想象你正举着相机拍摄一个奔跑的孩子。你半按快门，镜头“嗬”地一声从模糊变得锐利；孩子跑远了，镜头又嗡嗡作响地重新聚焦，取景器里那张小脸始终清晰。这台相机的秘密，是一套“边拍边学”的对焦系统——每 1/60 秒，它都在问自己三个问题：现在清楚吗？该往哪边拧？拧多大？然后像一位老练的摄影师，小幅、连续地修正焦距，永远追着画面里的主角跑。 LMS（Least Mean Squares，最小均方）自适应滤波器，就是数字信号世界里的那套“自动对焦马达”。传统滤波器像定焦镜头，出厂时焦点焊死，只能服务一种环境；而自适应滤波器不用事先知道信号的统计规律，一边接收数据一边修正自己的系数，自动跟踪环境变化。这篇文章从左到右拆解这台“对焦马达”：为什么定焦镜头不够用，LMS 如何工作，怎么控制“拧镜头的力度”，以及它在回声消除、主动降噪、信道均衡里的实战表现。

岗位关联

掌握 LMS，你就拥有了信号处理领域最常用的自优化工具。无论做音频降噪、通信均衡还是控制系统，都能让滤波器自己适应环境，而不是每次环境一变就找人重新设计。

目录
  1. 可视化演示
  2. 问题起源：为什么“定焦镜头”不够用
  3. LMS核心思想：误差驱动的“对焦循环”
  4. 步长选择：拧镜头的力道学问
  5. 收敛条件：别越过稳定的天花板
  6. NLMS变体：给镜头装上“感光度自动调节”
  7. 典型应用：追焦、防抖与换镜
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示LMS迭代更新原理、步长收敛条件、变体对比与回声消除应用。

本节配有交互动效（进入视口后自动加载，约 3KB）。

LMS基本原理 无需预知信号统计特性边接收边更新系数 以Wiener最优解为目标逐步逼近 w(n+1) = w(n) + μ·e(n)·x(n) 梯度下降的随机近似实现自适应滤波

问题起源：为什么“定焦镜头”不够用

你买过老式定焦相机吗？焦距从出厂那天起就焊死了，拍远景清晰时，近处的人脸糊成一片；把镜头对准近处，远处的山又成了一团雾。它不是不好，只是“只能对好一个距离的焦”。传统数字滤波器也是这样的“定焦镜头”：工程师根据已知的场景，一次性算好一组系数，之后不管输入信号变成什么样，系数都纹丝不动。

问题在于，现实世界的信号几乎从不“安分”：电话线路的阻抗会随天气变化，房间的混响会随家具摆放改变，信道的多径效应会随基站人流波动。信号的统计特性——均值、方差、相关性——始终在变，而定焦镜头只认出厂时校准的那个场景。于是工程师们开始渴望一套“自动对焦系统”：不需要预先知道信号的统计规律，而是边看边调，永远追着目标跑。

固定滤波器的数学描述很简单，它就是一个加权求和的滑动窗口：

就这么一个简单的“加权滑动平均”结构，配上“系数永不更新”的死板约定，就成了定焦镜头最大的痛点。而接下来要登场的 LMS，本质上只做了一件事：把“永不更新”改成“每来一个样本就微调一次”。镜头从此活了过来。

y(n)=∑k=0M−1wk x(n−k)\displaystyle y(n)=\sum_{k=0}^{M-1} w_k\, x(n-k)
  1. 输入样本 x(n-k)x(n) 是当前时刻的输入信号，x(n-1) 是上一时刻的样本，x(n-k) 则是往前推 k 步的样本。这就像对焦环取景框里的一格一格的画面，每格对应一个不同时刻的快照。 x(n−k)x(n-k)
  2. 抽头系数 w_k每个历史样本都配一个权重，w_k 决定了“第 k 格快照”对最终输出有多大话语权。这就像镜头里每一片透镜的折射率，共同决定了焦点落在哪里。 wkw_k
  3. 求和运算把这 M 个“加权快照”累加，就得到当前滤波器的输出 y(n)。这就像多片透镜协同工作，把光汇聚成一个清晰的像。 ∑k=0M−1\sum_{k=0}^{M-1}
  4. 固定系数的局限如果所有 w_k 是一次性算好、之后再也不动，那这台“滤波器”就是纯粹的定焦镜头——它对焦准确的前提，是信号统计特性一直保持出厂时的样子。 wk=常数w_k = \text{常数}

LMS核心思想：误差驱动的“对焦循环”

相机自动对焦时，镜头里有一套精密的控制回路：先拍一张当前画面，对比“期望的清晰影像”和“当前的模糊影像”，算出差距，再把差距换算成“往左拧还是往右拧、拧多少”的指令。LMS 的整个思想，就是把这个回路搬进了滤波器。

它需要三个角色。第一个是期望信号 d(n)，相当于“期望的清晰影像”——在回声消除里是近端语音，在信道均衡里是训练序列。第二个是滤波器输出 y(n)，相当于“当前的实际影像”。第三个是误差 e(n)，也就是 d(n) 和 y(n) 的差，相当于“当前的模糊程度”。LMS 的聪明之处在于：它不需要知道信号的整体统计特性，每来一个样本，就用这一瞬间的误差去修正系数——这就是“瞬时梯度下降”。

两个公式撑起整个 LMS：

对焦系统每 1/60 秒完成一次“拍—比—拧”循环，LMS 则是在每一个采样点完成一次“滤波—求误差—更新系数”循环。信号环境安静时，它悄悄维持着已有的清晰；环境突变时，它又能靠误差信号察觉到“糊了”，迅速重新聚焦。这就是它比定焦镜头强的地方——永远在学，永远在追。

e(n)=d(n)−y(n)\displaystyle e(n)=d(n)-y(n)
w(n+1)=w(n)+2μ e(n) x(n)\displaystyle w(n+1)=w(n)+2\mu\, e(n)\, x(n)
  1. 误差 e(n)=d(n)-y(n)期望信号减去滤波器输出。如果输出完全正确，e(n) 就是零，对焦完成；只要 e(n) 不为零，就说明镜头还有偏差。 e(n)=d(n)−y(n)e(n)=d(n)-y(n)
  2. e(n)·x(n)误差乘以当前输入样本。这个乘积的统计平均恰好指向“均方误差下降最快的方向”（负梯度方向），所以它就是“该往哪边拧镜头”的指南针。用瞬时值代替期望，正是 LMS 能在线学习的关键。 e(n) x(n)e(n)\, x(n)
  3. 系数 2μμ 是步长，控制每次拧镜头的幅度；系数 2 来自均方误差 J=E[e²] 对权重求梯度时落下的因子，数学上让公式更干净。 2μ2\mu
  4. w(n+1)=w(n)+…每来一个样本，系数就沿着修正方向迈一小步。这意味着滤波器永远在“边接收数据、边修正自己”，这就是“边滤边学”四个字的来历。 w(n+1)=w(n)+2μ e(n) x(n)w(n+1)=w(n)+2\mu\, e(n)\, x(n)

步长选择：拧镜头的力道学问

用过手动对焦的人都有体会：拧对焦环的力道是个玄学。拧得猛，画面“唰”地一下清晰，但稍一用力就过头，画面又糊了，只能来回小幅震荡；拧得轻，每一下都很稳健，但调了半天还在模糊区里磨蹭。老摄影师的做法是“先粗后细”：先大范围快速拧到差不多，再小幅度精修。

LMS 里的 μ 就是那只拧对焦环的手。它的第一个作用是决定收敛速度：μ 越大，系数每一步迈得越大，误差下降得越快，从“模糊”到“基本清晰”需要的样本数越少。它的第二个作用却是决定稳态失调量：由于 LMS 用的是瞬时梯度而不是真实梯度，收敛之后系数并不是静止在最优解上，而是在最优解附近随机游走，这个游走的幅度与 μ 大致成正比。

稳态失调的定量关系可以用一个简洁的公式描述：

工程上的标准解法与老摄影师如出一辙——分段步长：启动阶段用较大的 μ 快速“粗对焦”，误差降到一定程度后切换成小 μ 做“精对焦”和稳定跟踪。这个先粗后细的策略，让 LMS 既能快速响应环境突变，又不在稳态时哆哆嗦嗦。

Jex≈μ⋅tr⁡(R)\displaystyle J_{\mathrm{ex}} \approx \mu \cdot \operatorname{tr}(\mathbf{R})
  1. 自相关矩阵 R它描述输入信号各抽头之间的相关强度，矩阵越大、相关性越强，说明镜头要应付的画面越“复杂”。 R=E[x(n)xT(n)]\mathbf{R}=E[\mathbf{x}(n)\mathbf{x}^{\mathsf T}(n)]
  2. 迹 tr(R)矩阵对角线元素之和，恰好等于输入信号的总功率（各抽头能量相加）。它衡量的是“镜头面临的整体光线强度”。 tr⁡(R)\operatorname{tr}(\mathbf{R})
  3. 失调量 J_ex收敛之后，均方误差等于理论最优值 J_min 加上一个额外的失调项。它表示“手抖”带来的额外模糊。 Jex≈μ⋅tr⁡(R)J_{\mathrm{ex}} \approx \mu \cdot \operatorname{tr}(\mathbf{R})
  4. 成正比的启示失调量与 μ 成正比，所以 μ 越大，最终画面越“抖”；μ 越小，画面越稳但到位越慢。这就是 LMS 最核心的矛盾。

收敛条件：别越过稳定的天花板

任何自动对焦马达都有物理极限：力矩不够，镜头转不到位；力矩太大，齿轮咔哒一声打滑甚至崩坏。LMS 同样有一道不能越过的天花板——步长 μ 不能超过某个上限，否则系数不但不收敛，反而会越调越离谱，误差像脱缰野马一样冲向无穷大，这就是“发散”。

这道天花板由输入信号的能量决定。直观理解：输入信号越强，误差乘上输入得到的修正量越大，同样的 μ 会造成更大幅度的系数跳动，所以必须把 μ 压得更低。

稳定性条件写作：

知道了天花板的位置，反而可以更大胆地在规则内“用力拧”——只要 μ 稳稳地落在稳定区里，LMS 就不会把齿轮打坏。这个简单的数值得到了工程界的反复验证：任何输入功率突变的环境里，先估一下 P_x，再按 2/(MP_x) 缩一截设 μ，几乎不会翻车。

0<μ<2λmax⁡≈2M⋅Px\displaystyle 0 < \mu < \frac{2}{\lambda_{\max}} \approx \frac{2}{M \cdot P_x}
  1. 最大特征值 λ_max输入自相关矩阵最大的特征值，对应输入信号在能量最强的那个方向上的功率。它是整个系统最“敏感”的方向——这个方向上系数一旦迈步太大就会失控。 λmax⁡\lambda_{\max}
  2. 2/λ_max稳定上限的精确形式，来源于对误差递推方程的分析：不满足这个不等式时，误差能量会随时间指数放大。 0<μ<2λmax⁡0 < \mu < \frac{2}{\lambda_{\max}}
  3. 近似式 2/(MP_x)当输入近似白噪声时，λ_max 可以用滤波器长度 M 乘以输入功率 P_x 近似。这个式子更实用，因为它只需要估一下输入功率就能算。 2M⋅Px\frac{2}{M \cdot P_x}
  4. 实际安全范围工程上通常取 μ 为上限的 10%～30%，既保证快速收敛，又留足安全余量，不给发散留机会。 μ∈(0, 2M Px) 的较小比例\mu \in \left(0,\ \frac{2}{M\,P_x}\right)\ \text{的较小比例}

NLMS变体：给镜头装上“感光度自动调节”

在光线很暗的房间里，自动对焦经常会“拉风箱”——镜头来回伸缩就是锁不住焦点，因为画面里缺少可供判断的明暗对比特征。于是相机厂商给对焦系统加了一项能力：检测环境亮度，自动提高感光度和辅助照明，让系统在任何光照下都能稳定工作。这就是“归一化”的直觉。

标准 LMS 有个尴尬的毛病：它的稳定边界绑定输入功率。一个在安静房间里调好的 μ，拿到嘈杂的工厂车间可能直接发散；而一个在嘈杂环境里调小的 μ，拿到安静环境又慢得像蜗牛。NLMS（归一化 LMS）做了顺手的一改：每步更新前，先看看当前输入向量有多“亮”，然后用这个亮度把修正量除一下——输入猛的时候自动收着点，输入弱的时候自动放大点。这样无论环境怎么变，系统的“有效步长”始终保持一致。

NLMS 的更新公式只比 LMS 多了一个分母：

今天几乎所有商用自适应系统——从你的蓝牙耳机到电信基站——默认使用的都是 NLMS 或它的变体。它把“自动对焦”升级成了“全天候自动对焦”：无论信号环境是亮是暗、是吵闹还是安静，它都能稳稳地找到焦点。

w(n+1)=w(n)+μ e(n) x(n)∥x(n)∥2+ε\displaystyle w(n+1)=w(n)+\frac{\mu\, e(n)\, x(n)}{\|x(n)\|^2+\varepsilon}
  1. 输入能量 ‖x(n)‖²当前输入向量各元素的平方和，也就是这一瞬间“画面有多亮”。它实时反映了镜头面临的光照强度。 ∥x(n)∥2=∑k=0M−1x2(n−k)\|x(n)\|^2=\sum_{k=0}^{M-1}x^2(n-k)
  2. 除以能量能量大时，修正量被自动压缩；能量小时，修正量被自动放大。这好比相机根据测光结果自动切换感光度。 e(n) x(n)∥x(n)∥2\frac{e(n)\,x(n)}{\|x(n)\|^2}
  3. 小常数 ε防止输入全为零时除以零的保险。它像一个极小的“夜灯”，保证画面全黑时镜头也不会死机。 ∥x(n)∥2+ε\|x(n)\|^2+\varepsilon
  4. 归一化后的 μ现在 μ 的取值范围变为恒定的 0<μ<2，与输入功率无关。工程上再也不需要实时估算输入功率，调参变得省心得多。 0<μ<20 < \mu < 2

典型应用：追焦、防抖与换镜

自动对焦技术真正打动人的，是它走进生活的那些瞬间：拍视频时焦点咬住奔跑的孩子不松口，手持相机时画面再抖也能稳住主体，换一个场景按下快门瞬间重新合焦。LMS 在工程界的三大经典应用，恰好对应这三种能力。

回声消除是“追焦”。打电话开免提时，扬声器声音被麦克风重新采集，形成刺耳回声。让 LMS 以扬声器信号为参考输入 x(n)，以“近端语音+回声”为期望 d(n)，它就能自动估计出回声路径，输出 y(n) 作为回声副本，用 e(n)=d(n)-y(n) 把回声抵消掉，只留下清晰的人声。主动降噪是“防抖”。耳机外侧的参考麦克风采集环境噪声，LMS 实时估计噪声到达耳膜的路径，并生成反相波形抵消它，让噪声“突变”成静音。信道均衡是“换镜”。接收端不知道信道的畸变特性，就周期性地发送训练序列，让 LMS 在线逼近信道逆滤波器；训练完成后切回正常数据传输，信道一旦漂移，下一轮训练又把它拉回准心。

这些应用的数学核心是同一套对消模型：

你发现规律了吗？三个应用都有同一个结构：有一个参考信号当“眼睛”，有一个干扰信号要被消除，LMS 当“手”，不停调整自己的系数去贴合变化的环境。只要“眼睛”和“手”配合好，无论干扰怎么变，LMS 都能追着它、抵消它。这就是为什么工程师们常说：有参考，就有自适应。

e(n)=d(n)−y(n),d(n)=s(n)+v(n)\displaystyle e(n)=d(n)-y(n),\qquad d(n)=s(n)+v(n)
  1. v(n)待消除的干扰：回声、环境噪声或信道畸变，都是混进麦克风/接收端的脏东西，是需要对焦掉的“杂散光”。 v(n)v(n)
  2. s(n)想要的目标：近端语音、心仪的音乐或原始数据，是照片里真正的主角，必须被保留。 s(n)s(n)
  3. y(n)干扰的估计副本：LMS 找到的“干扰的替身”——它需要另一个参考信号作为眼睛，才能看清干扰长什么样。 y(n)≈v(n)y(n) \approx v(n)
  4. 残差 e(n)≈s(n)期望信号减去估计副本，干扰被抵消，目标被成功抢救出来。 e(n)=d(n)−y(n)≈s(n)e(n)=d(n)-y(n)\approx s(n)

AI 应用场景

智能音箱远场语音识别前的回声消除

阶段：数据预处理 / 音频前处理

解决的问题：智能音箱播放音乐或发出提示音时，麦克风会同时采到扬声器的声音和用户的语音。传统降噪算法无法区分“自己发出的声音”和“用户的声音”，导致语音识别准确率暴跌。LMS 以扬声器播放的信号为参考，实时估计回声路径，把麦克风信号中的回声分量抵消掉，让语音识别引擎只听到干净的人声指令。

具体案例：你在客厅喊“天猫精灵，播放周杰伦”，音箱正大声放着歌。NLMS 滤波器在几十毫秒内完成回声路径估计，扬声器输出越大、它抵消得越坚决；你说话时，识别准确率仍能保持在 95% 以上。

TWS 耳机混合主动降噪

阶段：实时信号处理（嵌入式推理）

解决的问题：地铁、飞机上的噪声不是平稳的，固定参数的降噪滤波器对突变噪声几乎无效。LMS 让滤波器实时跟踪环境噪声的变化，用参考麦克风采到的噪声生成反相声波，在耳道处“以毒攻毒”地抵消噪声。

具体案例：某款旗舰降噪耳机的降噪深度可达 45dB。当高铁驶过隧道、噪声频段骤然变化时，LMS 在毫秒级时间内重新收敛，佩戴者几乎感觉不到噪声的“突袭”。

5G 毫米波信道均衡

阶段：物理层在线估计与补偿

解决的问题：5G 高频信号经过墙壁反射、人体遮挡后，会产生严重的多径畸变，符号之间互相干扰。固定均衡器无法适应移动用户快速变化的信道。LMS 在帧头训练序列期间快速收敛，用“边滤边学”的方式实时跟踪信道变化，保证下行数据正确解调。

具体案例：在室分场景下，用户以 3km/h 步行，信道相干时间约 10ms。LMS/NLMS 在 200 个符号内完成均衡系数收敛，误码率从 1e-2 降至 1e-5 量级。

Python 演示

python43 行
import numpy as npimport matplotlib.pyplot as plt np.random.seed(42)N = 2000M = 2h = np.array([0.8, -0.3]) u = np.sin(0.12 * np.arange(N)) + 0.5 * np.sin(0.31 * np.arange(N) + 1.0)u += 0.15 * np.random.randn(N) d = np.zeros(N)for n in range(N):    d[n] = h[0] * u[n] + (h[1] * u[n - 1] if n >= 1 else 0.0)d += 0.02 * np.random.randn(N) mu = 0.03w = np.zeros(M)err = np.zeros(N)w_history = np.zeros((N, M))for n in range(M - 1, N):    x = u[n - M + 1:n + 1][::-1]    y = w @ x    e = d[n] - y    w = w + 2 * mu * e * x    err[n] = e    w_history[n] = w print("收敛后的权重:", np.round(w, 4))print("真实权重:    ", h)print("误差均方根:  ", np.sqrt(np.mean(err[M - 1:] ** 2))) fig, axes = plt.subplots(2, 1, figsize=(8, 6))axes[0].plot(err, lw=0.6)axes[0].set_ylabel("误差 e(n)")axes[1].plot(w_history[:, 0], label="w0")axes[1].plot(w_history[:, 1], label="w1")axes[1].axhline(h[0], color="gray", ls="--")axes[1].axhline(h[1], color="gray", ls="--")axes[1].set_ylabel("权重")axes[1].legend()plt.tight_layout()plt.show()
目的：模拟一台“未知系统”（类似一个需要被辨识的黑盒），用 LMS 在线学习它的内部参数，验证边滤边学是否真的能逼近真实权重。
  1. d[n] = h[0] * u[n] + (h[1] * u[n - 1] if n >= 1 else 0.0)模拟未知系统的输出，这就是我们要学习的目标信号“期望画面”。
  2. x = u[n - M + 1:n + 1][::-1]取出最近 M 个输入样本并倒序排列，构成本时刻的滤波输入向量。
  3. y = w @ x当前滤波器输出，相当于“自动对焦拍出的当前画面”。
  4. e = d[n] - y期望与实际的误差，判断“糊了多少”。
  5. w = w + 2 * mu * e * xLMS 核心更新：沿误差下降方向微调权重。
  6. w_history[n] = w记录每一步权重，方便后面画出收敛轨迹。
  7. axes[1].axhline(h[0], color="gray", ls="--")画真实权重虚线，验证 LMS 是否骗人。

常见误区

误区我第一次跑 LMS 的实验时，发现步长调大后误差掉得飞快，心里暗喜：既然步长越大收敛越快，那把 μ 拉到最大不就行了？结果系统直接发散，输出变成一片噪声。

正解大 μ 在收敛初期确实占尽优势，但代价是稳态失调也随 μ 增大。失调量正比于 μ·tr(R)，μ 太大时，系数在最优解附近剧烈跳动，滤波器的输出始终带着明显的“抖动模糊”；一旦越过 2/(MP_x) 这道天花板，更是直接发散。工程上常用两段式策略：启动用大 μ 快速粗收敛，再用小 μ 精跟踪。

为何常见：收敛曲线的前半段太有欺骗性，初学者盯着“误差快速下降”就误以为大 μ 全面占优，忽视了后半段稳态性能的恶化。

误区既然叫“自适应滤波”，那是不是把麦克风信号丢进去，随便什么噪声都能被滤得干干净净？我拿 LMS 去滤一段纯随机白噪声，结果噪声一点没少，还以为代码写错了。

正解LMS 能消除的，只是“与参考信号相关的干扰”。它本质是估计干扰信号的副本然后相减，如果干扰和参考完全不相关（比如麦克风自带的电路热噪声），LMS 根本没有“眼睛”可看，自然无从下手。就像相机无法对焦到画面里不存在的东西上。

为何常见：把“自适应”想象成万能的噪声过滤器，忽略了它需要参考信号这一根本前提。

误区我以为 LMS 跑完 5000 个样本，权重就跟理论推导的维纳解完全一致，误差会变成 0。用代码一打印，发现权重在小数点后三位还在不断微小变化，误差也稳在一个小值上不再下降。

正解LMS 用的是瞬时梯度代替真实梯度，每步更新都带着“噪声”。因此收敛后系数不会定死在最优解上，而是在最优解附近随机游走，形成一个“失调区”。这就像手持相机对焦完成后再稳，手部的呼吸也会让焦点有微米级的浮动。想要更精确，可以切换到更复杂的算法或随收敛减小步长。

为何常见：教材上的收敛图通常画成平滑曲线，容易让人以为 LMS 是精确逼近，忽略了它随机逼近的本质。

误区我记住了 μ < 2/(MP_x) 这个条件，以为只要满足它，LMS 就一定会收敛到我要的答案。结果我喂给它一个单频正弦波，收敛出来的权重跟真实系统对不上。

正解稳定性条件只保证“不发散”，不保证“收敛到真值”。如果输入信号信息量不足——比如只有单一频率——LMS 只能辨识出该频带内的响应，其他频带的系数根本无法被激励。这就像纯色墙面前，自动对焦系统找不到任何可参考的纹理特征。工程上要求输入满足“持续激励”条件，保证能量覆盖所有关心的频率范围。

为何常见：只记住了数值边界，忽略了输入信号性质对可辨识性的决定性影响。

面试题

Q1. LMS 算法的全称是什么？

单选题 · easy

  • A.线性最小平方
  • B.最小均方算法← 正确答案
  • C.最大似然估计
  • D.最小二乘滤波

答案：B。LMS 是 Least Mean Squares 的缩写，中文译为“最小均方”。它通过最小化误差平方的均值来更新权重。线性最小二乘（LS）是批量处理的另一种方法，最大似然估计是统计学概念，最小二乘滤波也不是 LMS 的准确名称。

Q2. LMS 相比固定 FIR 滤波器最大的特点是什么？

单选题 · easy

  • A.计算速度更快
  • B.无需预知统计特性← 正确答案
  • C.阶数一定更低
  • D.稳定性完全不受限

答案：B。LMS 的核心优势是“边滤边学”——不需要预先知道信号的统计特性，边接收数据边更新系数。它并不会天然更快或阶数更低；稳定性也要受 μ 约束，并非完全不受限。

Q3. 更新公式 w(n+1)=w(n)+2μe(n)x(n) 中，e(n) 表示什么？

单选题 · mid

  • A.期望信号的能量
  • B.期望与输出的误差← 正确答案
  • C.输入信号的瞬时值
  • D.权重的梯度模长

答案：B。e(n)=d(n)-y(n)，是期望信号与滤波器输出之差，相当于“对焦偏差”。它驱动整个更新过程：误差越大，修正量越大；误差为零则不修正。A、C、D 描述的都是别的量。

Q4. 步长 μ 取值偏大时，最主要的风险是什么？

单选题 · mid

  • A.收敛速度明显变慢
  • B.稳态失调增大或发散← 正确答案
  • C.计算量显著增大
  • D.系统功耗显著上升

答案：B。μ 过大时，虽然初期收敛快，但稳态失调（正比于 μ·tr(R)）也随之增大；若 μ 超过 2/(MP_x)，系统直接发散。大 μ 不会让速度变慢，也不会增加计算量或功耗。

Q5. 输入功率 P_x=0.5、滤波器长度 M=4 时，LMS 的步长 μ 需满足什么才稳定？

单选题 · hard

  • A.小于 0.5
  • B.小于 1← 正确答案
  • C.小于 2
  • D.大于 1

答案：B。稳定性边界约为 2/(M·P_x)=2/(4×0.5)=1，所以 μ 必须小于 1。这要求对输入功率有一定估计，工程上还会再留安全余量。

Q6. NLMS 与标准 LMS 最主要的区别是什么？

单选题 · mid

  • A.用参考信号归一化输入
  • B.用输入能量归一化步长← 正确答案
  • C.用期望信号归一化误差
  • D.用误差信号归一化权重

答案：B。NLMS 在更新公式中除以输入向量能量 ‖x‖²，相当于根据输入功率自动缩放步长，让系统在不同环境下都稳定工作。它不改变输入、误差或权重的定义，只调整修正量的尺度。

Q7. NLMS 更新公式中多加的小常数 ε 主要作用是什么？

单选题 · easy

  • A.加速收敛速度
  • B.防止除零异常← 正确答案
  • C.增大稳态失调
  • D.降低输入能量

答案：B。当输入向量全为零（静音或断流）时，‖x(n)‖²=0，直接除法会除零崩溃。ε 是一个极小的正数，保证分母始终大于零，就像全黑环境下的“夜灯”。

Q8. 下列哪些场景适合使用 LMS 自适应滤波器？

多选题 · mid

  • A.扬声器回声消除← 正确答案
  • B.耳机主动降噪← 正确答案
  • C.通信信道均衡← 正确答案
  • D.图片无损压缩

答案：ABC。回声消除、主动降噪、信道均衡都是“有参考信号、干扰时变”的场景，正好是 LMS 的用武之地。图片无损压缩属于数据编码领域，没有实时更新的滤波需求，不适用 LMS。

Q9. 下列因素中，哪些会影响 LMS 的收敛速度？

多选题 · hard

  • A.步长 μ 的大小← 正确答案
  • B.输入信号的功率← 正确答案
  • C.输入自相关特征值← 正确答案
  • D.滤波器的初始相位

答案：ABC。μ 直接决定每步迈多大；输入功率影响有效信噪比和稳定边界；自相关矩阵的特征值扩散比决定了各模式收敛的时间常数差异。滤波器初始相位不是 LMS 收敛速度的讨论范畴。

Q10. 关于 LMS 稳态特性的描述，正确的有哪些？

多选题 · extreme

  • A.系数在最优解附近随机游走← 正确答案
  • B.稳态误差有可能降为零
  • C.失调与 μ 大致成正比← 正确答案
  • D.输入不丰富时系数不可辨识← 正确答案

答案：ACD。LMS 用瞬时梯度估计，收敛后系数不会静止，而是在维纳解附近随机游走，因此稳态误差不为零（B 错）；失调量 J_ex≈μ·tr(R)，与 μ 成正比；输入信号若缺乏持续激励，部分系数根本无法被辨识。