最小均方 (LMS)

最小均方（Least Mean Square, LMS）并非单纯指数学上的最小值概念，而是指一种特定的自适应优化策略。其核心思想是在动态变化的环境中，通过迭代更新滤波器权重，使得输出信号与期望信号之间的误差平方和（即均方误差，MSE）达到局部最小。该术语常与“最小二乘法”（Least Squares）混淆，但最小二乘法通常指基于历史数据的全局静态优化，而最小均方强调在线、实时、逐样本的自适应调整过程，是现代数字信号处理与机器学习模型训练的基础范式。

在现代计算架构中，最小均方准则扮演着连接传统信号处理与前沿机器学习的桥梁角色。它不仅是通信系统中均衡器、信道估计器的核心算法，也是神经网络反向传播算法中梯度下降法的特例（当步长固定且损失函数为均方误差时）。其核心价值在于以极低的计算复杂度实现了对未知环境的实时适应，使得系统能够在噪声干扰下保持稳健运行。随着深度学习在边缘计算领域的普及，基于最小均方思想的轻量化自适应算法正成为物联网设备智能感知的关键技术支撑。