RLS算法的收敛性分析.docxVIP

RLS 与 LMS 算法的收敛性比较分析 学号: S120101057 姓名：贾雪婷 摘要：介绍了自适应滤波器的基本原理，对最小均方(LMS, Least Mean Squares) 和递归最小二乘(RLS, RecursiveL east Squares)自适应算法进行仿真分析及对 比研究。仿真结果及实例均表明，两种算法都能有效抑制和抵消各种干扰，但相 比Z下，RLS算法具有更好的收敛性能及稳定性，除收敛速度快丁IMS算法和NLMS 算法以及稳定性强外，而且具有更高的起始收敛速率、更小的权噪声和更大的抑 噪能力。 关键词：自适应滤波；最小均方；递归最小二乘；收敛性；对比研究 Abstract: Introducing the basic principle of adaptive filter,as for the minimum mean square(LMS, Least Mean Squares)and Recursive Least Squares(RLS, RecursiveL east Squares) adaptive algorithm is applied to the simulation analysis and comparative study? The simulation results and examples indicate that the, two kinds of algorithm can effectively restrain and offset all kinds of interference, but in contrast, RLS algorithm has better convergence performance and stability, In addition to convergence speed faster than LMS algorithm and NLMS algorithm and the stability, but also have higher initial rate of convergence smaller right noise and more noise suppression ability. Key words: adaptive filtering;LMS;RLS; astringency; Comparative study 自适应滤波的原理 自适应滤波的原理如图一所示: 图1 自适应滤波器原理图 输入信号X (n)通过参数可调数字滤波后产生输出信号y (n)，将其与参考信号 d(n)进行比较，形成误差信号e(n), e(n)通过某种自适应算法对滤波器参数进行 调整，最终使e(n)的均方值最小。如何提高收敛速度、增强稳定性以满足信号处 理的高效性、实时性，一直是人们研究的重点和热点。 二、自适应算法 LMS算法 自适应滤波器在时刻n的向童定义： 抽头权向量:W(n) = [60(nXfe/n),. 参考输入向量：X(〃)=[兀0),兀(7-l),...,x(〃一M +1)]卩 d(/i)是主输入信号，y(Q是期望输出值，￡(/:)是误差信号，也是系统输出值，M是滤 波器长度。 由维纳?霍夫方程可知，最小均方误差为：(E[e^])ir,n=E[dj]-W^P 实际上，该方程与维纳滤波器结杲完全一样。自适应滤波器与维纳滤波器相比，其差别 在于它增加了一个识别控制环节，将输出与期望值进行比较，利用误差幺⑺)去控制W(n), 使E[町]二最小值，从而得到W(n)的估计W\n)。 根据最优的数学算法最陡下降法，下一个权矢量W屮⑺)等于现在的权矢量W//2)加- 个正比于梯度的负值变化量，即有：W/+ 通过梯度下降法：, “ dW 推导可知：W% +2“勺X)其中e. = dj -W；X. 算法步骤： 步骤一：初始化： 步骤二:更新:n = 1,2,3,... 滤波：y(n) = Wr(n)X(n)； 误差估计:e(n) = d(n)-y(n)； 权向量更新：W(n +1) = W(〃)+ 2///(n)X(n): 其屮“是川来控制稳定性和收敛速度的步长参数。为确保自适应过程的稳定性，“必 须满足0 V//V2/M匕，其中Pin=E[X2(n)]为输入功率。 RLS算法 SISO系统动态过程的数学模型：4(厂)讹)=B(「)u伙)+ 〃伙) (1) 其中u(k), z伙)为输入输出量，n(k)为噪声。式中 A(z 1) = l + d]Z 1 4-a2z 2 +... + 0_乙一? By-)=0乙- -t-^2z-2 +... + 乞严一展开后得到： Z(k)二-昭伙-1) -零伙- 2) -…-a