lms算法问题

A. LMS算法与最陡下降法有何不同

最陡下降法在迭代过程中与输入信号无关，不具有有对输入信号统计特性变化的自适应性，最陡下降法的互相关向量P和自相关矩阵R都是确定量，所以根据最陡下降法迭代式所得到的权向量w(n)也是确定的向量序列。所以，最陡下降法不是自适应算法。
而LMS算法中的u（n）和e（n）都是随机过程，得到的w(n)也是随机过程向量。LMS算法是自适应算法。

B. LMS自适应滤波算法中要求的期望输出和滤波器的输入之间有什么区别，采集的实际信号往往是无法知道期望输出

自适应滤波算法有几种应用类型，不同类型的目的、原理和手段不同，所以相对应的选取输入和期望信号也很不一样。
1.系统辨识：当我们想描述一个未知系统（如一组复杂的模拟电路），解析的算出系统的冲击响应或者系统函数是比较困难的。这时，我们就可以用未知系统的输入和输出训练自适应滤波器（未知系统的输入作为自适应滤波器的输入，未知系统的输出作为自适应滤波器的期望信号，当自适应滤波器收敛后，对应的滤波器就可以看做是未知系统的近似）。

C. 请问MUSIC算法和LMS算法到底是怎么回事,都是用来干吗的啊

这是两种不同的算法,MUSIC算法是多重信号分类算法,是经典的空间谱估计算法,通过将接受信号分成噪声子空间和信号子空间(这两子空间正交)达到超分辨谱估计.MUSIC算法可以完成DOA(波达方向)估计和频率估计.其实质是基于一维搜索的噪声子空间算法.
LMS算法是最小均方算法，是自适应技术的基础．LMS算法是达到输入信号与期望信号有最小的均方误差的一种算法．

D. LMS算法的简介

全称 Least mean square 算法。中文是最小均方算法。
感知器和自适应线性元件在历史上几乎是同时提出的，并且两者在对权值的调整的算法非常相似。它们都是基于纠错学习规则的学习算法。感知器算法存在如下问题：不能推广到一般的前向网络中；函数不是线性可分时，得不出任何结果。而由美国斯坦福大学的Widrow和Hoff在研究自适应理论时提出的LMS算法，由于其容易实现而很快得到了广泛应用，成为自适应滤波的标准算法。

E. 什么是最小均方(LMS)算法

全称 Least mean square 算法。中文是最小均方算法。
感知器和自适应线性元件在历史上几乎是同时提出的，并且两者在对权值的调整的算法非常相似。它们都是基于纠错学习规则的学习算法。感知器算法存在如下问题：不能推广到一般的前向网络中；函数不是线性可分时，得不出任何结果。而由美国斯坦福大学的Widrow和Hoff在研究自适应理论时提出的LMS算法，由于其容易实现而很快得到了广泛应用，成为自适应滤波的标准算法。
LMS算法步骤：
1,、设置变量和参量：
X(n)为输入向量，或称为训练样本
W(n)为权值向量
b(n)为偏差
d(n)为期望输出
y(n)为实际输出
η为学习速率
n为迭代次数
2、初始化，赋给w(0)各一个较小的随机非零值，令n=0
3、对于一组输入样本x(n)和对应的期望输出d，计算
e(n)=d(n)-X^T(n)W(n)
W(n+1)=W(n)+ηX(n)e(n)
4、判断是否满足条件，若满足算法结束，若否n增加1，转入第3步继续执行。

F. 在LMS算法中,造成失调的原因是什么

步长，滤波器阶数都会造成影响。

G. lms算法与谱减法都是语音去噪方面的算法，那他们都分别适用于哪样的声音中呢，还有各自的优缺点是啥

先说说谱减法，是通过付利叶变化在频域上实现操作，这就要求噪声和本真声音在频谱上有一定的区分度。

LMS算法是一种自适应算法，它的利用价值就是，倘若本真和噪声频谱完全重叠的话，那用频减法是没法实现的，于是它是按照对比匹配来进行滤波。

优缺点：
谱减法，直接快速，但是频谱重叠部分滤不到
LMS，重叠也能滤，缺点是基于逐次匹配，需要一段时间才能实现滤波效果，而且还滤的不完全干净

H. LMS算法的算法

LMS算法步骤：
1,、设置变量和参量：
X(n)为输入向量，或称为训练样本
W(n)为权值向量
e(n)为偏差
d(n)为期望输出
y(n)为实际输出
η为学习速率
n为迭代次数
2、初始化，赋给w(0)各一个较小的随机非零值，令n=0
3、对于一组输入样本x(n)和对应的期望输出d，计算
e(n)=d(n)-X（n）
W(n+1)=W(n)+ηX(n)e(n)
4、判断是否满足条件，若满足算法结束，若否n增加1，转入第3步继续执行。