS自适应算法，课程设计亲自手写，值得信赖，安全可靠，不懂就问，且用且珍惜。 随时可能下架，预下从速！！

递归最小二乘 此Jupyter笔记本包含递归最小二乘（RLS）算法的简短讨论和实现。 RLS在机器学习，信号处理，时间序列分析和逼近理论中非常有用。 在查看笔记本

我正在尝试修改 LMS 算法，使其收敛速度更快，均方误差也会更小。 谈到 LMS 的缺点之一，它只有一个可控参数“mu”，从设计的角度来看，它的值的选择是最关键的。 因此，我想以步长适应每次迭代中发生的错误的方式实现 LMS。 我提出的是二进制步长 LMS 算法。这里，我们有两个步长，由 2 个值计算，增量和偏差。 当误差比之前的 error 值增加时，步长为（delta+deviation）。 当误差从其先前的值减小时，步长为（delta-deviation）。 我使用 BS-LMS 算法实现了一个自适应均衡器。 发现这比 LMS 算法收敛得更快。 此外，考虑到步长始终为（输入信号的增量/能量）的 NLMS（Normalized LMS）算法，NLMS 的收敛速度比 LMS 快。 将二进制步长概念与 NLMS 结合起来，我发现 BS-NLMS 和 NLMS 的收敛速度几乎相等，但是

快速变步长LMS算法，提高原来LMS算法收敛速度！

具有改进的可变步长LMS算法的复合自适应数字预失真，

在这个模拟中，我使用递归最小二乘 (RLS) 和最小均方 (LMS) 算法实现了用于系统识别的代码。

Python内核自适应过滤：在Python中实现LMS，RLS，KLMS和KRLS过滤器