其中：x(n)为自适应滤波器的输入；w(n)为自适应滤波器的冲激响应：w(n)={w(O)，w(1)，…，w(N-1)}；y(n)为自适应

   
3 自适应滤波算法
    自适应滤波器除了包括一个按照某种结构设计的滤波器，还有一套自适应的算法。自适应算法是根据某种判断来设计的。自适应滤波器的算法主要是以各种判据条件作为推算基础的。通常有两种判据条件：最小均方误差判据和最小二乘法判据。LMS算法是以最小均方误差为判据的最典型的算法，也是应用最广泛的一种算法。
    最小均方误差(Least Mean Square，LMS)算法是一种易于实现、性能稳健、应用广泛的算法。所有的滤波器系数调整算法都是设法使y(n)接近d(n)，所不同的只是对于这种接近的评价标准不同。LMS算法的目标是通过调整系数，使输出误差序列e(n)=d(n)-y(n)的均方值最小化，并且根据这个判据来修改权系数，该算法因此而得名。误差序列的均方值又叫“均方误差”(Mean Sqluare Error，MSE)。
    理想信号d(n)与滤波器输出y(n)之差e(n)的期望值最小，并且根据这个判据来修改权系数wi(n)。由此产生的算法称为LMS。均方误差ε表示为：

    对于横向结构的滤波器，代入y(n)的表达式：

    其中：R=E[X(n)XT(n)]为N×N的自相关矩阵，它是输入信号采样值间的相关性矩阵。P=E[d(n)X(n)]为N×1互相关矢量，代表理想信号d(n)与输入矢量的相关性。在均方误差ε达到最小时，得到最佳权系数它应满足下式：

    这是一个线形方程组，如果R矩阵为满秩的，R-1存在，可得到权系数的最佳值满足：W*=R-1p。用完整的矩阵表示为：

   
    显然φx(m)=E[x(n)x(n-m)]为x(n)的自相关值，φxd(R)=E[x(n)d(n一k)]为x(n)与d(n)互相关值。在有些应用中，把输入信号的采样值分成相同的一段(每段称为一帧)，再求出R，P的估计值得到每帧的最佳权系数。这种方法称为块对块自适应算法。如语音信号的线性预测编码LPC就是把语音信号分成帧进行处理的。R，P的计算，要求出期望值E，在现实运算中不容易实现，为此可通过下式进行估计：

    用以上方法获得最佳W*的运算量很大，对于一些在线或实时应用的场合，无法满足其时间要求。大多数场合使用迭代算法，对每次采样值就求出较佳权系数，称为采样值对采样值迭代算法。迭代算法可以避免复杂的R-1和P的运算，又能实时求得近似解，因而切实可行。LMS算法是以最快下降法为原则的迭代算法，即W(n+1)矢量是W(n)矢量按均方误差性能平面的负斜率大小调节相应一个增量：W(n+1)=W(n)-μ▽(n)，这个“是由系统稳定性和迭代运算收敛速度决定的自适应步长。▽(n)为n次迭代的梯度。对于LMS算法▽(n)为下式E[e2(n)]的斜率：