lms演算法問題

A. LMS演算法與最陡下降法有何不同

最陡下降法在迭代過程中與輸入信號無關，不具有有對輸入信號統計特性變化的自適應性，最陡下降法的互相關向量P和自相關矩陣R都是確定量，所以根據最陡下降法迭代式所得到的權向量w(n)也是確定的向量序列。所以，最陡下降法不是自適應演算法。
而LMS演算法中的u（n）和e（n）都是隨機過程，得到的w(n)也是隨機過程向量。LMS演算法是自適應演算法。

B. LMS自適應濾波演算法中要求的期望輸出和濾波器的輸入之間有什麼區別，採集的實際信號往往是無法知道期望輸出

自適應濾波演算法有幾種應用類型，不同類型的目的、原理和手段不同，所以相對應的選取輸入和期望信號也很不一樣。
1.系統辨識：當我們想描述一個未知系統（如一組復雜的模擬電路），解析的算出系統的沖擊響應或者系統函數是比較困難的。這時，我們就可以用未知系統的輸入和輸出訓練自適應濾波器（未知系統的輸入作為自適應濾波器的輸入，未知系統的輸出作為自適應濾波器的期望信號，當自適應濾波器收斂後，對應的濾波器就可以看做是未知系統的近似）。

C. 請問MUSIC演算法和LMS演算法到底是怎麼回事,都是用來干嗎的啊

這是兩種不同的演算法,MUSIC演算法是多重信號分類演算法,是經典的空間譜估計演算法,通過將接受信號分成雜訊子空間和信號子空間(這兩子空間正交)達到超分辨譜估計.MUSIC演算法可以完成DOA(波達方向)估計和頻率估計.其實質是基於一維搜索的雜訊子空間演算法.
LMS演算法是最小均方演算法，是自適應技術的基礎．LMS演算法是達到輸入信號與期望信號有最小的均方誤差的一種演算法．

D. LMS演算法的簡介

全稱 Least mean square 演算法。中文是最小均方演算法。
感知器和自適應線性元件在歷史上幾乎是同時提出的，並且兩者在對權值的調整的演算法非常相似。它們都是基於糾錯學習規則的學習演算法。感知器演算法存在如下問題：不能推廣到一般的前向網路中；函數不是線性可分時，得不出任何結果。而由美國斯坦福大學的Widrow和Hoff在研究自適應理論時提出的LMS演算法，由於其容易實現而很快得到了廣泛應用，成為自適應濾波的標准演算法。

E. 什麼是最小均方(LMS)演算法

全稱 Least mean square 演算法。中文是最小均方演算法。
感知器和自適應線性元件在歷史上幾乎是同時提出的，並且兩者在對權值的調整的演算法非常相似。它們都是基於糾錯學習規則的學習演算法。感知器演算法存在如下問題：不能推廣到一般的前向網路中；函數不是線性可分時，得不出任何結果。而由美國斯坦福大學的Widrow和Hoff在研究自適應理論時提出的LMS演算法，由於其容易實現而很快得到了廣泛應用，成為自適應濾波的標准演算法。
LMS演算法步驟：
1,、設置變數和參量：
X(n)為輸入向量，或稱為訓練樣本
W(n)為權值向量
b(n)為偏差
d(n)為期望輸出
y(n)為實際輸出
η為學習速率
n為迭代次數
2、初始化，賦給w(0)各一個較小的隨機非零值，令n=0
3、對於一組輸入樣本x(n)和對應的期望輸出d，計算
e(n)=d(n)-X^T(n)W(n)
W(n+1)=W(n)+ηX(n)e(n)
4、判斷是否滿足條件，若滿足演算法結束，若否n增加1，轉入第3步繼續執行。

F. 在LMS演算法中,造成失調的原因是什麼

步長，濾波器階數都會造成影響。

G. lms演算法與譜減法都是語音去噪方面的演算法，那他們都分別適用於哪樣的聲音中呢，還有各自的優缺點是啥

先說說譜減法，是通過付利葉變化在頻域上實現操作，這就要求雜訊和本真聲音在頻譜上有一定的區分度。

LMS演算法是一種自適應演算法，它的利用價值就是，倘若本真和雜訊頻譜完全重疊的話，那用頻減法是沒法實現的，於是它是按照對比匹配來進行濾波。

優缺點：
譜減法，直接快速，但是頻譜重疊部分濾不到
LMS，重疊也能濾，缺點是基於逐次匹配，需要一段時間才能實現濾波效果，而且還濾的不完全乾凈

H. LMS演算法的演算法

LMS演算法步驟：
1,、設置變數和參量：
X(n)為輸入向量，或稱為訓練樣本
W(n)為權值向量
e(n)為偏差
d(n)為期望輸出
y(n)為實際輸出
η為學習速率
n為迭代次數
2、初始化，賦給w(0)各一個較小的隨機非零值，令n=0
3、對於一組輸入樣本x(n)和對應的期望輸出d，計算
e(n)=d(n)-X（n）
W(n+1)=W(n)+ηX(n)e(n)
4、判斷是否滿足條件，若滿足演算法結束，若否n增加1，轉入第3步繼續執行。