LMS算法及改进.doc

浅析LMS算法的改进及其应用 摘要：本文简单介绍了LMS算法，以及为了解决基本LMS算法中收敛速度和稳态误差之间的矛盾， LMS 算法，并将其应用于噪声抵消和谐波检测中去。 关键字：LMS算法；变步长；噪声抵消；谐波检测 引言 自适应滤波处理技术可以用来检测平稳和非平稳的随机信号，，，，，，，，(LMS)算法和递推最小二乘(RLS)算法两类最基本的算法。基于最小均方误差准则，LMS，，，，LMS算法 LMS算法即最小均方误差(least-mean-squares) 算法，，LMS算法的迭代公式如下： e ( n) = d ( n)- w ( n - 1) x ( n) （1） w ( n) =w ( n - 1) + 2μ( n) e ( n) x ( n) （2） 式中，x ( n)为自适应滤波器的输入；d ( n)；e ( n)；w ( n)；( n)为步长。LMS算法收敛的条件为：0 1/λmax ，λmax是输入信号自相关矩阵的最大特征值。 二．LMS算法的改进 由于LMS算法具有结构简单，计算复杂度小，性能稳定等特点，因而被广泛地应用于自适应均衡、语音处理、自适应噪音消除、雷达、系统辨识及信号处理等领域。但是这种固定步长的LMS 自适应算法在收敛速率、跟踪速率和稳态误差特性之间的要求是相互矛盾的，不能同时得到满足，其性能由步长来控制。 初始收敛速度、时变系统跟踪能力及稳态失调是衡量自适应滤波算法优劣的三个最重要的技术指标。在LMS算法中最简单的学习速率参数选择是取μ( n)为常数，： ( n) =μ　　　0 μ 1/λmax 式中：max是输入信号自相关矩阵的最大特征值。然而，，，；，，，，，LMS自适应滤波算法。这些变步长的LMS 自适应算法的指导思想是：在初始收敛阶段或未知系统参数发生变化时，步长应比较大，这使得算法有较快的收敛速度或对时变系统的跟踪速度，然后随着收敛的加深而逐渐减小步长来减小稳态误差。实践表明，该算法可以保证较快的收敛速度和较小的失调，能有效地去除不相关噪声的干扰，而且算法本身引入的参数和计算量比较少，且易于硬件实现，可以很好地应用于自适应噪声对消系统中。 在变步长LMS自适应滤波算法的研究过程中，人们首先提出了使步长因子μ正比于误差信号e ( n) 的大小。然后提出了一种时间平均估值梯度的自适应滤波算法。再此之后又提 出了另一种变步长自适应滤波算法，e ( n)和x ( n) 的互相关函数的估值成正比。在分析了上述变步长自适应滤波算法之后，， W ( n + 1) = W ( n) + 2μ( n) e( n) X ( n) （3） μ( n) =β(1 - exp ( - αe( n) 2 ) ) （4） 其中， 0 控制函数的形状， 0 控制函数的取值范围。该算法简单且在参数稳定后具有缓慢变化的特性。然而，，，. 跟踪速度和稳态误差并不十分理想，，e2 ( n) 调节步长，，e( n) e ( n - D) (其中D 为正整数，D)去调节步长。由于噪声信号的自相关性减到了零，，LMS 算法对噪声的敏感性。本文改进算法的步长公式即： ( n) =β(1 - exp ( -αe( n) e( n - D) ) ) （5） 此算法用误差信号的相关值e ( n) e ( n - D) 去调节步长，，LMS 算法对自相关性较弱的噪声的敏感性。本文将此算法应用于自适应噪声抵消中，LMS 算法的一种应用，，，，，，，，n0，v。 图1 自适应噪声抵消框图 图1为自适应噪声抵消的原理框图。如图1 所示，s 和加性干扰信号n0 、噪声信号v，n1，s 与v 、n0 、n1 均不相关，n0n1相关，v 不相关。s、v、n0、n1都为零均值信号。由图1 可知，y 为n1的滤波信号。因此，： e = s + n0 + v - y ，n 取长时平均，s 与v 、n0 、n1 不相关，： E( e2 ) = E[ ( s + v)] + E[ ( n0 - y) 2 ] （6） 当调节滤波器参数使E(e2 ) 最小化时，E[ ( s + v) 2 ] ，： Emin ( e2 ) = E[ ( s + v) 2 ] + Emin [ ( n0 - y) 2 ] E( e2 ) 最小时，E[ ( n0 - y)2 ] ，y 即为n0 的最佳估计值，，v ( n) LMS 算法的性能，，，e( n) e( n - D) 调节步长因子，，，e (n) ，( n) 也较大。由于噪声v (n) 的不相关或弱相关性，D 后v ( n) 与v ( n - D) 不再相关，v ( n) v ( n - D) 对μ( n) 的贡献很小，v (n) 对μ( n) 的影响大大降低。于是当e (n) 变小趋于稳