基于lms和rls算法的自适应滤波器仿真设计.pdfVIP

.专业整理 . 基于 LMS 和 RLS 算法的自适应 FIR 滤波器仿真 一 、 自适应滤波原理 自适应滤波器是指利用前一时刻的结果 ， 自动调节当前时刻的滤波器参数 ， 以适应信 号和噪声未知或随机变化的特性 ， 得到有效的输出 ，主要由参数可调的数字滤波器和自适 应算法两部分组成 ，如图 1.1 所示 图 1.1 自适应滤波器原理图 x(n) 称为输入信号 ，y(n) 称为输出信号 ，d(n) 称为期望信号或者训练信号 ，e(n) 为误差 僖号 ，其中 ，e(n)=d(n)-y(n) ， 自适应滤波器的系数 (权值 )根据误差信号 e(n) ，通过一定的 自适应算法不断的进行更新 ， 以达到使滤波器实际输出 y(n) 与期望响应 d(n) 之间的均方误 差最小 。 二 、 自适应算法 自适应算法中使用最广的是下降算法 ，下降算法的实现方式有两种 ： 自适应梯度算法 和自适应高斯 - 牛顿算法 。 自适应高斯 - 牛顿算法包括 RLS 算法及其改进型 ， 自适应梯度算 [1] 法的典型例子即是 LMS 算法 。 1.LMS 算法 最陡下降算法不需要知道误差特性曲面的先验知识 ，其算法就能收敛到最佳维纳解 ， 且与起始条件无关 。但是最陡下降算法的主要限制是它需要准确测得每次迭代的梯度矢量 ， 这妨碍了它的应用 。为了减少计算复杂度和缩短自适应收敛时间许多学者对这方面的新算 法进行了研究 。1960 年 ，美国斯坦福大学的 Windrow 等提出了最小均方 （LMS ）算法 ， 这是一种用瞬时值估计梯度矢量的方法 ，即 .学习帮手 . .专业整理 . 2 [e ( n)] ( n) 2e(n) x( n) w (n) 可见 ，这种瞬时估计法是无偏的 ， 因为它的期望值 E[ ( n) ]确实等于矢量 (n) 。所 以， 按照自适应滤波器滤波系数矢量的变化与梯度矢量估计的方向之间的关系 ，可以先写 出 LMS 算法的公式如下 ： 1 w (n 1) w( n) [ (n)] w (n) e(n)x (n) 2 将式 e(n)=d(n)-y(n) 和 e(n)=d(n)-w H x(n) 代入到上式中 ，可得到 H w(n 1) w( n) x(n)[d( n) w (n)x(n)] H [ I x(n)x