LMS自适应滤波算法.pdf

实用标准文案 LMS自适应滤波算法 1960 年 Widrow 和 Hoff 提出最小均方误差算法 （LMS），LMS算法是随机梯度算法中的一 员。使用“随机梯度” 一词是为了将 LMS算法与最速下降法区别开来。该算法在随机输入维 纳滤波器递归计算中使用确定性梯度。 LMS算法的一个显著特点是它的简单性。此外，它不 需要计算有关的相关函数，也不需要矩阵求逆运算。 由于其具有的简单性、鲁棒性和易于实现的性能，在很多领域得到了广泛的应用。 1 LMS算法简介 LMS算法是线性自适应滤波算法，一般来说包含两个基本过程： （1） 滤波过程：计算线性滤波器输出对输入信号的响应，通过比较输出与期望响应产生 估计误差。 （2 ） 自适应过程：根据估计误差自动调整滤波器参数。 如图 1-1 所示，用 表示 n 时刻输入信号矢量， 用 表示 n 时刻 N 阶自适应滤波器的权重系数， 表示期望信号， 表示误差信号， 是主端输入干扰信号， u 是步长因子。则基本 的 LMS算法可以表示为 （1） （2） 图 1-1 自适应滤波原理框图 由上式可以看出 LMS算法实现起来确实很简单， 一步估计误差 （1），和一步跟新权向量 （2 ）。 精彩文档 实用标准文案 2 迭代步长 u 的作用 2.1 理论分析 尽管 LMS算法实现起来较为简单， 但是精确分析 LMS的收敛过程和性能却是非常困难的。 最早做 LMS收敛性能分析的是 Widrow 等人，他们从精确的梯度下降法出发，研究权矢量误 差的均值收敛特性。最终得到代价函数的收敛公式： ′ （3 ） 式（ 3）揭示出 LMS算法代价函数的收敛过程表现为一簇指数衰减曲线之和的形式，每 条指数曲线对应于旋转后的权误差矢量的每个分量， 而他们的衰减速度， 对应于输入自相关 矩阵的每个特征值，第 i 条指数曲线的时间常数表示为 τ 小特征值对应大时间常数， 即衰减速度慢的曲线。 而大特征值对应收敛速度快的曲线， 但是 如果特征值过大以至于 则导致算法发散。 从上式可以明显看出迭代步长 u 在 LMS算法中会影响算法收敛的速度， 增大 u 可以加快算法 的收敛速度，但是要保证算法收敛。 最大步长边界 : 稳态误差时衡量 LMS算法的另一个重要指标，稳定的 LMS算法在 n 时刻所产生的均方误差， 其最终值 ∞ 是一个常数。用 来表示维纳解对应的均方误差，则稳态误差可以定义为： ∞ Widrow 给出的失调误差： 可见 LMS算法的失调误差恒不为零。 也可以看出 u 越大失调误差会越大。 收敛速度和稳 态误差不可兼得，由步长 u 控制两者的折衷。 2.2 实验验证 白噪声经过 AR模