基于lms和rls的自适应滤波仿真与分析算法基本原理简介lms.docVIP

基于LMS和RLS的自适应滤波仿真与分析 一、算法基本原理简介： LMS即最小均方算法。它是维纳最佳滤波的一种简化实现，以单次的误差值代替误差均值进行迭代运算，使滤波器的权重收敛于接近最优权重。用单次代替平均使近似的维纳滤波得以实现快速跟踪信道特征。 RLS即递归最小二乘算法。它是卡尔曼滤波的一个特例。通过引入遗忘因子，对不同时刻数据进行加权，从而实现快速收敛。 二、仿真模型的建立： X(n)为输入信号，信号经过衰落信道h(n)后再加入噪声，得到污染信号u(n)。e(n)代表输入信号与滤波后信号的误差值。 LMS算法中滤波器权重迭代公式为： ， 其中为迭代步长。 LMS算法中滤波器权重迭代公式为： 其中滤波器增益矢量: 误差信号方程: R代表自相关运算，为遗忘因子。 三、仿真结果与分析： 1、输入信号与输出信号对比： 两幅图都在40dB信噪比条件下，LMS取迭代步长为0.05；RLS取遗忘因子为0.85下的信号图，由图中可以看到，输入信号经过衰落信号和噪声干扰后的输出信号非常微弱。此时的信号通过自适应滤波器，经过短时间的训练后，自适应滤波器能还原出原始信号。实现了所期望的滤波功能。 2、迭代步长与遗忘因子对算法性能的影响： 以下图中纵坐标表示误差平方的均值，即失衡量。表征了滤波器的性能。 由图可知，在步长满足小于2/E（E为滤波器输出信号总能量）时，步长增大，收敛速度加快。当步长过大，超出取值范围时，滤波器失衡量开始剧烈波动，滤波器失效。这与理论是相吻合的，步长小，即权重系数每次迭代调整量小，达到最佳权重系数所需时间长。 由图，可以看到遗忘因子越接近1，曲线越平缓，收敛速度越慢，但同时失衡量也越小。反之，遗忘因子小，收敛速度快，但性能稍有牺牲。这是因为遗忘因子越接近1，滤波器记忆力越强，考虑的输入信号采样数越多，使得收敛速度变慢，但失衡量减小。 3、信噪比对两种算法性能的影响对比： 对比以上两图可以发现，随着噪声增大，性能都相对下降，失衡量增加。 但也可从其中发现RLS算法在低信噪比下的性能比LMS算法要好，当信噪比为0dB时，RLS算法仍有一定的均衡能力，而LMS算法已经失效。我认为这是由于LSM算法用单次误差代替均值误差造成的。由于其只考虑单次误差，所以在噪声功率较大时，由于噪声的随机性导致权重系数的随机剧烈变化，无法收敛于最佳状态。而RLS算法综合了之前的采样值，因而，可以一定程度下消除噪声带来的影响。 线性滤波 噪声 h(n) Y(n) 自适应算法 — X(n) u(n) e(n)