解决了基于声传感器阵列的跨音速估计问题。 根据在亚音速或超音速气流中传播的声波的传播特性，为给定的测量设备建立了线性声传感器阵列的观测模型。 然后，基于最小均方误差（MMSE）准则的迭代实现，提出了一种鲁棒的风速估计器，简称为II-MMSE。 作为一种稀疏估计方法，II-MMSE自然地考虑了阵列观测数据中的噪声协方差信息，因此不需要用户选择任何超参数。 此外，II-MMSE技术在计算上比一般的超参数稀疏估计方法更有效，并且对有限的快照和数组建模错误具有良好的鲁棒性。 进行仿真以显示II-MMSE的功效。

对比传统的归一化最小均方算法（NLMS），系数比例自适应算法（PNLMS）拥有较快的初始收敛速度，但是PNLMS无法很好处理稀疏系统辨识问题。因此基于L0范数的IPNLMS(L0-IPNLMS)算法被提出，本文对L0-IPNLMS算法提出改进以提高对稀疏系统进行辨识的性能。分析了近年来的几种系数比例算法的性能及其局限性，通过建立步长因子μ与误差信号e之间的非线性关系，提出了一种结合Sigmoid函数和L0范数的变步长系数比例NLMS滤波算法，仿真结果表明提出的算法拥有更好的收敛性和稳态误差。

在大规模 MIMO 系统中，将牛顿迭代法用于传统的 WWSE 预编码算法求逆运算，但是其迭代初始值计算复杂。针对这一问题，提出WWSESOR-NT算法。在SOR算法的基础上提出中间算法，然后与牛顿迭代算法相结合，利用中间算法直接对高阶矩阵的逆进行估算，将得到的结果作为牛顿迭代法的迭代初始值以加快收敛速度。仿真结果显示，与传统牛顿迭代法比较，WWSESOR-NT 算法能够以更少的迭代次数和近似相同的复杂度逼近WWSE算法的性能。

在这篇提交中，我提出了一种使用最小均方 (LMS) 算法在频域中估计线性信道的方法。 选择长度为“N”的随机输入信号，然后使用 (PSK/QAM) 调制方案进行调制（取决于用户选择）。 该程序还显示估计的脉冲响应，通道的输入和输出。

LMS(Least Mean Square)算法因其结构简单、稳定性好等优点,得到了广泛的应用,但在收敛速度和稳态失调之间存在着固有矛盾,通过对步长因子的调整可以克服这一矛盾。分析研究了已有的变步长LMS算法,在此基础上提出了一种改进的变步长LMS算法。理论分析和计算机仿真表明该算法不但具有较快的收敛速率,并且具有更小的稳态误差。

机器学习的讲义，主要介绍利用矩阵和最大似然估计推导最小均方误差函数。

维纳预测的最小均方误差为 维纳预测的求解和维纳滤波器的求解方法是一致的。

文章首先简单介绍了LMS算法和采用此算法的系统结构图，随后分别给出了MATLAB和SIMULINK的具体实现及其运行结果，最后针对迭代步长对系统性能的影响情况进行简明的讨论。结果证明，采用LMS算法得出的结果与准确值的偏差在工程上完全可以接受，并且算法容易实现。

此函数是 LMMS（线性最小值均方误差），用于抵抗ISI（符号间干扰） 在通信系统中。 模拟在我的个人资料中提供，文件名为 LMMSEsimulation.m 请给出意见

对LMS自适应算法进行了详细的性能分析与讨论，针对LMS算法运算较复杂、适应性较弱、稳定性差的缺点提出了一种HLMS（混合LMS）算法。建立了自适应噪声抵消系统，利用MATILAB软件对食堂、体育馆两处的录音信号进行计算机语音去噪仿真分析。实验结果表明，两种自适应方法均能有效抑制各种噪声污染，提高语音信噪比为60%~85%，而且对引入的语音信号失真也较小，二者均在10%以下。HLMS算法比LMS算法更简洁，LMS算法调节性能敏感于参考输入的方差，而HLMS算法敏感于参考输入的均方根值，因此HLMS算法的适应性比LMS算法更强，在非平稳随机输入情况下HLMS算法更能提供稳定的工作性能，更能较好的恢复原始语音信号。