1、原理简介
参考相关论文，自适应滤波器主要由FIR滤波器本体、参数自适应计算两部分组成。参数自适应计算部分是用来迭代计算滤波器系数的，它的输入是期望估计误差f、原始数据采样保存的向量U，输出是可变的FIR滤波器系数。FIR滤波器就是传统的有限冲击响应滤波器，可以是低通、高通等类型。之所以说这里自适应算法输出的滤波器系数可变，是因为它会根据变化的期望误差和输入向量，不停的进行迭代，最终会收敛。由于有了自适应算法，滤波器对动态误差的响应会更快，理论上噪声抑制效果也更好。
图1 自适应滤波器架构
论文上的自适应算法有很多种，其中LMS最小均方差自适应滤波算法计算量比较小，所以我选择它用在自己的项目里。
LMS自适应算法公式：
公式里的
就是需要不断迭代的滤波器系数，M维向量；c和r都是常数；UT表示U的转置也是M维的向量；其他符号在图里面都已经解释了。这是一种可变更新步长的算法，因为UTU是变化的。
如果用固定步长，那么公式就是：
这里面的h就是步长，相当于是一个固定的系数。
可变步长算法的好处是收敛快，滤波器延时更小。
2、实现流程
明白了原理，下面再设计滤波器的verilog实现方案。
分析前面第1个公式，有加法、乘法、除法，还有M维的向量。做过FPGA算法的应该有体会，向量和矩阵计算在verilog里面不太好处理，需要把它转化成单个元素进行计算，不然会占用太多资源，说白了就是把并行计算架构转成流水线形式的计算架构。这里面还需要关注的是参数向量B(n)和输入向量U(n)，如何表示这两个动态变化的向量，还有就是如何计算
。
我选择用FIFO表示前面提到的几个M维向量，需要计算时就读FIFO中的数据，计算完成之后更新FIFO。至于
，手动推导后可以看出它其实就是向量各元素的平方和，因此也可以用FIFO通过不断缓存
以及动态累加的方式实现。
基于FIFO的自适应算法架构如下图所示。
图片画的不太简洁，用文字描述一下在FPGA中实现的过程。
第一步：系统复位后先对FIFOA1和FIFOB1初始化，也就是先缓存得到一组向量B和向量U。
第二步：初始化结束后，等待输入数据（滤波前）u和滤波后数据u1更新，然后FIFOCtrlB模块读FIFOA1的数据并参与计算流水线，动态累加模块读FIFOC以及新输入数据完成累加值更新并参与计算流水线，FIFOCTRLU模块读FIFOB1数据参与计算流水线。
第三步：计算流水线完成乘法、加法全部计算过程，得到一个新的参数B(n+1)，FIFOCtrlB把这个新参数写入FIFOA2，以供下一轮计算使用，同时FIFOCTRLU模块把上一步参与计算流水线的数据写入FIFOB2，也是为了下一轮次计算使用。直到FIFOA1中的参数读完了也就是计算完了，与此同时FIFOB1也被读空了，相应的FIFOA2、FIFOB2也都写完成了，这一轮计算结束。
下一轮计算时，FIFOA1和FIFOA2互换读写次序，FIFOB1、FIFOB2互换读写次序。循环往复。
由于和都是常数，因此代入常数后就省掉了除法器，用乘法代替。
自适应算法是滤波器最核心最难的部分，把这部分的输出直接接入FIR滤波器，就可以实现了自适应FIR滤波。至于FIR滤波器，用IP核就可以，不需要自行设计。当然也可以自己用逻辑和加法器、乘法器搭建FIR滤波器，这样可控性更好，不然还要去理解FIR的IP核的接口和参数的含义，也挺费事的。
目前已经按照这个流程写好了verilog逻辑，后面会仿真测试，与MATLAB计算的结果比较一下，验证设计是否正确。