1 引言
    人工神经网络最重要的功能之一是分类。对于线性可分问题，采用硬限幅函数的单个神经元，通过简单的学习算法就可成功实现分类。即对于两个不同类中的输入矢量，神经元的输出值为0或1。但对于大多数非线性可分类，硬限幅神经元则无法完成分类功能。自适应线性元件Adaline(Adap-tive LiIlear Element)是一种具有线性功能函数的神绎元，在实际输出与理想预期值的最小二乘LMS(Least Mean Square)的统计意义下进行学习，可以实现最佳的非线性可分集合的分类，即按照最小二乘的统计意义要求，实际输出值与理想预期值之间的误差均方值为最小，能够实现这一目的算法即称为最小二乘学习算法或LMS算法。

2 Adaline的LMS算法原理
    设输入矢量X=[x1，x2，…，xn]，加权矢量W=[ω1，ω2，…，ωn]，则神经元的输出为：

  
    定义ε(k)是理想输出值d(k)与实际输出值y(k)之间的误差，即ε(k)=d(k)-y(k)，其均方值记作E[ε2(k)]，令ζ(k)=E[ε2(k)]，则：
  
    由式(2)可知必定存在最佳的加权矢量W*，使ζ(k)达到最小，此时ζ(k)相对于W的梯度等于零，从而可以得到：

  
    式(3)虽然给出了求最佳加权矢量的方法，但需要大量的统计计算，而且当输入矢量X的维数很大时，需要解决高阶矩阵求逆问题，这些在数学计算上都是非常闲难的。

3 随机逼近LMS学习算法的提出
    为了解决式(3)存在的问题，有学者提出LMS学习问题的严格递推算法和随机逼近算法，这里简要描述其算法原理。LMS学习问题的严格递推算法是在任意设置初始加权矢量W(0)时，对于每一个时序变量k，对W调整：

  
    用这种方法可以保证求得严格的最佳解，而且避开矩阵求逆。但学习过程的每一步仍需大量的统计计算，仍需解决统计计算困难。