自适应滤波器有许多种，在这里实现了基于最小均方误差自适应滤波器

0 引 言 　　自适应滤波理论是20世纪50年代末开始发展起来的。它是现代信号处理技术的重要组成部分，对复杂信号的处理具有独特的功能。自适应滤波器在信号处理中属于随机信号处理的范畴。对于随机数字信号的滤波处理，通常有维纳(Weiner)滤波器、卡尔曼(Kal-man)滤波器和自适应(Adaptive)滤波器。维纳滤波器的权系数是固定的，适用于平稳随机信号；卡尔曼滤波滤波的权系数是可变的，适用于非平稳随机信号。但是，只有在对信号和噪声的统计特性先验已知的情况下，这两种滤波器才能获得最优滤波。但在实际应用中，常无法确定这些统计特性的先验知识，或统计特性是随时间变化的，因此，在许多情况下，维纳滤波

滤波是滤除信号中某些特定频率的波形的技术，在数字信号处理中，主要用于滤除噪声和干扰信号。由于噪声和干扰信号的不确定性，采用固定滤波系数的数字滤波器无法达到最佳的效果。自适应滤波器能够随着环境的改变而改动滤波器自身的参数和结构，从而能够随着噪声和干扰信号的不断变化修正滤波器的参数和结构，最终实现较理想的滤波。本文研究了最小均方差（LMS）算法，并结合自适应滤波器的结构和原理，设计出FIR结构自适应滤波器。最后给出MATLAB仿真结果，并利用DSP验证自适应滤波器的性能。

步长随输入信号改变的FIR自适应滤波器的matlab代码

FIR自适应滤波器的matlab源代码,步长固定。

自适应滤波3 - 第三章最小均方(LMS)算法.ppt

自适应滤波器实现语音降噪matlab仿真代码

外国人编写的一套新的自适应滤波方法，简称NLFMT，对图像的边缘检测以及分割都有着不错的效果，值得学习！

lms滤波器matlab代码自适应滤波器 在GNU Octave和Matlab中开发自适应过滤。 您只需要在GNU-Octave或Matlab中运行“ applied_in_music”（但您需要在代码中更改什么是音乐文件）。 我正在使用自适应过滤来执行系统识别，“猜测”将哪些“未知”过滤器u应用于已知输入x（来自mp3文件） 目前有3个分支机构： 母版：为Matlab编写的FIR滤波器标识，使用NLMS方法（请参阅参考资料） octave：FIR滤波器标识，为Octave编写，Laso使用NLMS方法（请参阅参考资料） octave_IIR_filter：IIR滤波器标识，为Octave编写。 IIR识别不是FIR识别的简单扩展（问题没有单一的解决方案）。 它实现了全梯度IIR LMS算法，从而使系统近似。 当您已经知道系统的极数和零数时，结果会好得多。

采用CCS８.３.０＋ＣＣＳ５.０的软件仿真功能，搭建出一个自适应滤波器