<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>LMS on Mi&amp;Bee Blog</title><link>/tags/lms/</link><description>Recent content in LMS on Mi&amp;Bee Blog</description><generator>Hugo -- gohugo.io</generator><language>zh-CN</language><managingEditor>蓝宝石的傻话</managingEditor><lastBuildDate>Thu, 07 May 2026 10:00:00 +0800</lastBuildDate><atom:link href="/tags/lms/rss.xml" rel="self" type="application/rss+xml"/><item><title>自适应滤波：从 LMS 到 NLMS</title><link>/posts/physical-world/adaptive-filtering-lms-nlms/</link><pubDate>Thu, 07 May 2026 10:00:00 +0800</pubDate><guid>/posts/physical-world/adaptive-filtering-lms-nlms/</guid><description>&lt;h2 id="lms-算法"&gt;LMS 算法&lt;/h2&gt;
&lt;p&gt;自适应滤波的核心问题是：给定参考信号 &lt;code&gt;x(n)&lt;/code&gt; 和期望信号 &lt;code&gt;d(n)&lt;/code&gt;，找到一个滤波器系数向量 &lt;code&gt;w&lt;/code&gt;，使输出 &lt;code&gt;y(n)&lt;/code&gt; 逼近 &lt;code&gt;d(n)&lt;/code&gt;。&lt;/p&gt;
&lt;p&gt;最小均方（Least Mean Square, LMS）算法是解决这个问题最经典的方法，由 Widrow 和 Hoff 在 1960 年提出。核心思路是每次迭代都沿着误差曲面最陡的方向下降一步——也就是随机梯度下降。&lt;/p&gt;</description></item></channel></rss>