A. 什么是自适应滤波器，具体作用和应用是什么
达中抑制具有卜勒频移的杂波干扰；数字通信网与模拟通信网之间多路TDM/FDM信号变换复接等等。
3.多维DF
在图象处理、地震、石油勘探的数据处理中都用到多维DF（常用是二维DF），多维DF的设计，往往将一维DF优化设计直接推广到多维DF中去。对于模糊和随机噪声干扰的二维图象的处理，多维DF也能发挥很好的作用。
此外，还有波DF，它便于实现大规模集成；便于无源和有源滤波网络的数字模拟。
对于DF有待研究的课题有：系数灵敏度；舍入噪声和极限环；多维逆归滤波器的稳定性；各种硬件和软件实现DF的研究等等。
其它新型滤波器
介绍几种已得到广泛应用的新型滤波器：
1.电控编程CCD横向滤波器（FPCCDTF）
电荷耦合器（CCD）固定加权的横向滤波器（TF）在信号处理中，其性能和造价均可与数字滤波器和各种信号处理部件媲美。这种滤波器主要用于自适应滤波；P-N序列和Chirp波形的匹配滤波；通用化的频域滤波器以及作相关、褶积运算；语音信号和相位均衡；相阵系统的波束合成和电视信号的重影消除等。
2.晶体滤波器
它是适应单边带技术而发展起来的。在70年代，集成晶体滤波器的产生，使它发展产生一个飞跃，近十年来，对晶体滤波器致力于下面一些研究：实现最佳设计，除具有优良的选择外，还具有良好的时域响应；寻求新型材料；扩展工作频率；改造工艺，使其向集成化发展。它广泛应用于多路复用系统中作为载波滤波器，在收发信中、单边带通信机中作为选频滤波器，在频谱分析仪和声纳装置中作为中频滤波器。
3.声表面波滤波器
它是理想的超高频器件。它的幅频特性和相位特性可以分别控制，以达到要求，体积小，长时间稳定性好和工艺简单。通常应用于：电视广播发射机中作为残留边带滤波器；彩色电视接收机中调谐系统的表面梳形滤波器，此外，在国防卫星通信系统中已广泛采用。声表面波滤波器是电子学和声学相结合的产物，而且可以集成。所以，它在所有无源滤波器中最有发展前途。
B. 自适应滤波器的原理
设计最佳滤波器，要求已知关于信号和噪声统计特性的先验知识。但在许多情况下人们对此并不知道或知道甚少，某些情况下这些统计特性还是时变的。处理上述这类信号需要采用自适应滤波器。如地球物理信息处理中，地球物理场的趋势分析，即场的滑动窗口处理方法就是典型的自适应滤波器的应用。
自适应信号处理器分为两大类，一类是自适应天线，另一类则是自适应滤波器。微电子技术和超大规模集成（VLS1）电路技术的进步，促进了自适应信号处理技术的发展，使之获得广泛的应用。本节简单介绍一下自适应滤波器的工作原理。
自适应滤波原理：自适应滤波器由参数可调的数字滤波器（或称为自适应处理器）和自适应算法两部分组成，如图3-12所示。参数可调数字滤波器可以是FIR数字滤波器或IIR数字滤波器，也可以是格型数字滤波器。输入信号x（n）通过参数可调数字滤波器后产生输出信号（或响应）y（n），将其与参考信号（或称期望响应）d（n）进行比较，形成误差信号e（n）。e（n）（有时还要利用x（n））通过某种自适应算法对滤波器参数进行调整，最终使e（n）的均方值最小。因此，实际上自适应滤波器是一种能够自动调整本身参数的特殊维纳滤波器，在设计时不需要事先知道关于输入信号和噪声的统计特性的知识，它能够在自己的工作过程中逐渐“了解”或估计出所需的统计特性，并以此为依据自动调整自己的参数，以达到最佳滤波效果。一旦输入信号的统计特性发生变化，它又能够跟踪这种变化，自动调整参数，使滤波器性能重新达到最佳。
图3-12 自适应滤波原理
图3-12所示的自适应滤波器有两个输入：x（n）和d（n），两个输出：y（n）和e（n）。其中x（n）可以是单输入信号，也可以是多输入信号。其余3个信号都是时间序列。在不同的应用场合中这些信号代表着不同的具体内容。
C. 自适应滤波器的原理介绍，分类及特性急！急！急！
数学原理
以输入和输出信号的统计特性的估计为依据，采取特定算法自动地调整滤波器系数，使其达到最佳滤波特性的一种算法或装置。自适应滤波器可 自适应滤波器
以是连续域的或是离散域的。离散域自适应滤波器由一组抽头延迟线、可变加权系数和自动调整系数的机构组成。附图表示一个离散域自适应滤波器用于模拟未知离散系统的信号流图。自适应滤波器对输入信号序列x(n)的每一个样值，按特定的算法，更新、调整加权系数，使输出信号序列y(n)与期望输出信号序列d(n)相比较的均方误差为最小，即输出信号序列y(n)逼近期望信号序列d(n)。 20世纪4 自适应滤波器
0年代初期，N.维纳首先应用最小均方准则设计最佳线性滤波器，用来消除噪声、预测或平滑平稳随机信号。60年代初期，R.E.卡尔曼等发展并导出处理非平稳随机信号的最佳时变线性滤波设计理论。维纳、卡尔曼－波色滤波器都是以预知信号和噪声的统计特征为基础，具有固定的滤波器系数。因此，仅当实际输入信号的统计特征与设计滤波器所依据的先验信息一致时，这类滤波器才是最佳的。否则，这类滤波器不能提供最佳性能。70年代中期，B.维德罗等人提出自适应滤波器及其算法，发展了最佳滤波设计理论。 以最小均方误差为准则设计的自适应滤波器的系数可以由维纳-霍甫夫方程解得 式中W(n)为离散域自适应滤波器的系数列矩阵(n)为输入信号序列x(n)的自相关矩阵的逆矩阵,Φdx(n)为期望输出信号序列与输入信号序列x(n)的互相关列矩阵。 B.维德罗提出的一种方法，能实时求解自适应滤波器系数，其结果接近维纳－霍甫夫方程近似解。这种算法称为最小均方算法或简称 LMS法。这一算法利用最陡下降法，由均方误差的梯 自适应滤波器
度估计从现时刻滤波器系数向量迭代计算下一个时刻的系数向量 式中憕【ε2(n)】为均方误差梯度估计， ks为一负数，它的取值决定算法的收敛性。要求，其中λ为输入信号序列x(n)的自相关矩阵最大特征值。 自适应 LMS算法的均方误差超过维纳最佳滤波的最小均方误差，超过量称超均方误差。通常用超均方误差与最小均方误差的比值（即失调）评价自适应滤波性能。 抽头延迟线的非递归型自适应滤波器算法的收敛速度，取决于输入信号自相关矩阵特征值的离散程度。当特征值离散较大时，自适应过程收敛速度较慢。格型结构的自适应算法得到广泛的注意和实际应用。与非递归型结构自适应算法相 自适应滤波器
比，它具有收敛速度较快等优点。人们还研究将自适应算法推广到递归型结构；但由于递归型结构自适应算法的非线性，自适应过程收敛性质的严格分析尚待探讨，实际应用尚受到一定限制。
编辑本段应用领域
自适应滤波器应用于通信领域的自动均衡、回波消除、天线阵波束形成，以及其他有关领域信号处理的参数识别、噪声消除、谱估计等方面。对于不同的应用，只是所加输入信号和期望信号不 自适应滤波器
同，基本原理则是相同的
D. 为什么自适应滤波算法发散不收敛
要提自适应滤波器,首先就得知道什么是最优滤波器.
最优滤波器就是某种准则（通常是最小均方误差）下,性能最优的滤波器.
而实际中,由于系统环境是时变的,以及直接计算最优滤波器往往计算量较大,实时处理可能存在困难,所以可以让滤波器从某个初始状态出发,按照设定的规则,依据观测到的系统输入和输出,调整滤波器,使其不断逼近当前的最优滤波器.这个逼近的过程就是收敛的过程.
自适应滤波器的瞬态性能分析很复杂,特别是对于系统也可能时变的情况.现在理论也往往只是定性分析.如何实现“好”的自适应滤波器,往往取决于目标应用的特点.也就是说,没有最好的,只有最合适的.
你引用的这段文字,一看就是些APA算法的文章.LMS和RLS是计算复杂度和收敛速度的两极,APA介于两者之间,此话不假.但是凭此说哪个好实在是没有意义的事情.要具体应用问题,具体分析.