回声消除中的自适应算法发展历程
传统的IIR和FIR滤波器在处理输入信号的过程中滤波器的参数固定，当环境发生变化时，滤波器无法实现原先设定的目标。自适应滤波器能够根据自身的状态和环境变化调整滤波器的权重。 自适应滤波器理论 $x(n)$是输入信号，$y(n)$是输出信号，$d(n)$是期望信号或参考信号，$e(n)=d(n)-y(n)$为误差信号。根据 自适应算法 和 误差信号 $e(n)$调整滤波器系数。 自适应滤波器类型。可以分为两大类： 非线性自适应滤波器 、 线性自适应滤波器 。非线性自适应滤波器包括基于神经网络的自适应滤波器及Volterra滤波器。非线性自适应滤波器信号处理能力更强，但计算复杂度较高。所以实践中， 线性自适应滤波器使用较多 。 自适应滤波器结构 主要分为两类FIR滤波器、IIR滤波器。 FIR滤波器时非递归系统，即当前输出样本仅是过去和现在输入样本的函数，其系统冲激响应h(n)是一个有限长序列。具有很好的线性相位，无相位失真， 稳定性较好 。 IIR滤波器时递归系统，即当前输出样本是过去输出和过去输入样本的函数，其系统冲激h(n)是一个无限长序列。IIR系统的相频特性是非线性的，稳定性不能保证。好处是实现阶数较低， 计算量较少 。 自适应滤波器算法按照不同的优化准则，常见自适应滤波算法有：递推最小二乘算法(RLS)，最小均方误差算法(LMS)，归一化均方误差算法