当自适应过滤器能够适应数据的变化时，它们被称为“自适应”。
在您上面提到的滤波器中，它们是线性滤波器系列的一部分，该属性意味着它们的系数随时间而变化。

线性滤波器基本上是对数据进行加权和求和。
例如，如果没有关于数据的先验信息，您可能希望对给定的任何数据具有准确的权重。

然而，在大多数信号处理用例中，我们希望（或可能希望）根据每个数据样本的属性（例如 SNR、它与模型的匹配程度等）给予更高的权重......

在经典的卡尔曼滤波器中，系数是根据模型矩阵设置的 -$P$.
对于卡尔曼滤波器，该矩阵代表估计的协方差。
它根据我们模型和数据的属性的其他 2 个矩阵而变化 -$Q$- 模型置信水平矩阵，$R$数据置信度模型（对于高斯数据，它基本上是 SNR）。

由于该算法支持随时间变化的情况，因此称为自适应。

例如，在使用雷达跟踪目标的情况下，算法可以改变矩阵$R$根据测量的 SNR。

递归最小二乘具有相似的属性（尽管它仅取决于一个因素，类似于矩阵$R$卡尔曼滤波器）。
人们甚至可以将 RLS 视为卡尔曼滤波器的一个私有案例（或将卡尔曼滤波器作为一种概括）。

对于许多情况，卡尔曼滤波器有很多扩展。
您提到的 UKF（无味卡尔曼滤波器）是为处理模型的非线性情况而构建的。
但自适应概念保持不变，权重根据数据和模型的属性而变化。

自适应滤波器是一种根据输入信号更新其系数或参数的滤波器。卡尔曼滤波器是自适应滤波器。在每个时间步，他们更新他们正在跟踪的状态的估计以及这些状态的协方差的估计。