说明：基于LMS(最小均方误差算法)的自适应滤波 基于LMS(最小均方误差算法)的自适应滤波

说明：自适应滤波的遗传算法算法 自适应滤波的LMS算法

说明：基于RLS算法的自适应滤波器的MATLAB程序

说明：GPS导航中抗差自适应Kalman滤波算法，Matlab源代码。

说明：卡尔曼滤波和自适应滤波 y

说明：Volterra自适应预测的 matlab 程序,用于自适应预测测试和混沌序列的相空间重构（转）

说明：matlab dct－lms自适应算法仿真例子，该例子做了dct－lms和lms的比较。

说明：LMS自适应均衡仿真matlab例子特征值扩散度，步长参数的学习曲线仿真

说明：matlab例子自适应滤波最陡下降法特征值扩散度仿真，变步长仿真

说明：自适应滤波器 滤除声音回波 起到声音回波抵消作用

说明：自己编的LMS自适应算法的MATLAB源程序 本程序内容： 产生一个信号+白噪声序列，用lms算法自适应去除噪声； lmsx.m为自适应函数 task2.m为主函数,其中调用lmsx.m

说明：自适应模拟退火软件包，我也正在学习中，希望有人指教

说明：自适应控制的一些MATLAB例子，也包含模糊控制的一些例子

说明：学习通信的人都知道，要进行信号处理的话，算法的编程非常繁琐，这里有一些自适应信号处理的算法，LMS,RLS，MMSE等的算法，希望大家喜欢。

说明：Title: MMSE Receiver for DS-SS in AWGN Channel Author: Panson Tantikovit Summary: An adaptive receiver for DS-SS systems MATLAB Release: R12.1 Required Products: Communications Toolbox,Signal Processing Blockset Description: This is an adaptive receiver for a direct-sequence spread spectrum (DS-SS) system over an AWGN channel. The adaptive receiver block is modified from the LMS adaptive filter block in DSP Blockset. For DS-SS signal reception, the adaptive filter needs to have multi-rate operation. The input sample rate is equal to chip rate and the output is at symbol rate. Two rates are related by PG, processing gain.

说明：通过参考其它程序，自己改写的MIMO-OFDM的自适应调制程序，运行ui-start-sim

说明：OFDM系统的自适应比特加载和功率分配程序，运行OFDM.M

说明：利用实时最优化自适应网格算法绘制大规模地形，算法经典，绝对可用，注释清楚。

说明：一个用MATLAB写的ART1神经网络原代码

说明：自适应噪声对消源程序，LMS算法自适应滤波器仿真

说明：《自适应信号处理》书中各个章节的matlab仿真的源程序！对于学习自适应信号处理的非常有用！

说明：自适应共振理论网络 用来进行模式分类联想记忆效果很好，误差率极低，能正确识别

说明：文件提供了通信中自适应波束形成的matlab程序，根据到达的来波方向，自适应的调节形成波束的主瓣方向，程序给出了自适应的过程和最后的波束图。

说明： Description: Adaptive SAR ATR Problem Set (AdaptSAPS) Version 1.0

说明：自适应小波变换源代码，变换说明性文档，及库函数。

说明：一个鲁榜自适应Capon波束形成器(Robust Capon Beamforming)的实现算法。该算法是先进的，广泛使用在信号处理和通信领域的有效波束形成算法。

说明：This a Bayesian ICA algorithm for the linear instantaneous mixing model with additive Gaussian noise [1]. The inference problem is solved by ML-II, i.e. the sources are found by integration over the source posterior and the noise covariance and mixing matrix are found by maximization of the marginal likelihood [1]. The sufficient statistics are estimated by either variational mean field theory with the linear response correction or by adaptive TAP mean field theory [2,3]. The mean field equations are solved by a belief propagation method [4] or sequential iteration. The computational complexity is N M^3, where N is the number of time samples and M the number of sources.

说明：有需要自适应滤波算法的来，希望对大家有帮助