一种新的变步长LMS算法及其仿真.pdfVIP

一种新的变步长LMS算法及其仿真 俞洋田亚菲 兰州大学信息科学与工程学院甘肃兰州730000 摘要：本文在简要的分析了传统12∥IS算法及其改进算法的基础上，提出了一种新的可变步 长LMS算法，新算法采用梯度矢量的平均值的平方值调整步长。计算机仿真表明，与传统 LMS算法和文献[1仲的VSS-LMS算法相比，新算法有更快的收敛和跟踪速度，并能收敛到 更小且更稳定的均方误差。 关键词：LMS算法变步长 自适应算法 1 引言 LMS算法是由Wmdrow和Hoff提出的一种最小均方误差算法，它因其结构简单，稳定 性好，一直是自适应滤波经典算法之一，而被广泛应用于自适应控制，雷达，系统辨识及信 号处理等领域。 LMS算法是基于最速下降法的最小均方算法，其迭代公式如下： j P(，1)=dCn)一X1(，1)w(丹’ (1) IW(n+1)=w研)+2pe(n)X(n) 其中X∞=l：删，砌一1)，．．．x(n—M+1)l为时刻11的输入信号矢量； w(功=b(，z)，吡(，1)’．．．，nk(哟J是时刻n自适应滤波器权系数矢量；M是自适应滤波器阶 数；讲九J是期望输出值；P俐是误差信号；Ⅳ是步长因子。 LMS算法的收敛条件为：o．￡￡“，A。；是输入信号自相关矩阵的最大特征值。 然而研究表明，LMS算法有其不可避免的缺点。文献【l】分析指出，由于输入端不可避免 的存在于扰噪声，LMS算法将产生失调噪声，干扰噪声越大，引起的失调噪声也就越大。减 少步长因子p，可以减少自适应滤波算法的稳态失调噪声，提高算法的收敛精度。然而步长 因子p的减小，将降低算法的收敛精度和跟踪速度。因此，这种固定步长的LMS算法在收敛 速度，跟踪速度及失调噪声之间的要求是相互矛盾的。为了克服这一矛盾，人们提出了许多 变步长自适应滤波算法。如文献【1】提出的∥通过瞬时误差功率调节，文献【4】提出根据时间平 均估值梯度调节等。这些算法基本遵循的步长调整原则为【2】：即在初始收敛阶段或未知系统 参数和输入信号发生变化时，步长应比较大，以便有较快的收敛速度或对时变系统的跟踪速 度；丽在算法收敛后，不管输入端干扰信号有多大，都应保持很小的调整步长以达到很小的 稳态失调噪声。 本文在文献【l】的基础上，提出了一种新的变步长算法(NVSS-LMS)。该算法根据瞬时梯度 矢量的平均值的平方值调节步长。理论分析及计算机仿真表明该算法可以保证更快的收敛速 度，跟踪速度及更小的失调。 ·478· 2算法分析 在文献【1】中，权系数递推公式为： W(n+1)=W(，z)+Ⅳ(n)P(，1)X(，z) (2) 式中w例为时刻，l的权系数矢量，xf，1)为时刻n的输入信号矢量，已例为误差信号矢量。 步长Ⅳ是通过瞬时误差功率来调节，步长更新表达式为： f弘m旺 肛(，1)弘m“ p(n+1)={肛。。iIlⅣ(，1)p曲 (3) bb+1) 已／sP 其中／．t’(，l+1)=ap(n)+re2∽) 1的参数，以获取最大的可能收敛速度：p曲在稳定状态下，根据所预期的失调和算法收敛 速度做出一个合适的选择；参数，．一般取值较小，用来控制算法的失调和收敛时间。 这种算法比固定步长LMS具有更可取的优越性：自适应初始阶段，已mJ较大，对应la俐 较大，算法收敛速度较快；随着算法逐渐进入稳态，PmJ减小，对应肛mJ减小，因此在最佳权 系数附近产生较小的失调。 但是该算法由于输入噪声的存在，使其在收敛后期，肛伽J仍然很大，这将使权系数围绕 最佳值有较大的波动，从而导致较大的失调。且当算法进入稳态，Pr九J已经很小，这时系统参 数或输入信号发生变化时，Ⅳfn)仍然很小，不能很好的跟踪系统的变化。 为了克服以上缺点，根据步长调整原则，在上面算法的基础上，进行了算法的改进。如 下所示： 我们知道基本LMS算法是基于最速下降法的，即沿性能曲