小弟是做电路出身，现在在搞一些机器学习的算法，最近读到关于equalizer的各种实现方法的文章，感觉很神奇，原来计算机领域的很多分类算法（classification）都被用来实现equalizer，然后就是各种准确度对比BER和SNR的曲线等等。 但我有些关于实用性的疑问： 1. 通信系统的equalizer都是基于某种channel model来搭建的， 实质上就是找到Wi（Tap Weight）对吧。只要能找到这些Tap Weight，后面来的所有信号位，都可以用这个equalizer来准确地判断是0还是1。所以主要的研究重点就是如何找到Wi， 我这么理解对吗？ 2. 如果channel model不随时间变化，那么一次性得到的Wi就可以无限地用下去。但实际上channel model是时变的，所以大家都在研究adaptive equalizer 对吧？ 但是我最大的问题就在这里：从机器学习的角度出发，equalizer是需要得到一大堆接收到的变了形的数据和相应的正确值，然后经过一定时间的计算，得到正确的0,1之间的分类线。举例来说，信道条件的变化周期是10分钟，我花1分钟来收集了1000个数据，再花1分钟算出正确的Wi，剩下的8分钟就可以实现正确的equalization. 可是我感觉在传统通信中，像ZFE，MMSE，DFE 这种主流的equalizer 都是实时地处理数据(比如7个tap)吧，是不是不用收集大量数据，也不用花时间来对数据进行训练？ 3. 我还读到Bayesian还有什么最大可能性（Maximum likelihood）的设计，我感觉这种和机器学习算法挺像的，需要花时间收集大量数据样本，然后算出“概率” 来优化Wi...请问我这么理解对不对？ 总之，adaptive equalizer得到的Wi 到底是实时瞬间地现学现用，还是需要收集大量数据后花时间算出更准确的Wi的？