LMS_theory.m

自适应滤波器是一种数字滤波器，它的优点是不需要提前预知所需要的操作参数，依据某种判据（输入信号），逐步估计出所需的统计特性，以此不断递归更新滤波器权系数，从而达到最佳滤波；如果输入信号的统计特性发生改变，自适应滤波器能重新根据输入信号发生的变化估计出统计特性，来自动调整权系数，从而使自适应滤波实现最好的滤波效果。自适应滤波器主要有三部分组成，滤波结构、需要优化的代价函数，滤波算法。按结构的不同分为线性自适应滤波器和非线性自适应滤波器。线性自适应滤波器具有计算复杂度比较低且结构简单有效的特点，因此应用广泛。而线性自适应滤波器分为有限冲击响应和无限冲击响应。常用的滤波结构是有限冲击响应滤波器。
对于自适应滤波器而言，自适应滤波算法是它的核心部分，我们通常用算法的计算复杂度、收敛速度、收敛精度、稳定性等方面来作为衡量一个算法好坏的标准。自适应滤波算法的三个因素：滤波准则、目标函数和误差信号。
。常用的自适应算法主要包括最小均方算法（LMS）、递归最小二乘方法（RLS）、神经网络算法等，其中基于维纳滤波器 理论的 LMS 算法由于其结构简单，计算复杂度度低，性能稳定，易于实现等特点，仍是目前自适应滤波理论中应用
最为广泛的算法。