Chceme propustit signál šířící se kolmo na řadu viz. Obr. 12.1a, tedy s DOA (Direction of Arrival) a ostatní signály (s odlišným směrem šíření, ) potlačit (například signál ).
Za tímto účelem umístíme za senzory řady adaptivní filtr se strukturou viz. Obr. 12.1a. Za každým z senzorů řady je umístěn transverzální filtr s vahami. Výstupy těchto filtrů jsou pak sečteny do jediného chybového výstupu . Pro účely dalšího výkladu zaveďme vektor vah a vektor signálů na zpožděních
Otázkou zůstává jak nastavovat váhy . Minimalizací rozptylu (výkonu) na chybovém výstupu , sice docílíme potlačení rušivých signálů, ale triviální řešení (všechny váhy nulové) vede i k potlačení užitečného signálu . Přidáme tedy okrajovou podmínku na hodnoty vah, aby (signál šířící se kolmo na řadu) prošel bez zkreslení.
Jak se struktura chová z pohledu signálu . Protože se šíří kolmo na řadu jsou příspěvky od na všech senzorech stejné. Tyto příspěvky se pak v dalších krocích kopírují na další zpoždění. V každém sloupci struktury Obr. 12.1a jsou tedy shodné příspěvky signálu . Zhlediska můžeme tedy sloupce propojit, výsledná struktura je uvedena na Obr. 12.1b, jedná se o jediný transverzální filtr délky jehož váhy jsou součtem vah původní struktury v odpovídajícím sloupci.
Okrajovou podmínku získáme tak, že fixujeme váhy vzniklého filtru (impulsovou odezvu filtru z hlediska ) na Dirakův impulz (chceme, aby prošel bez zkleslení).
Nyní shrnu předešlé úvahy. Váhy budeme nastavovat tak, abychom minimalizovali rozptyl na chybovém výstupu (opět předpokládáme, že proces mé nulovou střední hodnotu), při platnosti okrajové podmínky (12.6). Jedná se vlastně o hledání vázaného extrému. Výsledný adaptivní algoritmus se nazývá LMS s lineárními okrajovými podmínkami.
Trajektorie vah ve váhovém prostoru je naznačena na obrázku Obr. 12.2. Množina přípustných vah je omezena pouze na podprostor (přímka na obrázku). Váhy se pohybují ve směru vázaného gradientu, jehož hodnoty jsou omezeny pouze na lineární podprostor (na obrázku přímka procházející počátkem rovnoběžná s přímkou ).
Z toho vyplývají špatné numerické vlastnosti LMS algoritmu s okrajovými podmínkami. "Vyjede-li" v důsledku kumulativní chyby (nové váhy se získají jako staré opravené o násobek vázaného gradientu) z podprostoru (kde jsou splněny okrajové podmínky) vázaný gradient tuto chybu neumí opravit viz. Obr. 12.2. S rostoucím počtem iterací tedy vzdálenost od podprostoru stále roste.
Efektivní řešení problému uvedl až Frost (včetně korigovaných horních mezí pro ). Navržené řešení spočívá v promítnutí na podprostor v každé iteraci ( se přiřadí nejbližší váha splňjící okrajovou podmínku ).