用lms算法的基于自适应滤波器的降噪仿真流程图是上面

### 回答1：
抱歉，我没有看到上面的流程图。但是，下面是LMS算法基于自适应滤波器的降噪仿真的一般流程图：

1. 读取噪声信号和干净信号；
2. 设计一个自适应滤波器，其中包含了LMS算法；
3. 将噪声信号输入自适应滤波器中，得到滤波器的输出；
4. 计算滤波器的输出与干净信号之间的均方误差（MSE）；
5. 根据MSE的大小调整滤波器的权值；
6. 重复步骤3-5，直到MSE的值收敛或达到预设的阈值；
7. 输出降噪后的信号。

这是一个简单的流程图，实际上，降噪仿真可能还涉及到信号预处理、滤波器参数的选择和调整等方面的问题。

### 回答2：
LMS算法（最小均方）是一种适用于自适应滤波器的降噪算法。下面是使用LMS算法进行降噪的仿真流程图。

1. 设置输入信号和期望输出信号。输入信号是带有噪声的原始信号，期望输出信号是没有噪声的理想信号。

2. 初始化自适应滤波器的权值向量。初始权值可以设置为0或者一个较小的随机数。

3. 将输入信号通过自适应滤波器进行滤波，得到滤波后的输出信号。

4. 将滤波后的输出信号与期望输出信号进行误差计算。误差可以使用均方误差（MSE）来衡量。

5. 根据LMS算法的更新规则，调整自适应滤波器的权值。更新规则是根据误差大小和输入信号的相关性进行调整，使权值向量更接近最佳值。

6. 重复步骤3至5，直到满足停止准则。停止准则可以是达到一定的迭代次数或者误差达到一个预定的阈值。

7. 输出最终降噪后的信号。

使用LMS算法进行降噪的流程图如上所述。通过不断调整自适应滤波器的权值，使其逐渐逼近最佳权值，从而实现对噪声信号的降噪。此过程是基于对误差的最小化，并且能够进行在线实时处理，适用于许多实际应用中对信号降噪的需求。