LMS和RLS算法应用及仿真分析.doc

LMS和RLS 摘要：本文采用MATLAB 软件对LMS 和RLS 两种自适应均衡算法在回波抵消器中的应用进行仿真，分析收敛步长μ、抽头w、遗忘因子λ 等参数对回波抵消器性能的影响，并对两种算法下的性能做出比较。 关键词：LMSRLS；自适应回波抵消 1 引言90 年代后期，通过网络拨打长途电话即IP 电话开始盛行，由于发话端到受话端的延迟达100ms 以上，而人耳对大于50ms 的回声就能辨别出来，因此IP 电话的回声严重影响通话效果。如何消除回声成为非常重要的问题，回波抵消器就是一个自适应辨识系统，它通过特定的算法辨识未知的目标系统，即回声路径。本文采用LMS和RLS 算法实现回波抵消，并对收敛步长μ、抽头w、遗忘因子λ 等相关参数对回波抵消性能的影响进行了仿真分析，从而为一种通用的回波抵消技术的实际应用提供理论参考。回波抵消算法原理图如图1 所示。 图1 回波抵消算法原理图 2 LMS和RLS算法概述LMS）和递归最小二乘算法（RLS）是自适应滤波最常用，也是最基本的两种算法。下面分别对LMS 和RLS 两种算法原理做简单介绍。 2.1 LMS算法 设J(n)是n 时刻均方误差，J(n+1)是n+1 时刻的均方误差，W(n)、W(n+1)分别是n、n+1时刻M 维抽头权向量 W(n)必须按J(n)的负方向变化即 (0) (3) 最后以U(n)(n)瞬时值代替统计平均，得到抽头权向量迭代式 (4) 式中U(n)式n 时刻的输入向量[u(n) u(n-1) u(n-2)···u(n-M+1)]。R 是U(n)自相关矩阵。为使n 充分大以后算法收敛，则要求收敛步长0μ 2/ ，其中是R 矩阵对角化后对角线上的最大元素。 2.2 RLS算法 设是i 时刻的输入向量，是n 时刻的抽头权向量，序列{}是要估计的值，则in时，加权误差和为 (5) 式中 (01) (6) (6)式被称做加权系数，λ 为遗忘因子。为使ε(n)最小，ε(n)对W(n)求梯度并置0，可推出 / (7) 最终得到抽头权向量递推公式 (8) 上式中 (9) RLS 算法中仿真时用到以上几个公式。λ是一个可以改变均衡器性能的抽头系数。如果信道是非时变的，那么λ可以设为1。而通常的λ 取值为0.8＜λ＜1。 3 LMS 和RLS 自适应回波抵消器的性能仿真分析 .1 LMS算法流程图 图2 LMS算法流程图 .2 RLS算法路程图 图3 RLS算法流程图 .3 LMS 自适应回波抵消器仿真分析miu 分别为0.05 与0.075 时，e(n)的平均功率p(n)对比图如图4 所示。 图4 LMS算法下e(n)的平均功率p(n)对比图 3.4RLS自适应回波抵消器仿真分析0.96 与0.75 时，e(n)的平均功率p(n)对比图如图5 所示。 图n)的平均功率p(n)对比图 如上图可以看出，遗忘因子的改变对RLS 算法的收敛速度影响不是很大，稳态均方误差小。 3.5两种应用不同算法的自适应回波抵消器的性能比较 图6 两种应用不同算法的自适应回波抵消器的性能比较 4 结束语 仿真结果表明LMS 算法的收敛速度对步长变化很敏感，相比LMS 算法，特别是当输入协方差矩阵及的特征值相差较大，即/ 1时，RLS 算法收敛速度明显较快，且稳态均方误差小，大大改进了自适应均衡器的收敛特性。在RLS 算法中，λ值对收敛误差没有影响，然而它影响着RLS 均衡器的跟踪能力，λ值越小，均衡器的跟踪能力越强。但若λ值太小，均衡器将会不稳定。 参考文献 [1] 蒋彦，陈健. 用C5402 DSP 实现的G.168 自适应回声消除器. 《电子技术应用》. 2001 年第9 期, 3(3) [2] 覃景繁，韦岗. 回波消除理论进展及其应用. 《电路与系统学报》. 1998，3（3） [3] （英）Paulo S.R.Diniz（译者：刘郁林，景晓军，谭刚兵）,《自适应滤波算法与实现（第二版）》. 电子工业出版社. 2004.7 [4] 张志涌. 《MATLAB 教程——基于6.X 版本》. 北京航空航天大学出版社. 2001. 4 [5] ITU_T G.168.Apparatus associated with long-distance telephone circuits ,Digital network echo cancellers,1997,4 《现代信号处理》课程论文