基于误差反馈变步长LMS自适应滤波算法.docVIP

基于误差反馈变步长LMS自适应滤波算法 　　摘 要： 对变步长LMS滤波算法进行研究，提出一种新的变步长LMS自适应滤波算法。该算法基于Sigmoid函数，通过引入误差因子反馈来调整函数参数，解决了类Sigmoid函数中参数设置的问题，并使算法具有较快的收敛速度和较小的稳态误差。计算机仿真表明，相对于其他变步长算法，该算法在收敛速度和稳态误差方面均表现优异，具有较好适用性。 关键词： LMS算法； 自适应滤波； 收敛速度； 稳态误差 中图分类号： TN713?34 文献标识码： A 文章编号： 1004?373X（2013）11?0057?03 0 引 言 LMS（Least mean square）自适应滤波算法[1]由Widrow和Hoffman提出，该算法计算简单、稳定性好、易于实现，被广泛应用在控制、雷达、系统辨识等领域。但是这种固定步长的LMS算法在收敛速率和稳态误差之间的要求是相互矛盾的，而且该算法在处理相关信号时，其收敛速度显著下降。 经典的LMS算法的局限在于其固定步长无法兼顾收敛速度和稳态误差。为了解决这一问题，人们在此基础上提出了各种各样的变步长LMS滤波算法。其核心思想都是用变步长代替固定步长，使算法在大的误差范围内具有快速的收敛性，在小的误差范围内具有较小的失调量。文献[2]提出了变步长参数正比于误差的算法，其性能有所提升，但并不理想。文献[3]给出了一种称为S函数的变步长LMS算法（SVLMS），该算法的步长调整策略有一定的先进性，但该算法在误差接近零时步长变化剧烈，可能导致稳态误差增大。文献[4]在文献[3]的基础上做了进一步的改进，修正了步长在误差接近零时变化剧烈的问题，但算法中的关键参数需要通过实验手工设置，而参数设置不当将严重影响算法的性能。文献[5?6]则分别基于其舌线、双曲正切函数和反正切函数提出了相应的变步长LMS算法，在一定程度上缓解了收敛速度和稳态误差之间的矛盾。文献[7]提出了基于变换域的LMS滤波算法，变换域的LMS算法能够提高运算速度，但收敛速度和稳态误差之间的矛盾并没有解决。 可见目前的研究大多集中在变步长策略。变步长策略的实质是找到误差和步长之间的一个对应关系，此对应关系能自动调节函数的收敛速度和稳态误差。本文在文献[4]的基础上提出基于Sigmoid函数的EFLMS（Error Feedback Least Mean Square）算法。该算法利用反馈的思想，通过在参数中引入误差因子，解决Sigmoid函数参数设置的问题，使算法在收敛速度和稳态误差等性能指标上均有所改善，同时算法具有广泛的适应性。 1 相关工作 变步长LMS滤波算法的实质是通过误差自适应的调节步长，即在误差较大的收敛阶段用较大的步长以提高收敛的速度，在误差较小的稳态阶段用较小的步长以获得较小的误差。其核心思想是用误差来反馈调节步长，也就是找到误差和调节步长之间的函数关系，使算法在稳态误差和收敛速度上找到一个好的平衡。 文献[4]提出了一种基于Sigmoid函数的变步长滤波算法。该算法的Sigmoid函数相对简单，而且在误差接近零处变化不大，具有缓慢变化的特征。其算法设计如下： [e（n）=d（n）-XT（n）W（n）] （1） [μ（n）=β[1-exp（-α|e（n）|2）]] （2） [W（n+1）=W（n）+2μ（n）e（n）X（n）] （3） 算法的核心是公式（2）。通过式（2）建立起误差[e（n）]和步长[μ（n）]之间的对应关系，当误差大时步长变大，收敛速度提高；当误差逐渐变小时，调整步长变小，算法趋于稳态。式（2）中[α]和[β]是常数，其中[α0]，其控制函数的形状和收敛速度，参数[β0]控制函数的取值范围。其中参数[α]是影响算法性能的关键之一，其取值的大小将直接影响算法的收敛速度和稳态误差值。 但是文献[4]中并没有就参数的取值提出明确的设置方法，而是采用实验的方法确定参数的最优值。而参数设置不当将严重影响算法的性能，同时也使算法的适用性受到了一定的限制。 本文提出的EFLMS算法基于Sigmoid函数，通过在参数中引入误差因子解决了函数参数设置的问题。下面介绍EFLMS算法。 2 算法描述 EFLMS算法基于文献[4]提出的变步长策略，并在其基础上做了进一步的改进，通过在参数中引入误差反馈实现参数自动调整。 算法中设计步长和误差的函数如下： [μ（n）=β（n）?[1-exp（-α（n）?e（n）2）]] （4） 其中： [α（n）=[e（n）/e（n-1）]2] （5） [β（n）=（1-b0）?β（n-1）+b0?[e（n）/e（n-1）]2-1]