LMS与RLS自适应滤波算法性能比较.doc

LMS与RLS自适应滤波算法性能比较 马文民 【摘要】：介绍了自适应滤波器去除噪声的原理和从强噪声背景中采用自适应滤波提取有用信号的方法，并对最小均方(LMS, Least Mean Squares)和递推最小二乘(RLS, Recursive Least Squares)两种基本自适应算法进行了算法原理、算法性能分析。计算机模拟仿真结果表明，这两种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号。检测特性相比之下，RLS算法具有良好的收敛性能，除收敛速度快于LMS算法和NLMS算法以及稳定性强外，而且具有更高的起始收敛速率、更小的权噪声和更大的抑噪能力。 【关键词：引言： 自适应滤波是近年以来发展起来的一种最佳滤波方法。它是在维纳滤波，kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能。从而在工程实际中，尤其在信息处理技术中得到广泛的应用。自适应滤波的研究对象是具有不确定的系统或信息过程。“不确定”是指所研究的处理信息过程及其环境的数学模型不是完全确定的。其中包含一些未知因数和随机因数。任何一个实际的信息过程都具有不同程度的不确定性，这些不确定性有时表现在过程内部，有时表现在过程外部。从过程内部来讲，描述研究对象即信息动态过程的数学模型的结构和参数是我们事先不知道的。作为外部环境对信息过程的影响，可以等效地用扰动来表示，这些扰动通常是不可测的，它们可能是确定的，也可能是随机的。此外一些测量噪音也是以不同的途径影响信息过程。这些扰动和噪声的统计特性常常是未知的。面对这些客观存在的各种不确定性，如何综合处理信息过程，并使某一些指定的性能指标达到最优或近似最优，这就是自适应滤波所要解决的问题。在这几十年里，数字信号处理技术取得了飞速发展，特别是适应信号处理技术以其计算简单、收敛速度快等许多优点而广泛被使用。它通过内部参数的最优化来自动改变其特性。自适应滤波算法在统计信号处理的许多应用中都是非常重要的。所谓的自适应滤波，就是利用前一时刻以获得的滤波器参数的结果，自动的调节现时刻的滤波器参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。自适应滤波器实质上就是一种能调节其自身传输特性以达到最优的维纳滤波器。自适应滤波器不需要关于输入信号的先验知识，计算量小，特别适用于实时处理。 由于无法预先知道信号和噪声的特性或者它们是随时间变化的，仅仅用FIR和IIR两种具有固定滤波系数的滤波器无法实现最优滤波。在这种情况下，必须设计自适应滤波器，以跟踪信号和噪声的变化。自适应滤波器的特性变化是由自适应算法通过调整滤波器系数来实现的。一般而言，自适应滤波器由两部分组成，一是滤波器结构，二是调整滤波器系数的自适应算法。 参考输入向量： 是主输入信号，是期望输出值，是误差信号，也是系统输出值，M是滤波器长度。 由维纳-霍夫方程可知，最小均方误差为： 实际上，该方程与维纳滤波器结果完全一样。自适应滤波器与维纳滤波器相比，其差别在于它增加了一个识别控制环节，将输出与期望值进行比较，利用误差去控制，使=最小值，从而得到的估计。 根据最优的数学算法最陡下降法，下一个权矢量等于现在的权矢量加一个正比于梯度的负值变化量，即有： 通过梯度下降法： 推导可知：其中 算法步骤： 步骤一：初始化： 步骤二：更新： 滤波：； 误差估计：； 权向量更新：； 其中是用来控制稳定性和收敛速度的步长参数。为确保自适应过程的稳定性，必须满足，其中为输入功率。 b: RLS算法： SISO系统动态过程的数学模型： （1） 其中，为输入输出量，为噪声。式中展开后得到：模型（1）可化为最小二乘格式： （2） 记 为待估计的参数。，对于（L为数据长度）。方程（2）构成一个线性方程组，写成； ，， 根据最小二乘法一次完成算法，其参数估计为：。 参数递推估计，每取得一次新的观测数据后，就在前次估计结果的基础上，利用新引入的观测数据对前次估计的结果，根据递推算法进行修正，减少估计误差，从而递推地得出新的参数估计值。这样，随着新观测数据的逐次引入，一次接一次地进行参数估计，直到参数估计值达到满意的精确程度为止。 算法步骤： 步骤一：初始化；，其中I为单位矩阵； 步骤二：更新计算 更新增益矢量：； 滤波：； 误差估计：； 更新权向量：； 更新逆矩阵：； 其中，为自相关矩阵的逆矩阵，常数是遗忘因子，且。 总上所述：算法实现的主要步骤为：（1）数据采集与生成，取，；（2）对参数的初始化；（3）自适应的滤波处理；（4）滤波器系数更新 3 计算机仿真结果与分析； 为了检验两种自适应滤波算法在去噪应用中的滤波性能，下面对LSM算法和RLS算法