基于MATLAB的LMS自适应滤波器，参数可更改，绝对能用。

擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。

模式识别实验报告 1、最大最小距离聚类法 2、K-均值聚类法 3、感知器算法 4、最小均方误差算法

提出一种改进的均衡器算法。该方法基于最小均方误差(minimum mean square error,MMSE)准则,使均衡器的输出与训练码的均方误差最小,并且将信道均衡的最小均方误差目标函数转化为二阶锥形式,利用内点法求最优解。与传统基于最小均方误差(least mean squares,LMS)和递归最小二乘(recursive leastsquares,RLS)自适应算法的均衡器相比,由于不需要迭代收敛过程,不存在收敛速度与精度的矛盾,克服了基于LMS和RLS的自适应均衡器参数设置的困难,而且利用更短的训练序列长度即可获得相同的均衡效果,对于改善通信效率具有参考价值。

matlab匹配滤波代码仅通过MMSE估计实现的自适应脉冲压缩 作者：Pardhu M 接触： 描述 此方法基于最小均方误差（MMSE）公式，其中从接收信号中自适应估计每个单个距离单元的脉冲压缩滤波器，以减轻大目标附近匹配滤波导致的掩蔽干扰。 代码详细信息 所有代码均以Matlab 2015版本编写。 参考文件 Blunt，Shannon D.和Karl Gerlach。 “通过MMSE估计进行自适应脉冲压缩。” IEEE航空航天和电子系统学报42.2（2006）：572-584。 免责声明 提及的作者对上述论文没有任何版权。

基于MATLAB实现图像降噪好的程序

机器学习;最小均方误差算法LMS;随机梯度;梯度下降;有监督学习;线性回归;正规方程与梯度下降的比较;正规方程

为了进一步改善非线性功率放大器系统的线性度,提出了一种基于BP神经网络逆向建模的离线训练自适应预失真方法。利用BP神经网络对功放逆向建模,并将建立好的逆模型参数作为预失真器模型初值。为了提高在初始预失真系统中预失真器的线性化效果及系统自适应进程的速度,在建立自适应预失真系统之前,利用BP逆向模型对预失真器进行离线训练。最后采用直接结构和最小均方(LMS)算法调节神经网络预失真器的权值,以消除放大器非线性的扰动。仿真结果显示,此方案可使邻道互调功率降低约18 dB,而经典的直接—非直接结构只降低了8 dB,表明此预失真方案能够更好地改善功率放大器的线性度。

非线性和线性负载连接到三相电源。 电源电流是非正弦的。 并联有源滤波器在 0.08 秒处切换。 现在电源电流是正弦的并且与电源电压同相。 功率因数接近统一，THD 降低至 5% 可以改变负载参数以研究不同类型的负载特性

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