变步长LMS
一种新的变步长LMS算法及分析
一种新的变步长LMS算法及分析彭宏;陈泓宇【摘要】LMS算法存在收敛速度和稳态误差上的矛盾,当步长因子过大,则收敛速度快,但误差变化较大;当步长因子过小,则收敛速度很慢但是误差稳定.因此,渐渐发展出了多种变步长LMS算法.通过建立步长和误差的一种非线性函数关系,提出了一种新的变步长LMS算法,并且对算法参数进行分析.该算法计算简便,计算量低,且在算法收敛初期能够得到较大的步长,而稳态时期能够得到较小的步长,且在稳态收敛阶段有较为缓慢的步长变化,克服了传统算法在低误差范围内的步长调整的缺陷.仿真结果与理论结果相一致,证明了该算法比已有算法拥有更好的收敛性能.%There is a contradiction between convergence speed and steady-state error in the LMS algorithm.When the step size factor is too large,the convergence speed is fast,but the error change is larger.Otherwise,the convergence speed is slow but the error is stable.Therefore,a variety of variable step size LMS algorithms are developed gradually.A new variable step size LMS algorithm is proposed by establishing a nonlinear function relationship between step size and error.The algorithm is simple with low computational complexity.In the early convergence,the algorithm can get a larger step early ;in the steady period,the algorithm can get a small step,and the step change is slow in steady-state convergence stage.It overcomes the shortcomings in the step size adjustment of traditional algorithm in the low error range.The simulation results are in good agreement with the theoretical results,which show that the proposedalgorithm has better convergence performance than the existing algorithms.【期刊名称】《浙江工业大学学报》【年(卷),期】2018(046)001【总页数】7页(P45-50,82)【关键词】自适应滤波;变步长自适应滤波算法;收敛性能;LMS算法【作者】彭宏;陈泓宇【作者单位】浙江工业大学信息工程学院,浙江杭州 310023;浙江工业大学信息工程学院,浙江杭州 310023【正文语种】中文【中图分类】TN911随着技术的发展，人们的生活水平不断提高，人们对于通信设备的使用需求大大增加，需求增加的同时人们对通信服务质量的要求也在不断提高，其中就包括噪声消除.自适应滤波技术[1-2]作为当前主流的噪声消除模块被大量应用于通信、雷达和车载系统等众多领域，其理论模型最早于1960年由Widrow和Hoff提出.它作为信号处理方向的具体应用分支，能够根据系统环境和噪声特点自适应地改进滤波器的滤波参数，使得滤波器能够动态地调整输入信号，提取有用信号，达到最佳滤波的效果[3].Kwong等[4]提到的经典LMS算法计算简便，但是算法中的固定步长无法满足收敛速度和稳态误差之间的矛盾；曾召华等[5]提到的NLMS算法虽然克服了LMS算法中固定步长产生的收敛速度和稳态误差之间的矛盾，但是其步长受到了信号噪声的影响；覃景繁等[6]提出了一种基于Sigmoid函数的变步长LMS算法，该算法能获得较快的收敛速度，较小的稳态误差，但是算法较复杂，计算量大，且在误差接近于0时会有较大的步长调整，不利于算法稳定；杨逸等[7]提出了一种指数因子变步长算法，该算法原理相似，同样能获得较快的收敛速度，但同样算法较复杂.笔者主要针对语音通信系统环境，建立了一种新的步长和误差的非线性函数关系，提出了一种新的变步长LMS算法，算法简单易计算.此算法在收敛初期能够产生较大的步长，而在收敛稳态期能够产生较小的步长，符合算法的收敛原则.而且此算法在收敛稳态时具有较小的步长调整过程，克服了传统算法在收敛稳态期步长调整过大的缺陷，符合算法的稳定原理.同时也对新算法的参数进行仿真分析.1 固定步长LMS算法LMS算法是固定步长的线性自适应滤波算法[8]，它是依据有用信号和实际输出信号的误差的均方值来协调步长，用其来改善滤波器参数，因其每次改变的步长为固定值μ，因此称为固定步长滤波算法.图1为语音通信系统中的自适应滤波器的原理框图.信号源发出的信号d(n)作为原始期望信号被传入滤波器中.由于现实因素影响，实际接收到的信号并不是单纯的有用信号，容易被待滤除信号v(n)干扰.因此，真正输入信号为待滤除信号和有用信号的叠加信号x(n).y(n)为经由滤波器滤波后的输出信号，e(n)为输出信号和期望信号的误差.图1 自适应滤波器滤波框图Fig.1 Frame diagram of adaptive filter将有用信号和待滤除信号叠加后的信号x(n)传入自适应滤波器，通过自适应滤波后输出的信号y(n)与原期望信号d(n)进行比较，得到误差信号e(n)，通过误差信号的反馈来修改自适应算法的滤波参数w(n)来逐渐地调整自适应滤波器的收敛.在理想情况下，自适应滤波后的输出信号会无限接近于原始期望信号，即e(n)均方值无限接近0，在此情况下，即认为完美滤波.在通信系统中，假定图1中的自适应滤波器为FIR滤波器[9-10]，而信号输入端的原始信号输入矢量X(n)和自适应参数W(n)分别设置为X(n)=[x(n),x(n-1),…,x(n-m+1)]TW(n)=[w0(n),w1(n),…,wm-1(n)]T其中：m为滤波器阶数；n为当前取样点.LMS算法的主要步骤如下：1) 对算法进行初始化，即W(n)=02) 对实际输入信号x(n)进行滤波，得到输出信号y(n)，即3) 通过比较期望信号和输出信号来得到误差信号，即e(n)=d(n)-y(n)4) 由得到的误差信号来调整W(n)，即W(n+1)=W(n)+2μX(n)e(n)反复不断地重复步骤2)～4)直到误差e(n)趋于0且稳定.式中：μ为步长因子，为固定常数值，它的收敛范围为0<μ<1/λmax,λmax为输入信号方差矩阵的最大特征值.μ主要是用来控制算法的收敛速度和稳态误差，如果μ过小，则算法收敛慢但是稳定；如果μ过大，则算法收敛速度很快但是不稳定.因此，固定步长自适应滤波算法虽然简单易实现，但是它存在收敛速度和稳定性上的矛盾，需要通过一种变步长的自适应滤波算法来克服这种矛盾.2 一种新的变步长LMS算法根据覃景繁等[11]提出的步长调整原理，合格的变步长算法应能在算法收敛初期产生较大的步长来得到较快的收敛速度，从而能够更快地得到期望信号.而在收敛稳态期，这时算法的权值量已经非常接近最优值了，需要算法能够保持较小的步长来保持稳态，防止产生较大的误差，从而达到较小的稳态误差.当前的变步长LMS算法虽然能够满足步长调整原理，但是大多算法无法在收敛稳态期保证步长的缓慢变化，常常会有稳态期较小的误差变化而导致步长的极大变化，从而造成一系列连锁的较大误差，不利于算法稳定性.覃景繁等[6]提到的算法虽然拥有较快的收敛速度，但是在低误差的情况下拥有较大的步长变化度，不利于稳定性.因此，笔者提出了一种新的变步长算法，建立了一种新的步长和误差的非线性关系.此算法完全满足上述的步长变化原则，计算简便，复杂度低.而且新算法能够使步长在收敛稳态期不会产生较大的变化，防止偶尔误差的变化导致步长的极大变化，增大算法的适应性，有利于算法稳定性.新的步长因子为因此，新的迭代公式为式中：α为参数，主要是用来控制步长的变化范围；β为参数，主要是控制步长变化函数的变化陡峭程度.步长μ和误差e(n)的关系如图2，3所示.当在收敛初级误差较大时，能对应有较大的步长来得到较快的收敛速度；而在收敛稳态期误差较小时，能对应有较小的步长来得到缓慢的收敛速度，符合算法的收敛原理.从图2，3中可以看出：算法在收敛稳态期误差趋于0时的步长变化梯度比较平缓，能够使算法由于偶然的误差激荡造成的步长变化不会那么大，符合算法的稳定原理.因为只有当μ满足0<μ<1/λmax时，算法才会收敛，所以α和β必须要保证使μ符合要求.而并不是所有满足条件的α和β都能使算法在收敛初期使步长较大，收敛稳态期使步长变小.如图2所示，假如收敛初期的误差为0.5，则α=0.2，β=1.5和α=0.2，β=2的2组能够在初期较快的收敛，而α=0.2，β=4的那组由于在初期没有获得较大的步长，无法获得较好的收敛效果.在满足算法收敛的前提下，β需要尽可能的小.而如图3所示，假如收敛初期的误差为0.6，则α=0.8，β=1.5那组能够在初期较快的收敛，而α=0.2，β=1.5的那组无法获得较好的收敛效果.在满足算法收敛的前提下，α需要尽可能的大.图2 不同β参数下误差和步长关系的曲线图Fig.2 Graph of the relationship of error and step size in different β图3 不同α参数下误差和步长关系的曲线图Fig.3 Graph of the relationship of error and step size in different α在β相同的情况下，选择较大的α能获得较快收敛速度的同时也会产生较大的稳态误差.对参数α的取定要根据实际的应用环境，对收敛速度有较高要求的话，可以选择较大的α值；对稳态误差有较高要求的话，则应该选择合适的α值.3 算法仿真为了分析给出的变步长LMS算法的收敛能力以及α和β对算法收敛性能的影响，通过Matlab仿真工具[12]来对新算法的稳态误差和收敛速度等方面进行仿真分析.选择原始期望信号d(n)=sin(2πn/10)，待滤除信号是均值为0，信噪比为20 dB的加性白噪声，滤波器阶数为8.在进行100 次独立仿真实验后，取误差的平均值作为最后的稳态误差考量标准.图4为α固定不变、β不同时的收敛曲线图.从图4中可以看出：随着β值的减小，算法的收敛速度逐渐提升，β不能小于1.如果β<1，则算法在稳态误差趋于0时会有较大的步长变化度，不符合步长变化原理.在实验中，当β=1.1时，算法会出现不收敛的情况，因此实验的最佳β约为1.2.图4 不同β参数的收敛曲线图Fig.4 The convergence curves of the different β图5 不同α参数的收敛曲线图Fig.5 The convergence curves of the differentα图5为β固定不变、α不同的收敛曲线图.从图6中可以看出：随着α值的增大，算法的收敛速度逐渐提升，α不能大于1/λm ax.如果大于1/λmax，则算法会发散.在实验的条件中，当α=0.9时，算法会发散，α为0.8～0.9时，有时会出现不收敛情况，因此实验的最佳α约为0.8.图6 互不相同的2组α和β值的收敛曲线比较图Fig.6 The comparison of convergence curves of the different α and different β图6给出的为2组不同的参数α和β值的收敛比较图，从图中看出α=0.2，β=4的收敛曲线由于参数的设置导致收敛初期的步长较小导致收敛速度过慢，而α=0.8，β=1.2的收敛曲线由于参数设置使算法能在收敛初期得到一个合适的步长来完成快速收敛，满足变步长步长调整原则，使算法有较好的收敛性能，与上述的理论分析一致.刘剑锋等[13]提出了一种基于Lorentzian函数的变步长LMS算法，该算法通过Lorentzian函数来关联误差和步长.卢炳乾等[14]提出了一种基于正弦函数的变步长LMS算法，该算法通过正弦函数来构造了误差和步长的非线性关系.罗小东等[15]提出了一种基于Sigmoid函数的变步长LMS算法，该算法通过Sigmoid函数来构造误差和步长的函数关系.图7是新算法与3种已有变步长LMS算法在不同信噪比下的收敛比较图.采用本文献中的条件，主输入端输入信号为d(n)=sin(2πn/10)，加性干扰信号为白噪声，滤波器阶数为8，采用各自参考文献中的最佳参数值.其中基于Lorentzian函数的变步长LMS算法的算法参数设置为：α=0.05，δ=0.01；基于正弦函数的变步长LMS算法的算法参数设置为：α=10，β=0.04；基于Sigmoid函数的变步长LMS算法的算法参数设置为α=300，β=0.2.仿真100次求平均误差统计出曲线图.图7中仿真结果显示：新算法在不同的信噪比下，均比其他3种算法拥有更好的收敛性能，因此新算法在自适应滤波上具有更好的适用性.图7 新算法与3种变步长LMS算法在不同信噪比下的收敛比较图Fig.7 Theconvergence curves of proposed algorithm and three existing variable step size LMS algorithm in different SNR针对语音通信的情况下，通过将仿真环境中的正弦波替换成语音信号来验证新算法的优劣性.同样采用图7中的算法参数，滤波器阶数为32，噪声信号为信噪比为20 dB的白噪声，采样频率为8 kHz.图8为语音信号和带噪信号的波形图，图9展示了各算法滤波后的语音波形.仿真结果显示，新算法相对于其他算法具有较好的滤波能力，在语音信号处理上具有一定的适用性.图8 语音信号与带噪信号波形图Fig.8 The waveform of speech signal and noise signal图9 基于各函数的变步长LMS算法滤波后的信号波形Fig.9 The waveform after filtering by the variable step-size LMS algorithms base on different functions4 结论研究了传统的固定步长LMS算法的优缺点，针对其缺陷和现在变步长算法步长调整原理，提出了一种新的变步长LMS算法.新算法通过建立一种新的步长和误差之间的非线性函数关系来实现步长的变化，并同时对新算法的各个参数进行分析.该算法有在收敛初期产生较大的步长同时在稳态期产生较小的步长来缓解稳态误差的特点.同时，该算法克服了传统算法在收敛稳态期步长变化过快的不足.理论分析和实验仿真都验证了该算法相对于已有算法都具有较好的收敛特性.下一步需要对算法参数进行精度上的进一步提升，同时对算法的限制性进行进一步的研究.参考文献：[1] HUANG B, XIAO Y, MA Y, et al. A simplified variable step-size LMS algorithm for Fourier analysis and its statistical properties[J]. Signal processing,2015,117:69-81.[2] LU J, QIU X, ZOU H. A modified frequency-domain block LMS algorithm with guaranteed optimal steady-state performance[J]. Signal processing,2014,104(6):27-32.[3] 孙明轩,余林江.离散时变系统的自适应迭代学习控制[J].浙江工业大学学报,2013,41(1):84-90.[4] KWONG R H, JOHNSTON E W. A variable step size LMS algorithm[J]. IEEE transactions on signal processing,1992,40(7):1633-1642.[5] 曾召华,刘贵忠,赵建平.LMS和归一化LMS算法收敛门限与步长的确定[J].电子与信息学报,2003,25(11):1469-1474.[6] 覃景繁,韦岗.基于S型函数的变步长LMS自适应滤波算法[J].无线电工程,1996(4):44-47.[7] 杨逸,曹祥玉,杨群.基于指数函数的归一化变步长LMS算法[J].计算机工程,2012,38(10):134-136.[8] SIMON H.自适应滤波器原理[M].郑宝玉,译.4版.北京:电子工业出版社,2010.[9] 金燕,王明,葛远香.基于FPGA的抗混叠FIR数字滤波器的设计与实现[J].浙江工业大学学报,2010,38(2):192-196.[10] 赵旋,何德峰,周洲.网络控制系统多变量DMC算法的稳定性分析[J].浙江工业大学学报,2012,40(2):209-212.[11] 覃景繁,欧阳景正.一种新的变步长LMS自适应滤波算法[J].数据采集与处理,1997(3):171-174.[12] 李正周.MATLAB数字信号处理与应用[M].北京:清华大学出版社,2008.[13] 刘剑锋,蒋卓勤,李娟,等.一种基于Lorentzian函数的变步长LMS自适应滤波算法[J].指挥控制与仿真,2009,31(2):42-44.[14] 卢炳乾,冯存前,龙戈农.一种基于正弦函数的新变步长LMS算法[J].空军工程大学学报(自然科学版),2013,14(2):47-50.[15] 罗小东,贾振红,王强.一种新的变步长LMS自适应滤波算法[J].电子学报,2006,34(6):1123-1126.。
一种新的变步长LMS算法
（） １
向量按式（ ） １ 计算 ：
（ ＋１ ＝’（ ）＋２ ｅ ｎ （ ） ｔ Ｉ ） ．ｎ ， ｕ（ ） ｎ
收稿 日期 ： ０９ ０ — ２ ２０ －７ ０ ．
ｔ ｅ ａ ｙ ｃ ｒｎ ｕ ｐ ａ ｅｏ ｅ ｗｅｇ ｔ ｅ ｔｒｂ ｃ ｍｅ ｐ ｉ １ ｉ ｌｔ ｎ ｒ ｓ ｌ ｈ ｗ ｔ ａ ｉ ａｇ ｒ ｈ ｈ ｉ ｈ ｒｓ ｅ ｄ ｏ ｈ ｓ ｎ ｈ ｏ ｏ ｓｕ ｄ ｔ ｆｔ ｉ ｈ ｃｏ ｅ ｏ ｓ ｏ ｔ ｈ ｖ ｍａ ．Ｓｍｕ ａｉ ｅ ｕ ｔ ｓ ｏ ｈ ｔｔ ｓｌ ｏ ｉ ｍ ａ ｈ ｇ ｅ ｐ ｅ ｆ ｏ ｓ ｈ ｔ ｓ
ｃ ｎ ｅ ｇ ｎ ｅ ｏ ｅ ｔａ ｙ ｓａｅ ｅｒ ｒ ａ ｄ ｍｏ ｅ ｓａ ｌ ｏ ｖ ｒ ｅ ｃ ｒ ｃ ｓ ． ｏ ｖ ｒ ｅ ｃ ，ｌｗ ｒｓｅ ｄ ｔ ｔ ｒｏ ｎ ｒ ｔ ｂｅ ｃ ｎ ｅ ｇ ｎ ｅ ｐ ｏ ｅ ｓ
Ｋｅ ｏ ｄ ：Ｌ ｌｏ ｔｍ； ａｉ ｌ ｓ ｐｓ ｅ ｃｎｅｇｎｅｒ ｅ ｓ ａｙｓ ｔ ｍ ｓｄｕｔｅｔ ｙｗ ｒｓ ＭＳａ ｒｈ ｖｒ ｂｅ ｔ ｉ ； ｏｖｒｅｃ ａ ； ｔ ｄ— ａ ｉ ｊｓ ｎ ｇｉ ａ ｅ ｚ ｔ ｅ ｔｅ ａ ｍ
一
种新 的变 步 长 Ｌ ＭＳ算 法
张永华 ，马社祥，代红维
一种变步长LMS自适应滤波算法及分析
一种变步长LMS 自适应滤波算法及分析高鹰，谢胜利（华南理工大学电子与通信工程系，广东广州510641）摘要：本文对变步长自适应滤波算法进行了讨论，建立了步长因子!与误差信号e （n ）之间另一种新的非线性函数关系.该函数比已有的Sigmoid 函数简单，且在误差e （n ）接近零处具有缓慢变化的特性，克服了Sigmoid 函数在自适应稳态阶段步长调整过程中的不足.由此函数本文得出了另一种新的变步长自适应滤波算法，并且分析了参数"，#的取值原则及对算法收敛性能的影响.该算法有较好的收敛性能且计算量少.计算机仿真结果与理论分析相一致，证实了该算法的收敛性能优于已有的算法.关键词：自适应滤波；变步长自适应滤波算法；LMS 算法中图分类号：TN911.72文献标识码：A文章编号：0372-2112（2001）08-1094-04A Variable Step Size LMS Adaptive FilteringAlgorithm and lts AnalysisGAO iing ，XIE Sheng-ii（Dept.of Electronic and Communication Engineering ，South China Uni1ersity of Technology ，uuangzhou ，uuangdong 510641，China ）Abstract ：This paper discusses about some aigorithms of variabie step size LMS adaptive fiitering and estabiishes another newnon-iinear functionai reiationship between !and e （n ）.The functionai reiationship is not oniy simpier than Sigmoid functionai reiation-ship ，but aiso has the property of siight change e （n ）near to zero.Therefore it is superior to Sigmoid functionai reiationship in the pro-cess of step size change of adaptive steady state.On the basis of the functionai reiationship ，The author presents the new aigorithm of variabie step size LMS adaptive fiitering and anaiyses the aigorithm with various "and #.the aigorithm has iess computationai compiex-ity than the former aigorithms ，besides good convergence puter simuiation resuits confirms the theoreticai anaiysis and shows the aigorithm performance is better than that of former aigorithms.eey words ：adaptive fiitering ；variabie step size adaptive fiitering aigorithm ；LMS aigorithm!引言自适应技术广泛地应用于自适应控制、雷达、系统辩识和图1为自适应滤波器原理框图信号处理等领域.由Widrow和Hoff 提出的最小均方误差（LMS ）算法，因其具有计算量小、易于实现等优点而被广泛采用.图1为自适应滤波器原理框图.基于最速下降法的最小均方误差（LMS ）算法的迭代公式如下：e （n ）=d （n ）-!T（n ）"（n ）；"（n +1）="（n ）+2!e （n ）!（n ）其中："（n ）为自适应滤波器在时刻n 的权矢量，!（n ）为时刻n 的输入信号矢量，d （n ）为期望输出值，1（n ）为干扰信号，e （n ）是误差信号，L 是自适应滤波器的长度，!是步长因子.LMS 算法收敛的条件为：0<!<1/$max ，$max 是输入信号自相关矩阵的最大特征值.初始收敛速度、时变系统跟踪能力及稳态失调是衡量自适应滤波算法优劣的三个最重要的技术指标.文献［1］［6］分析了最小均方误差（LMS ）算法的收敛性能.由于主输入端不可避免地存在干扰噪声，LMS 算法将产生参数失调噪声.干扰噪声1（n ）越大，则引起的失调噪声就越大.减少步长因子!可减少自适应滤波算法的稳态失调噪声，提高算法的收敛精度.然而步长因子!的减少将降低算法的收敛速度和跟踪速度.因此，固定步长的自适应滤波算法在收敛速度、时变系统跟踪速度与收敛精度方面对算法调整步长因子!的要求是相互矛盾的.为了克服这一矛盾，人们提出了许多变步长自适应滤波算法.R.D.Gitiin ［2］曾提出了一种变步长自适应滤波算法，其步长因子!（n ）随迭代次数n 的增加而逐渐减小.文［3］提出了使步长因子!正比于误差信号e （n ）的大小.而文收稿日期：2000-04-12；修回日期：2000-08-22基金项目：国家自然科学基金（No.69972016）、广东省自然科学基金（No.990892）；广东省优秀人才基金（教研［2000］69号）第8期2001年8月电子学报ACTA ELECTRONICA SINICA Voi.29No.8August 2001［4］提出了一种时间平均估值梯度的自适应滤波算法.文［5］提出了另一种变步长自适应滤波算法，步长因子H 与e （n ）和x （n ）的互相关函数的估值成正比.在分析了上述变步长自适应滤波算法之后，文［6］提出了变步长自适应滤波算法的步长调整原则：即在初始收敛阶段或未知系统参数发生变化时，步长应比较大，以便有较快的收敛速度和对时变系统的跟踪速度；而在算法收敛后，不管主输入端干扰信号1（n ）有多大，都应保持很小的调整步长以达到很小的稳态失调噪声.根据这一步长调整原则，该文给出了Sigmoid 函数变步长LMS 算法（SVSLMS ）：e （n ）=d （n ）-!T（n ）"（n ）；H（n ）=B （1/（1+exp （-G I e （n ）I ））-0.5）；"（n +1）="（n ）+2H（n ）e （n ）!（n ）.其变步长H 是e （n ）的Sigmoid 函数：H（n ）=B （1/（1+exp （-G I e （n ）））-0.5）该算法能同时获得较快的收敛速度、跟踪速度和较小的稳态误差.然而，该Sigmoid 函数过于复杂，且在误差e （n ）接近零处变化太大，不具有缓慢变化的特性，使得SVSLMS 算法在自适应稳态阶段仍有较大的步长变化，这是该算法的不足.本文给出另一满足步长调整原则的函数：即变步长H 是e （n ）的如下函数：H（n ）=B （1-exp （-G I e （n ）I 2）），其中，参数G >0控制函数的形状，参数B >0控制函数的取值范围；H （n ）和e （n ）的函数曲线如图2，图3所示.该函数比Sigmoid 函数简单，且在误差e （n ）接近零处具有缓慢变化的特性，克服了Sigmoid 函数在自适应稳态阶段步长调整过程中的不足.同时，本文还分析了参数G ，B 取值原则及对算法收敛性能的影响.Z 新的变步长LMS 自适应滤波算法及分析根据文［6］提出的变步长自适应滤波算法的步长调整原则，本文提出的变步长自适应滤波算法如下：e （n ）=d （n ）-!T（n ）"（n ）；H（n ）=B （1-exp （-G I e （n ）I 2））；"（n +1）="（n ）+2H（n ）e （n ）!（n ）图2H （e ）与e （n ）的关系曲线（G 不同，B 相同）由H （n ）和e （n ）的函数关系曲线图2，图3可知：初始收敛阶段I e （n ）I 较大，对应H （n ）较大，算法收敛速度较快.当算法进入稳态时，I e （n ）I 达到最小，此时H （n ）也达到最小，由此得到最佳Wieeer 解.我们知道，LMS 自适应滤波算法的收敛条件是：0<H <1/A max ，A max 是输入信号自相关矩阵的最大特征值.因此H （n ）应满足：0<H （n ）<1/A max ，由此可得B <1/A max .在此条件下，算法一定收敛.但并不是满足B <1/A max 条件的任意G 、B 都能使算法在初始收敛阶段H （n ）较大而在算法收敛后H （n ）较小.例如：假设初始收敛阶段I e （n ）I 的值为0.5左右，若选择G =0.3，B =0.2（见图2）或G =8，B =0.02（见图3），则I e （n ）I 对应的H （n ）小，此时算法起不到在初始收敛阶段步长应比较大加速收敛的作用；而选择G =7，B =0.2（见图2）或G =8，B =0.2（见图3），则I e （n ）I 对应的H （n ）大，此时H （n ）满足变步长自适应滤波算法在初始收敛阶段应有较大的步长这一要求，起到加速收敛的作用.因此，G 、B 值的选取应遵循以下原则：根据初始误差I e （n ）I 值的大小来选择G 、B 的值使得初始误差I e （n ）I 所对应的H （n ）的值尽可能大些（当然是在满足算法收敛的前提下）.由图2还可知：对于相同的初始误差，固定B （<1/A max ），此时算法收敛，选择较大的G 值算法的收敛速度比选择较小的G 值快.如果选取的G 值过大，算法的收敛速度提高了，但是算法收敛后的误差I e （n ）I 所对应的H（n ）可能还较大，此时算法的稳态误差较大.如果对收敛速度有较高要求的话，应图3H （n ）与e （n ）的关系曲线（G 相同，B 不同）选择大的G 值；如果对稳态误差有较高要求的话，选择的G 值不能过大.在具体的实际应用中，可通过实验来确定G 的最优值.由图3可知：对于相同的初始误差，固定G ，选择较大的B 值算法的收敛速度比选择较小的B 值快（B <1/A max ）.下面的计算机模拟仿真结果证实了以上分析.3计算机模拟仿真结果及分析下面通过计算机模拟来检验和分析我们给出的变步长LMS 自适应滤波算法的收敛性能以及G 、B 值对算法收敛性能的影响.仍然采用文［6］中的计算机模拟条件：（1）自适应滤波器阶数L =2；（2）未知系统的FIR 系数为"!=［0.8，0.5］T ，在第500个采样点时刻未知系统发生时变，系数矢量变为"!=［0.4，0.2］T；（3）参考输入信号x （n ）是零均值，方差为1的高斯白噪声；（4）1（n ）为与x （n ）不相关的高斯白噪声，其均值是零，方差为G 21=0.04.分别做200次独立的仿真，采样点数为1000，然后求其统计平均，得出学习曲线.图4B 固定，不同值G 的算法收敛曲线图4是B =0.1固定，不同G 值的算法收敛曲线，从上到下的四条曲线对应的G 值依此为：1，10，100，300；随着G 的增大，算法的收敛速度逐渐提高.图5是B =0.1固定，G =300和20000的算法收敛曲线，从曲线右边看，下面一条曲线对应G =300，上面一条曲线对应G =20000.这表明2电子学报2001年图5 固定， =300，20000的算法收敛曲线虽然!=0.1固定，随着 的增大，算法的收敛速度逐渐提高，但过大的 值增加了算法的稳态误差.在实际应用中，为了获得较快的收敛速度，应选择较大的 值；为了使收敛精度较高，则选择的 值不能过大.在本文的实验条件下，最优 值约为300.图6 固定，不同值 的算法收敛曲线图6是 =300固定，不同值 的算法收敛曲线，从上到下的四条曲线对应 的值依此为：0.01，0.02，0.05，0.2，随着 的增大（ <1/ max ），算法的收敛速度逐渐提高.在本文的实验条件下，若选择的 值大于0.3，算法发散；若选择的 值在（0.2，0.3］之间，算法有时侯会出现不收敛的情况，最优 值约为0.2.图7两组不同的 ， 值的算法收敛曲线图7是两组不同的 ， 值的算法收敛曲线，上面一条曲线对应的 =0.5， =0.1，由于选取的 、 使得初始误差I e （n ）I 所对应的 （n ）的值太小，故算法收敛缓慢.下面一条曲线对应的 =9， =0.3，此时选取的 、 值使得初始误差I e （n ）I 所对应的 （n ）的值较大，满足变步长自适应滤波算法的步长调整原则.故算法有较好的收敛性能.这也与上面的分析相一致.!和其它变步长算法的收敛曲线比较文［6］提出了变步长自适应滤波算法的步长调整原则，根据这一步长调整原则，该文给出了Sigmoid 函数变步长LMS 算法（SVSLMS ），但该文没有分析 、 如何取值.图8是本文算法和SVSLMS 算法收敛曲线比较（该文实验条件下），上面一条曲线是 =1.0， =1.5（该文算法最佳值）时的SVSLMS 算法收敛曲线，下面一条曲线是 =20， =0.2时的本文算法收敛曲线.由此图知本文算法优于SVSLMS 算法.图8本文算法和SVSLMS 算法收敛曲线比较文［5］提出的变步长自适应滤波算法（VS-NLMS ），其步长因子 与e （n ）和x（n ）的互相关函数的估值成正比.该算法须用指数加权递推公式更新计算平均互相关，计算量较大.图9是本文算法图9本文算法的VS-NLMS 算法收敛曲线比较图10本文算法的L -LMS 算法收敛曲线比较和VS-NLMS 算法收敛曲线的比较（采样点数为3000，50次独立仿真的统计平均结果）.模拟条件采用该文中的条件：（1）自适应滤波器阶数L =10；（2）未知系统的FIR 系数为!!=［0.1，0.2，0.3，0.4，0.5，0.6，0.5，0.4，0.3，0.2］T，（3）参考输入信号x （n ）是零均值，方差为1的高斯白噪声；（4）1（n ）为与x （n ）不相关的高斯白噪声；（5） =1，=0.997.本文算法取 =40， =0.06.从图中看出本文算法的收敛速度明显快于VS-NLMS 算法的收敛速度.文［7］通过对误差信号的非线性处理，得到了L. -LMS 算法.该算法亦较为复杂.图10是本文算法和L. -LMS 算法收敛曲线的比较（采样点数为600，100次独立仿真的统计平均结果）.模拟条件采用文［7］中的条件：自适应滤波器阶数L =5；未知系统的FIR 系数为!!=［0.33，0.67，1，0.67，0.33］T， max =0.1， min =0.01；参考输入信号x （n ）是零均值，方差为1的高斯白噪声；1（n ）是与x （n ）不相关的高斯白噪声， 2n =0.01.本文算法取 =200， =0.1.从图中看出本文算法的收敛速度亦快于L. -LMS 算法的收敛速度."结束语通过建立步长因子 与误差信号e （n ）之间的另一非线性函数关系 （n ）= （1-exp （- I e （n ）I 2）），本文提出了一种新的变步长自适应滤波算法，同时分析了参数 ， 的取值原则及对算法收敛性能的影响.该算法有较好的收敛性能，克服了SVSLMS 算法在自适应稳态阶段步长调整过程中的不足，计算量比SVSLMS 算法、VS-NLMS 算法和L. -LMS 算法少.计算机仿真结果表明该算法的收敛性能良好，与理论分析相一致且收敛速度快于SVSLMS 算法、VS-3第8期高鹰：一种变步长LMS 自适应滤波算法及分析NLMS算法和L.E-LMS算法!参考文献：［1］S.Haykin，et.al.Adaptive Filtering Teeory［M］.1985.［2］Gitlin R.D，Weinstein S.D.On tee design of gradient algoritems for digitally implemented adaptive filters［J］.IEEE Trans on CT，1973，（2）：125-136.［3］Yasukawa H，Seimada S，Furukrawa I，et al.Acoustic eceo canceller wite eige speece guality［A］.ICASSP’87：2125-2128.［4］Gitlin R.D，Weinstein S.D.Tee effects of large interference on tee tracking capability of digitally implemented eceo cancellers［J］.IEEETrans on COM，1978，（6）：833-839.［5］叶华，吴伯修.变步长自适应滤波算法的研究［J］.电子学报，1990，18（4）：63-69.［6］覃景繁，欧阳景正.一种新的变步长自适应滤波算法［J］.数据采集与处理.1997，12（3）：171-194.［7］吴光弼，祝琳瑜.一种变步长LMS自适应滤波算法［J］.电子学报，1994，22（1）：55-60.作者简介：高鹰男.1963年6月生于湖北丹江口.广州师范学院计算机系副教授，1987年毕业于华中师大数学系，1998年毕业于北京航空航天大学机电工程系，获硕士学位.现在华南理工大学电子与通信工程系攻读博士学位（在职）.主要研究方向：计算机辅助几何设计、三维数据场可视化、自适应信号处理等研究.已发表论文十余篇.谢胜利男.1956年生于湖北荆州.华南理工大学无线电与自动控制研究所教授，博士生导师.主要研究领域：滞后分布参数系统、滞后2D离散系统的稳定与变结构控制、非线性系统学习控制、机器人系统、自适应回波消除等.出版专著一部，发表论文60多篇，获省部级二等奖2次.《GPS动态滤波的理论、方法及其应用》出版由博士生导师万德钧教授和房建成、王庆两位副教授合著的《GPS动态滤波理论、方法及其应用》一书，倾注了作者及其有关专家、学者多年的心血，潜心研究，解决了一个又一个技术难题所取得的最新成果，独创性很强，是一本难得的好书。
一种新的变步长LMS算法
力 差 。另一 方 面 ， 的 步 长 使 算 法 具 有更 快 的收 大
等 。在这些 算 法 中 ， 有 代 表 性 的是 文 献 ［ ］ 提 具 ３中 出 的步长 与均 方瞬 时误 差建 立 关 系 和文 献 ［ ］ ４ 中提
出 的使 用 当前 误 差 与上 一 步误 差 的 自相 关 估 计 来
敛速度和好 的跟踪能力 ， 但这是 以大的失调为代价
的 。为解决 这 一 问题 ， 们 提 出许 多 改进 的 Ｌ 人 ＭＳ算 法 ， 中很 大类 是变 步长 Ｌ 其 ＭＳ算法 。该 方 法是 基 于
控 制 步长更 新 ， 体 的算 法如 下 。 具
１ 变步长 Ｌ ＭＳ算法
分析 现有 的文 献 资 料 ， 步 长 算 法 都是 利 用 自 变
适应 过程 中提 供 的某 种 近 似 值 作 为 衡 量 标 准来 调 节步 长 。 比较 简 单 有 效 的方 法 是 利 用 自适 应 过 程
中的误差 信号 ， 图 在 步长 与误 差 信号 之 间建 立 某 试
传统 的 固定步 长 的 Ｌ ＭＳ算 法在 收敛 速 度 、 变系 时 统 的跟踪 能 力 和 稳 态失 调 之 间 的要 求 是 存 在 很 大 矛盾 的 。小 的步长 确 保 稳 态 时具 有 小 的失 调 ， 但 是 算 法 的收敛 速度 慢 ， 且 对 非 稳 态 系 统 的跟 踪 能 并
文献 ［ ］ ３ 中算 法 为
ｅ凡 （ ）＝ｄ 凡 Ｘ‘ ｎ （／ （ ）一 （ ） ｉ ｔ ， ） （ ）＝ （ ｅｐ ２ ／ 卢 １一 ｘ （一Ｏ （ Ｉ） ｔｅ ） ） Ｉ Ｗ（ 凡＋１ （ ）＋ ） （ ） 凡 ）＝ ｎ Ｚ （ ｅ 凡 Ｘ（ ） （） １ （） ２ （） ３
变步长LMS自适应滤波算法及其分析
过 程 中 的 不 足 ， 现 了对 Ｓ Ｓ Ｌ 实 Ｖ — ＭＳ算 法 的 改 进 。理 论 分 析 和 计 算 机 仿 真 结 果 表 明 ， 算 法 的 收敛 性 能 优 于 Ｓ Ｓ 本 Ｖ －
Ｌ ＭＳ算 法 另 外 ， 对本 算 法 与 Ｖ － ＭＳ算 法 进 行 了 比较 ， 真 结 果 表 明本 算 法 在 低 信 噪 比环 境 下 比 Ｖ － ＭＳ算 还 ＳＩ 仿 ＳＬ
ｌ ｗ ｉ ｎａ ｉ ｅ ｒ ｔｏ ｅ ｉｏ ｏ ｓｇ ｌｎｏ ｓ ａ ｉ ｎｖ ｒ ｎｍ ｅ ｔ ｎ．
ｐ ｏ ｅ ｓｏ ｔ ｐ ｓｚ ｄ ｓｍｅ ｔｏ ｄ ｐ ｉｅ ｓｅ ｄ ｔｔ ， ｅ ｆ ｒ ｈ ｍｐ ｏ ｅ ｎ ｏ ｔ ｅ ｓｚ ｆ ｒ ｃ ｓ ｆｓｅ ｉｅａ ｊ ｔ ｎ ｆａ ａ ｔ ｔａ ｙ ｓａｅ ｐ ｒｏ ｍｓ ｔ ｅｉ ｒ ｖ ｍｅ ｔ ｔ ｈ ｉｅ ｏ ｕ ｖ
韩 国玺 ， 春 生 ， 刘 张 智
（ 电子 工 程 学 院 ， 肥 ２ ０ ３ ） 合 ３ ０ ７
摘要 ： 对变步长（ Ｍ ） Ｌ Ｓ 自适应滤波算法进行了讨 论 ， 通过对 Ｓ ｍ ｉ函数修正 ， ｉ ｏ ｇ ｄ 建立 了步长 因子与误差 信号之 间新
的非 线 性 函数 关 系 。新 函数 在 误 差 接 近 零 处 具 有 缓慢 变化 的特 性 ， 服 了 Ｓｇ ｏｄ函 数 在 自适 应稳 态 阶 段 步 长 调 整 克 ｉｍ ｉ
一种改进变步长因子LMS算法的研究
关键词
Ｌ ＭＳ算 法 ； 步 长 ；自适 应 滤 波 ；最 小 均 方 误 差 变
Ｔ ３１６ Ｐ ０．
中图分类号
Ａｎａ ｙ ｉ ｆａ ｍ ｐ ｏ ｅ ｌ ｓ ｓｏ ｎ Ｉ ｒ ｖ ｄ Ｖａｒａ ｌ ｅ ｚ ｉ ｂ ｅ Ｓｔ ｐ Ｓｉ ｅ ＬＭ Ｓ Ａｌ ｏ ｉｈｍ ｇ ｒｔ
总 第 ２ ８期 ４
２１ ０ ０年 第 ６ 期
计算 机与数字工程
Ｃｏ ｐ ｔｒ＆ Ｄｉｉａ ｇｎ ｅ ｉｇ ｍ ｕｅ ｇｔｌ Ｅｎ ｉｅ ｒ ｎ
Ｖｏ． ８Ｎｏ ６ １３ ．
ｌ ９
一
种 改进 变 步 长 因子 Ｌ ＭＳ算 法 的 研 究
宁 平” 王 紫婷 ’
（ 兰州交 通大学电子信息与工程学 院” 兰州 ７ ０ ７ ） 兰州交通大学 电工 电子实 验中心。 兰州 ７ ０ ７ ） ３００ （ ’ ３ ０ ０
ｙ ｉ ｓ ｐ ｏ ｅ ｙ Ｍ ａ ｌｂ ｓｍｕ ａ ｉｎ ｅ ｐ ｒｍｅ ｔ ｓｓ ｉ ｒ ｖ ｄ ｂ ｔａ ｉ ｌｔｏ ｘ ｅ ｉ ｎ ．
Ｋ ｙ Ｗ ｏｒ ｓ ＩＭ Ｓ ａｇ ｒ ｈ ，ｖ ｒａ ｌ ｔ ｐ ｓｚ ，ａ ａ ｔ ｅ ｆｌ ｒ ｅ ｓ－ ａ － ｑ ａ ｅ ｅ ｄ ｌｏ ｉ ｍ ｔ ａ ｉｂ ｅ ｓ ｅ ｉｅ ｄ ｐ ｉ ｉｔ ，１ａ ｔｍｅ ｎ ｓ ｕ ｒ ｖ ｅ
Ｎ ｉ ｎｇ ’ Ｗ ａ ｔｎｇ ｎｇ Ｐｉ ｎｇ Ｚｉｉ 。
（ ｌ ｇ ｅｔｏ ｉ ｎ ｎ ｏｍ ａｉｎ Ｅｎ ｉｅ ｒｎ ，Ｌａ ｚ ｏ ｉｏｏ ｇＵｎｖ ｒｉｙ ，Ｌａ ｚ ｏ ７ ０ ７ ） Ｃｏｌ ｅＥｌｃｒ ｎ ｃａ ｄ ｉｆｒ ｔ ｇｎ ｅｉｇ ｅ ｏ ｎ ｈ ｕＪａ ｔｎ ｉｅｓｔ ” ｎｈ ｕ ３ ０ ０
基于双曲函数的变步长LMS算法及其分析
原理是用 ｅ（ ） ｋ 来估计 Ｅ（ ｋ ） ｅ（ ） 。设 （ ） ｋ 为输入信号 的 ｋ 时刻的值 ， ） （ 为第 个抽样时刻 的权重矢量 ， Ｔ为共轭转 置 ， … 为输入 信号相关矩阵 的最大特征值 ， Ａ 为步 长 ， 控制 收敛速度和稳定性 。基本 的 Ｌ 算 法如 下 ： ＭＳ
ｈｙ ｒ ｌ ａ ｇ ｎ ｕｎ ｔｏ ｐｅ ｂｏｉ ｔ ｎ ｅ ｔｆ ｃ ｉ ｎ ｃ
Ｌ ｉｎ ｐｎ Ｉ ａ —ｉｇ，ＭＥ ｉｎ ｂ Ｊ ＮＧ Ｊａ — ｏ （ ｏ ｅｅｏ ｕｏ ｔ ｎ Ｃ ｏ ｇ ｉｇＵ ｉｅｓｙ ｈ ｎ ｑｎ ０ ０４， ｈｎ ） Ｃ ￣ ｇ ｆ ｔｍａｉ ， ｈ ｎ ｑｎ ｎｖｒｉ ，Ｃ ｏ ｇ ｉｇ４０ ４ Ｃ ｉａ Ａ ｏ ｔ Ａ ｓ ａｔ ａ ａ ｌ ｓ ｐｌ ｓ ｍ ａ ｑａｅ Ｌ Ｓ ｌ ｒｈ ｒｓｎ ｄ ｈ ＭＳａ ｏ ｔｍ ｂ ｔｅｎｓ ｐｓ ｅ ｂｔ ｃ：Ａ ｖｒ ｂｅ ｔ ａｔ ｅｎｓｕｒ（ Ｍ ）ａ ｏ ｔｍ ｉ ｐｅｅｔ ．Ｔ ｅＬ ｌ ｒｈ ｅ ｅ ｔ ｉ ｒ ｉ ｅ ｅ ｇｉ ｓ ｅ ｇｉ ｗ ｅ ｚ
摘
要 ：提出一种基于双 曲函数 的变 步长最小 均方 （ Ｍ ） 法 。通过 对双 曲余 弦 函数 进行数 学变换 ， Ｌ Ｓ算 建
立 起误 差信号与步长 因子 的 Ｌ Ｓ算法 ， Ｍ 根据误差信 号 的变化来 自动调 节步长 的大小 。仿真结 果证 明 ： 所 提 出的 Ｌ Ｓ算 法比标准的 Ｌ Ｍ ＭＳ算法有着更快的收敛速度等优点 。
密切 相 关 ， 近 ２ 是 ０多 年 来 发 展 起 来 的 信 息 科 学 的一 个 重 要
分支 ， 并在通信 、 生物医学处理 、 雷达信号处理等许多领域获
得 了广泛的应用 。它 由一个具有可调系数的数 字滤 波器 ， 以 及一个用于调整或 改变滤波器 系数 的 自适应算法 。一个 最成功的 自适应算法是由 ＷｉｒｗＢ及其同事提出的最小均 ｄｏ 方 （Ｍ ） Ｌ Ｓ 算法。Ｌ ＭＳ算法 由于 其结构简 单 、 计算量 小 、 易于 实现实时处理 ， 因此 ， 在噪声对 消 、 谱线 增强 、 系统辨识 等方 面得到广泛应用 。Ｌ 算 法是基于最 陡下 降法 ， ＭＳ 以固定 步长 肛沿负梯度方 向逼近其最佳值 ， 而达 到最优的 目的。 从 然而 ， 在传 统固定 步长 的 Ｌ ＭＳ算 法 中存 在收 敛速 度 、
变步长凸组合LMS自适应滤波算法及性能分析
1
文献[4][5]分析了LMS算法的收敛性能，收敛速度与在时变 系统中的跟踪能力要求在稳定范围内尽量加大步长因子 μ 的
值；而为了降低由于系统主输入端引入随机干扰噪声 v(n) 所引 起的稳态失调，又需要步长因子 μ 的值越小越好。因此，基本
的基于最速下降法的LMS滤波算法在收敛速度、时变系统跟踪 性能与收敛精度方面对算法调整步长因子 μ 的要求存在着不 可协调的矛盾。为了协调此类矛盾，一些学者用变步长的方式 改进LMS算法[6]-[9]以期待最终实现快收敛性能和尽可能小的稳 态误差，取得了一定效果。文献[10]提出的凸组合最小均方 (Convex Combination of Least Mean Square，简称CLMS)滤波器 算法通过并联两种不同步长因子的LMS滤波器的方式提高算 法的收敛性能，也取得了不错的效果。但两种步长的并行计算 往往对于联合参数的要求非常精确，不利于算法在噪声环境中 保证良好的稳态性能。
由图 2 可以看出，通过收敛过程中误差 e(n) 的不断变化， 迭代步长 μ (n) 也在不断调整。在收敛初始阶段，误差 e(n) 往
往较大，此时迭代步长将无限趋近于能够保证算法收敛的最大 迭代步长 μmax 以保证最快的收敛速度；随着收敛过程的不断进
行，误差 e(n) 将不断减小，当收敛进入稳态邻域时，迭代步 长 μ (n) 也随之渐近到一个很小的值，保证算法有较小的稳态误
法有良好的稳定性。 由整个算法的原理与结构可以看出，联合在一起的LMS滤
波器组是以这样的一种很直观的方式工作的：当自适应刚刚开 始或者系统发生时变时，有较大 μ 参数的LMS滤波器的性能要
比 μ 参数较小的LMS滤波器好，通过使 λ (n) 取值接近于 1 而 使得 weq (n) ≈ w1 (n) 。同理在相反的条件下，如系统处于稳态过
新的变步长LMS算法及DSP设计
新的变步长LMS算法及DSP设计Widrow和Hoff等人于1960年提出最小均方误差(LMS)算法，因为其结构容易，计算量小，稳定性好，易于实现等优点而得到广泛的应用。
LMS 算法的缺点是收敛速度慢，它克服不了收敛速度和稳态误差这一对固有冲突：在收敛的前提下，假如步长取较大值，虽然收敛速度能得到提高，但稳态误差会随之增大，反之稳态误差虽然降低但收敛速度就会变慢。
为解决这一冲突，人们提出了许多改进型自适应算法。
其中很大一类是变步长LMS算法。
文献提出Sigmoid函数变步长LMS算法(SVSLMS)。
该算法在初始阶段或未知系统的系数参数发生变幻时，其步长较大，从而使该算法有较快的收敛速度；而在算法收敛后，不管主输入端干扰信号e(n)有多大，都保持很小的调节步长，从而获得较小的稳态失调噪声。
但Sigmoid函数过于复杂，且在误差e(n)临近零处变幻太大，不具有缓慢变幻的特性，使得SVSLMS算法在自适应稳态阶段仍有较大的步长变幻；文献提出的算法引入了多个调节参数，因而步长因子不易设计和控制；文献[6-8]提出了3种与误差信号成非线性关系的步长设计办法，该类算法具有较好的收敛性能，但3种算法在计算步长因子时，都存在指数运算。
在数字信号处理中，举行一次指数运算需要的计算量，相当于举行多次乘法运算的计算量。
因此这类算法在实现时，增大了计算复杂度。
为克服上述变步长LMS自适应存在的不足，在此提出了一种新的变步长LMS自适应滤波算法，该算法具有良好的收敛性能，较快的收敛速度，较小的稳态误差．良好的鲁棒性，并且在求变步长因子时计算量较小。
1 新的变步长LMS算法分析基本的固定步长LMS算法的迭代公式可以表述为：式中：X(n)表示时刻n的输入信号矢量；W(n)表示时刻n自适应滤波器的权系数；d(n)是期望输出值；e(n)是误差；μ是控制稳定性和收敛速度的参量(步长因子)。
本文基于文献[6，7]建立一个步长μ(n)和误差e(n)的函数关系：反正切函数是一个关于自变量的增函数，且在零附近变幻平缓，而且是一个有界函数，函数值不会发散。
LMS算法及改进
浅析LMS算法的改进及其应用摘要：本文简单介绍了LMS算法，以及为了解决基本LMS算法中收敛速度和稳态误差之间的矛盾，提出了一种改进的变步长LMS 算法，并将其应用于噪声抵消和谐波检测中去。
关键字：LMS算法；变步长；噪声抵消；谐波检测引言自适应滤波处理技术可以用来检测平稳和非平稳的随机信号，具有很强的自学习和自跟踪能力，算法简单易于实现，在噪声干扰抵消、线性预测编码、通信系统中的自适应均衡、未知系统的自适应参数辨识等方面获得了广泛的应用。
自适应滤波则是利用前一时刻已获得的滤波器参数等结果，自动地调节现时刻的滤波器参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。
所谓“最优”是以一定的准则来衡量的，根据自适应滤波算法优化准则不同，自适应滤波算法可以分为最小均方误差(LMS)算法和递推最小二乘(RLS)算法两类最基本的算法。
基于最小均方误差准则，LMS算法使滤波器的输出信号与期望输出信号之间的均方误差最小，因此，本文在基本LMS算法基础上，提出一种新的变步长自适应滤波算法，将其应用于噪声抵消和谐波检测中去。
一．LMS算法LMS算法即最小均方误差(least-mean-squares) 算法，是线性自适应滤波算法，包括滤波过程和自适应过程。
基于最速下降法的LMS算法的迭代公式如下：e ( n) = d ( n)- w ( n - 1) x ( n) （1）w ( n) =w ( n - 1) + 2μ( n) e ( n) x ( n) （2）式中，x ( n)为自适应滤波器的输入；d ( n)为参考信号；e ( n)为误差；w ( n)为权重系数；μ( n)为步长。
LMS算法收敛的条件为：0 <μ< 1/λmax ，λmax是输入信号自相关矩阵的最大特征值。
二．LMS算法的改进由于LMS算法具有结构简单，计算复杂度小，性能稳定等特点，因而被广泛地应用于自适应均衡、语音处理、自适应噪音消除、雷达、系统辨识及信号处理等领域。
改进的变步长LMS自适应滤波算法及其仿真
改进的变步长LMS自适应滤波算法及其仿真自适应滤波/变步长/LMS算法1 引言自适应滤波研究始于20世纪50年代末Widrow和Hoff提出的最小均方误差算法,由于该算法具有简单性、鲁棒性和易于实现的性能,因此在自适应滤波原理中得到了很好的应用[1]。
然而,传统的固定步长的LMS算法在收敛速度、时变系统的跟踪能力和稳态失调之间的要求是存在很大矛盾的。
小的步长确保稳态时具有小的失调,但是算法的收敛速度慢,并且对非稳态系统的跟踪能力差;大的步长使算法具有更快的收敛速度和好的跟踪能力,但这是以大的失调为代价的[2-3]。
为解决这一矛盾,各种变步长LMS算法被提出。
变步长算法都是利用自适应过程中提供的某种近似值作为衡量标准来调节步长。
简单有效的方法是利用自适应过程中的误差信号,试图在步长与误差信号之间建立某种函数关系。
文献[4]给出Sigmoid函数的变步长LMS 算法(SVSLMS),其能同时获得较快的收敛速度、跟踪速度和较小的稳态误差。
然而,该Sigmoid函数在误差e(n)接近零时变化太大,不具有缓慢变化的特性,使得SVSLMS算法在稳态时仍有较大的步长变化。
为此,文献[5-6]分别给出相应的改进算法,使其在稳态时步长因子很小,而且变化不大,解决了SVSLMS算法存在的问题。
文献[7]克服了文献[5]在低信噪比下收敛速度变慢的问题,但在稳态性能方面欠佳。
在分析了以上算法的基础上,文献[8]提出了基于双曲正切函数的变步长算法,该算法能同时获得较快的收敛速度、跟踪速度和较小的稳态误差。
然而,该双曲正切函数在误差e(n)接近零处变化太大,不具有缓慢变化的特性,使得该算法在自适应稳态阶段仍有较大的步长变化,并且在低信噪比环境下,该算法收敛速度、跟踪速度和稳态误差并不十分理想。
本文在此基础上提出了一种改进型算法,不仅保证了较快的收敛速度、跟踪速度和较小的稳态误差,并且克服了双曲正切函数在自适应稳态阶段步长调整过程中的不足,同时,降低了算法对自相关性较弱噪声的敏感性。
变步长LMS算法归类
为步长因子的上下限，ξ 、η 为权重系数，参数ξ 为原步长因子的权重系数，η 为误差信号 的权重系数，系数越大代表系数之后的重要性越大，如果 ξ 越大，则说明迭代过程步长因子 变化越稳定，ξ 参数的取值范围为[0,1]。如果η 越大，则误差信号的贡献率越大。η 同时影
响收敛速度和稳态误差，取一个较小的值。同时为了兼顾算法的收敛速率与稳定性，通过设
种是步长调整与输入信号 x (n) 关联，另一种是步长调整关公式与误差信号 e(n) 关联，第三种
为步长调整公式同时与误差信号 e(n) 和输入信号 x(n) 相关联。为描述直观方便，本论文中
采用这种分类方法，把所用的变步长方法按照其步长调节算法所需关联的信号分类分为三 组。为统一符号，规范表述，将各类算法中的参数统一如表 2.4-1：
当误差小的时候减小步长来限制稳态误差。典型算法有 Li 的算法，Yan 的算法，Kwong 的
算法，Aboulnasr 的算法。
(1) VSS-LMS-B1 Kwong 在 1992 年提出一种 VSS-LMS 算法[53]，这是一类通过迭代递归方式求得步长因
子的方法，新的步长因子通过原步长因子根据作为参考的误差信号调整求得，更新步长更新
其他
(2.4.6)
VSS-LMS-B2 算法中包含五个需要设置的参数初始化常量，参数 λ 的取值范围为[0,1]并
且接近于 1。参数ξ 和η 为步长更新的权重系数，其取值可以和 Kwong 算法相同，步长的上
下界限也可以参考 Kwong 算法中的设定值。公式中 p ( n) 的引入是将误差信号进入步长因
变步长 LMS 算法
LMS 算法是自适应领域的实际需求中常用的算法之一。 虽然该算法具有简单，快速的 特点，并具有良好的鲁棒性，方法较简便，但 LMS 算法的完整数学分析以及步长调整的精 确规则目前还尚不清楚，这可能是由于其高度非线性的特点造成的，就 LMS 算法本身而言
变步长LMS自适应滤波算法研究_杨宇
2011年2月第27卷第1期江苏教育学院学报(自然科学)Journal of Jiangsu Institute of Education(Natural Sciences)Feb．，2011Vol，27No．1变步长LMS自适应滤波算法研究*杨宇1施未来2(1．海军工程大学训练部，湖北武汉430033;2．海军指挥学院浦口分院，江苏南京211800)［摘要］针对固定步长LMS自适应滤波算法存在初始收敛速度慢、时变系统跟踪能力弱，稳态失调噪声大的缺点，对基于改进Sigmind函数的变步长LMS自适应滤波算法进行研究．变步长LMS自适应滤波算法通过建立滤波误差和迭代步长的非线性关系，提高了算法的收敛速度，降低了稳态失调噪声，同时也增强了抗阶跃的能力．研究表明，变步长LMS自适应滤波算法适用于更广泛的环境中．［关键词］自适应滤波器;LMS;Sigmind函数;可变步长［中图分类号］TN713［文献标识码］A［文章编号］1671－1696(2011)01－0009－03自适应滤波算法研究上世纪50年代，Windrow 和Hoff等提出了最小均方(LMS)自适应算法［1－2］．LMS自适应滤波器是以最小均方误差为准则的最佳滤波器．它是通过自动调节其本身的单位脉冲响应h (n)特性，来达到均方误差最小的滤波效果．在设计自适应滤波器时，可以不必预先知道信号与噪声的自相关函数，而且在滤波过程中，信号是非平稳信号时，系统也能自动调节适应．但是LMS算法仍存在初始收敛速度慢、时变系统跟踪能力弱，稳态失调噪声大的缺点，为了解决上诉问题，人们提出了多种变步长LMS自适应算法［3－6］．本文通过比较固定步长LMS算法和变步长LMS算法的滤波能力和收敛能力，对变步长LMS自适应算法在不同信噪比环境中的应用进行研究．一、变步长LMS自适应算法自适应滤波器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所示．滤波器输出与期望信号之间的误差为:e(n)= d(n)－y(n)=d(n)－w t(n)x(n)图1自适应滤波器根据最小均方误差(MSE)准则，最佳滤波器的权向量应使均方误差E e2()[]n最小．采用递推收敛的方法可以找到这个最佳的滤波器权向量．w(n+1)=w(n)+2μe(n)x(n)其中，μ为步长，收敛条件为:0＜μ≤1/λmax，λmax是输入信号自相关矩阵的最大特征值．如果μ为常数，则LMS算法为固定步长LMS，其特征值如果分布太散，算法的收敛速度就会很慢，稳态误调噪声也很大．变步长LMS自适应算法的步长调整原则:在初始收敛阶段或未知系统参数发生变化时，补偿应比—9—*［收稿日期］2010－11－07［作者简介］杨宇(1980－)，男，黑龙江省丰泉县人，海军工程大学训练部工程师．研究方向:无线电通信．较大，以便有较快的收敛速度和对时变系统的跟踪速度;而在算法收敛后，不管主输入端干扰信号有多大，都应该保持很小的调整补偿以达到很小的稳态失调噪声［7］．众多的变步长LMS自适应算法中，以基于改进Sigmind函数的变步长LMS［8］算法最有代表性:μ(n)=β·(1－exp(－α·e(n)2))(1)其中:参数α＞0控制函数的形状，参数β＞0控制函数的取值范围．图2变步长LMS自适应算法误差与步长的关系二、仿真研究为了验证变步长LMS自适应算法在低信噪比环境中的消噪能力和收敛能力，对变步长LMS自适应算法进行仿真试验．分别采用固定步长LMS算法和变步长LMS算法对正弦信号和方波信号进行滤波消噪．分别计算在SNR=－18．6dB，1dB和22dB环境下两种算法的均方误差(MSE)．MSE=1NΣNi－1(Si－S)2其中:s i为估计信号，s为信号真值．表1固定步长LMS算法和变步长LMS算法不同信噪比条件下MSE比较方法－18．6dB1dB22dB 固定步长LMS算法1．36921．06761．2838变步长LMS算法1．09590．61620．6124表1中高信噪比环境下噪声相比信号很小，由于固定步长LMS算法的稳态误调噪声较大，导致MSE没有减少反而增大，而变步长LMS算法的步长可调，稳态误调噪声比固定步长LMS小，所以MSE仍然很小．因此，变步长LMS算法适用的环境比固定步长的广泛，且滤波效果更好．图3固定步长LMS算法和变步长LMS算法滤波效果比较(－18．6dB)图4固定步长LMS算法和变步长LMS算法抗跃变能力比较(－18．6dB)图3中，第一列为信号与噪声叠加后的输入信号，SNR=－18．6dB，属于低信噪比环境．第二列是固定步长LMS算法的滤波结果，第三列为变步长LMS算法的滤波结果．红色曲线为原信号，抽头数都为6．可以看出结构相同的自适应滤波器基础上，变步长LMS算法比固定步长LMS算法的收敛速度更快，而且收敛平稳后的稳态噪声更小．图4中，比较了两种算法的收敛曲线和抗跃变能力的比较．可以看出，不论是初始收敛阶段还是跃变初始时，由于变步长LMS算法的收敛速度都快于固定步长LMS算法．三、结束语本文研究了基于改进Sigmind函数的变步长LMS算法和固定步长LMS算法在(下转第41页)—01识，使学生变被动接受为主动求知，真正成为教学的主体，而且符合“直觉———探讨———出错———思考———猜想———证明”的数学认知规律，这有利于培养学生综合分析问题和解决问题的能力，便于学生掌握数学的思想方法．这些都促使我们将进一步思考如何将数学实验的思想巧妙的融入到大学数学课程的教学过程中．［参考文献］［1］罗卫民，李昌兴，史克刚．“数学实验”与“数学建模”课程教学改革［J］．高等工程教育研究，2005，(6)．［2］秦宣云，李学全．对数学实验课教学的认识以及教学过程实施方法［J］．工科数学，2002，(6)．［3］吴华，胡宁．多媒体与数学实验教学整合的探索与思考［J］．电化教育研究，2007，(5)．［4］彭华，吴昶．高等院校的数学实验课程建设［J］．黑龙江高教研究，2006，(1)．［5］朱伟．将数学实验的思想融入大学数学教学中的思考［J］．重庆邮电大学学报(自然科学版)增刊，2008，(6)．［6］范文贵．利用教育软件开展数学实验活动的研究［J］．中国电化教育，2005，(11)．［7］郭宗庆，毋胭脂．论数学实验的内涵及相关概念的区别与联系［J］．教育与职业，2007，(3)．［8］张小红．数学软件Mathematica的应用———数学实验一例［J］．数学的实践与认识，2003，(10)．［9］朱晓峰，田益民．数学软件在数学教学中的应用—数学实验一例［J］．数学的实践与认识，2009，(7)．［10］覃思乾．数学实验教学模式的操作流程与特征研究［J］．教育与职业，2006，(1)．［11］曹一鸣．数学实验教学模式探究［J］．课程·教材·教法，2003，(1)．［12］李尚志，陈发来．《数学实验》课程建设的认识与实践［J］．数学的实践与认识，2001，(11)．(责任编辑印亚静)(上接第10页)不同信噪比环境下的消噪能力，收敛速度和稳态误差．经过输出结果的比较，变步长LMS 算法通过建立输出误差和迭代步长的非线性对应关系，提高了算法的初始收敛速度，降低了稳态误调噪声，提高了抗跃变能力．研究表明:基于改进Sigmind 函数的变步长LMS算法适用于更广泛的信噪环境．［参考文献］［1］S．Haykin，et．al．Adaptive filtering Tthory［M］．En-glewood Cliffs，NJ:Prentice-Hall，1986．［2］Gitlin R．D，Weinstein S．D．The effects of large inter-ference on the tracking capability of digitally implemen-ted echo cancellers［J］．IEEE Trans on COM，1978，(6)．［3］高鹰，谢胜利．一种变步长LMS自适应滤波算法及分析［J］．电子学报，2001，(8)．［4］沈彩耀，李红波．一种变步长LMS自适应滤波算法及分析［J］．信息工程大学学报，2006，(2)．［5］孙恩昌，李于衡，张东英，易克初．自适应变步长LMS 滤波算法及分析［J］．系统仿真学报，2007，(14)．［6］邓鹏，林春生．基于LMS算法的自适应滤波器在海浪磁场噪声中的应用［J］．电子测量技术，2009，(12)．(责任编辑印亚静)—14—2011年2月第27卷第1期江苏教育学院学报(自然科学)Journal of Jiangsu Institute of Education(Natural Sciences)Feb．，2011Vol，27No．1Implementation of Adaptive Filter on Wave-Generated Magnetic Noise Based on LMS AlgorithmYANG Yu1SHI Weilai2(1．Administrative Office of Training．Naval Univ．of Engineering，Hubei Wuhan430033，China;2．Pukou Institute of Navy Command Collage，Nanjing211800，China)Abstract:The fixed step size LMS adaptive filtering has slow initial convergence speed，time-varying system tracking ability is not strong and steady-state offset noise is large．Establishing the nonlinear relationship between the filtering error and the step size，the variable step size LMS adaptive filtering based on Sigmind function improves the convergence speed，reduces the steady-state offset noise and ability of anti-step is stronger．Through research，variable step size LMS adaptive filtering could be applied to the wider environment．Key words:adaptive filter，LMS，Sigmind function，variable step sizeLocally Adapted Teerahedral Meshes With PeriodicityWANG Jialing1CHEN Bo2(1．Army Command College，Nanjing，210045;2．Jiangsu Institute of Education，Nanjing，210013，China) Abstract:We construct an algorithm based on bisection to refine the tetrahedral meshes．First we classify all the tetrahedrons of initial meshes into four clas-ses according to the relative position of their marked sides．Then different rules of refinement apply to different kinds of tetrahedron，in order to avoid degen-eration．Meanwhile，the proof of the refinement can be terminated in finite steps is provided．Three numerical examples of periodically elliptic problem are presented at the last half part of this paper．Key words:finite element，tetrahedral meshes，adaptive，periodic meshesOne Multi-channel Analog/Digital Data Acquisition System Based on LabVIEW＆PXI-6224ZHANG Xiaoqin(Department of Information Engineering，Jincheng College of Nanjing University of Aeronautics and Astronautics，Nanjing Jiangsu211156，China)Abstract:This paper introduces the design of one multi-channel analog and digital data acquisition system，which is based on the PXI-6224DAQ device and the LabVIEW program language of NI．The design of data acquisition software and the whole function of the user interface are described in details．The software，developed in LabVIEW program language，can acquire analog and digital data rapidly．And the acquired data can be displayed in tables，commu-nicated with other devices and saved to the disk．It is proved that the system is easy to practical use and can be extended according to the demands of users．Key words:LabVIEW，PXI-6224，Data acquisition，NI-DAQ functionsImpact of PET plasmid expression on the E．coliCHEN Yu1ZHU Shanliang2(1．Biology Depart，Jiangsu Institute of Education，Nanjing，Jiangsu，210013，China)Abstract:E．coli(Escherichia coli)is used for heterologous genes expression in scientific research and industry widely，which has the clear genetic back-ground，the fast growth rate，short growth cycle，good safety，high-density cultivation，and suitable for expressing different gene products．However，the plasmid expression often induced metabolic burden to host bacteria，results in the poor growth and low product yield．In this study，E．coli BL21(DE3) and pET expression vectors were choose for researching，we analyzed the impact of heterologous genes expression on the host bacteria from comparison of me-dium concentration，the levels of physiological and comparison of body size，explore the influence of bacillus which external source gene expressed in those．The results show that the expression of heterologous genes in the Escherichia coli results in the poor growth．Compare with experimental group and control group，the value of600nm was reduced by53．56%averagely．Key words:E．coli，pET plasmid，IPTG，ODResearch on PBL Teaching Methods Applied in Business Administration CoursesDENG Li HUANG Zhongyi(Administration School，Chongqing Technology And Business University，Chongqing，400067，China)Abstract:PBL teaching means was introduced to business administration courses in financial collgees in our projects．We not only examined the accceptable degree and scope of PBL Means，but also explored the teaching desin of PBL means and its achievable approaches．In he meantime，we evaluated the effi-ciency of PBL means applied in administration courses'teaching．We find that the results seemed satisfactory．A majority of the students can adapt them-selves to PBL means．They look part in the teaching proeess actively，and paid more attention to scleeting and discussing problems．Many students told us they made good progress in various capabilities after applying PBL means．Key words:PBL teaching Means，theaching in cconomies and administration，tencli evaluation—29。
几种变步长LMS算法的性能分析与比较
Hale Waihona Puke Ｐｅ ｒ ｆ ｏ ｒ ｍａ ｎ ｃ ｅ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ａ ｎｄ ｃ ｏ ｍｐ ａ ｒ ｉ ｓ ｏ ｎ ｏ ｆ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｓ ｔ ｅ ｐ ｓ ｉ ｚ ｅ
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈ ｅ ｃ ｏ ｎ ｔ ｒ ａ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｂ ｅ ｔ ｗｅ ｅ ｎ ｔ ｈ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｒ ａ ｔ ｅ ａ ｎ ｄ ｓ ｔ ｅ ａ ｄ ｙ ｓ ｔ ａ ｔ ｅ ｅ ｒ ｒ ｏ ｒ ｏ ｆ ＬＭ Ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ， ｔ ｈ ｅ ｔ ｈ ｒ ｅ ｅ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｓ ｔ ｅ ｐ － ｓ ｉ ｚ ｅ ＬＭ Ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ｗｅ ｒ ｅ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ． Ｓ ｕ ｃ ｈ ａ ｓ ＮＬＭ Ｓ， Ｇ－ Ｓ ＶＳ ＬＭ Ｓ， ３ ｎ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｓ ｔ ｅ ｐ － ｓ ｉ ｚ ｅ ＬＭ Ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ．Ｔｈ ｒ ｏ ｕ ｇ ｈ ｃ ｏ ｍｐ ａ ｒ ｉ ｓ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ｓ ａ ｎ ｄ ｔ ｈ ｅ ｏ ｒ ｅ ｔ ｉ ｃ ａ ｌ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ， ｔ ｈ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｔ ｅ ｓ ｔ ｉ ｆ ｉ ｅ ｄ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｓ ｔ ｅ ｐ － ｓ ｉ ｚ ｅ ＬＭ Ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｈ ａ ｓ ｔ ｈ ｅ ｆ ａ ｓ ｔ ｅ ｒ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｒ ａ ｔ ｅ ， ｓ ｍａ ｌ ｌ ｅ ｒ ｓ ｔ ｅ ａ ｄ ｙ － ｓ ｔ ａ ｔ ｅ ｅ ｒ ｒ ｏ ｒ ａ ｎ ｄ ｓ ｔ ｒ ｏ ｎ ｇ ｅ ｒ ａ ｎ ｔ ｉ － ｉ ｎ ｔ ｅ ｒ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ａ ｂ ｉ ｌ ｉ ｔ ｙ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ ｆ ｉ ｌ ｔ ｅ ｒ ；ＬＭ Ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ；ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｓ ｔ ｅ ｐ — ｓ ｉ ｚ ｅ
基于计算动词理论的变步长LMS自适应算法及其仿真ppt实用资料
计算机仿真及结果分析
次稳态阶段参数修改
总结
本文以误差e(n)与e(n-1)的自相关估计J(n)的
绝对值|J(n)|为计算动词，根据变步长LMS算法基本
基本LMS算法的缺陷：
改固变定步 步长长大时上，自的适应调滤波整器的原稳态则误较建大；立相应的动词规则，即在|J(n)|较大
各类算法的学习曲线比较：
自适应滤波器 自适应滤波的原理图
基本LMS算法
基本LMS算法的迭代公式如下 ：
e(n)d(n)W T(n)X(n)
W ( n 1 ) W ( n ) 2 e ( n )X ( n )
其中u是固定步长，W(n)是权系数， d(n)是期望输出，X(n)是输入信号
基本LMS算法
基本LMS算法的缺陷： 固定步长大时，自适应滤波器的稳
时，步长应较大，以便有较快的的收敛速度或对时变 特征：它能够在未知环境中有效工作，并能够跟踪输入信号的时变特征。
把自适应滤波器的整个自适应学习过程划分为四种状态：快速收敛阶段、次快速收敛阶段、次稳态阶段、稳态阶段。 IF |J(n)| increase too much THEN μ increase to a maximum value
IF μ decreased to 0 THEN μkeep constant
则进行数学模型的建立，完成本文的算法设计。
谢 谢！
LOGO
计算机仿真及结果分析
快速收敛阶段参数比较：
if (j(n)>j_limit) & (j(n-1)>j_limit) mu(n)=mu(1);
快速收敛阶段
计算机仿真及结果分析
次快速收敛阶段参数比较
把自适应滤波器的整个自适应学习过程划分为四种状态：快速收敛阶段、次快速收敛阶段、次稳态阶段、稳态阶段。 高鹰、谢胜利变步长LMS算法 若 Δ|J(n)|≤-ξ, 则 μ(n+1)=μ(n)-Δμ0 高鹰、谢胜利变步长LMS算法： * IF |J(n)| increase THEN μ increase 基于计算动词理论的变步长LMS算法 若 Δ|J(n)|≤-ξ, 则 μ(n+1)=μ(n)-Δμ0 基本LMS算法的缺陷： 基于计算动词理论的变步长LMS算法 定义：根据环境的改变，使用自适应算法来改变滤波器的参数和结构。 把自适应滤波器的整个自适应学习过程划分为四种状态：快速收敛阶段、次快速收敛阶段、次稳态阶段、稳态阶段。 IF μ decreased to 0 THEN μkeep constant 若 Δ|J(n)|≤-ξ, 则 μ(n+1)=μ(n)-Δμ0 式中J(n)=e(n)e(n-1) 即为抗干扰因子 基本LMS算法的缺陷： 固定步长大时，自适应滤波器的稳态误较大； 把自适应滤波器的整个自适应学习过程划分为四种状态：快速收敛阶段、次快速收敛阶段、次稳态阶段、稳态阶段。 基本LMS算法的迭代公式如下 ：
变步长LMS
当输入信号本身具有很强的相关性时， 时域LMS算法就会收敛速度减慢。 可以通过某种正交变化，先除去输入 信号之间的相关性，再进行自适应滤 波，这种算法就称为变换域LMS算法。
变步长LMS算法
变步长LMS算法是基于这样的准则：
当权系数远离最佳权系数时，步长比较大，以加快 收敛速度和对时变系统的跟踪速度；当权系数接近 最佳权系数，步长比较小，以获得较小的稳态误调 噪声。
LMS算法
LMS算法复习
只有一个参数μ，因而必须选择合 适的否则算法的收敛性得不到保证。 且由上式可以看出μ是一个控制收 敛速度和稳态误差的常量：
选择大的μ可以产生很快的收敛速度。 （步 长大，所以走向目标所需要的步就少） 但是当收敛到Wopt附近后将在一个较大的邻 域内抖动而无法进一步收敛； 选择一个较小的步长，可以收敛到维纳解附 近的小邻域，但是它的收敛速度非常缓慢。
5. 使用当前误差与上一步误差的自相关估计来控制步长更新
p(n)为e(n)e(n-1)的自相关时间均值估计Biblioteka 性能的比较
算法仿真图
算法仿真图
算法仿真图
LMS算法缺点
所以可见LMS算法有一个明显的弱 点：
高速收敛和小稳态误差不可兼得， 矛盾之处在于μ的选取，则调和此 矛盾就在于如何选择迭代步长μ。
LMS算法改进 为解决这一矛盾，多种改进型的LMS算法 被提出来，归纳起来主要有两种： 1、变步长LMS算法 （主要分析） 2、变换域LMS算法
变换域LMS算法
变步长LMS算法
变步长，则步长怎么变就成为一
个研究的方向。
变步长LMS算法
分析现有的资料显示，变步长算法都 是利用自适应过程中提供的某种近似 值作为衡量标准来调节步长。 最常用且有效的方法是利用自适应过 程中的误差信号，在步长与误差信号 之间建立某种函数关系
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
LMS算法缺点
所以可见LMS算法有一个明显的弱 点：
高速收敛和小稳态误差不可兼得， 矛盾之处在于μ的选取，则调和此 矛盾就在于如何选择迭代步长μ。
LMS算法改进 为解决这一矛盾，多种改进型的LMS算法 被提出来，归纳起来主要有两种： 1、变步长LMS算法 （主要分析） 2、变换域LMS算法
变换域LMS算法
5. 使用当前误差与上一步误差的自相关估计来控制步长更新
p(n)为e(n)e(n-1)的自相关时间均值估计
性能的比较
算法仿真图
算法仿真图
算法仿真图
变步长LMS算法
变步长，则步长怎么变就成为一
个研究的方向。
变步长LMS算法
分析现有的资料显示，变步长算法都 是利用自适应过程中提供的某种近似 值作为衡量标准来调节步长。 最常用且有效的方法是利用自适应过 程中的误差信号，在步长LMS算法
1. 步长正比于误差信号的大小 2. 步长与均方瞬时误差建立关系 3. 尽量减少每一次迭代的均方估计误差 4. 步长与e(n)和x(n)的互相关函数的估计成正比
LMS算法
LMS算法复习
只有一个参数μ，因而必须选择合 适的否则算法的收敛性得不到保证。 且由上式可以看出μ是一个控制收 敛速度和稳态误差的常量：
选择大的μ可以产生很快的收敛速度。 （步 长大，所以走向目标所需要的步就少） 但是当收敛到Wopt附近后将在一个较大的邻 域内抖动而无法进一步收敛； 选择一个较小的步长，可以收敛到维纳解附 近的小邻域，但是它的收敛速度非常缓慢。
当输入信号本身具有很强的相关性时， 时域LMS算法就会收敛速度减慢。 可以通过某种正交变化，先除去输入 信号之间的相关性，再进行自适应滤 波，这种算法就称为变换域LMS算法。
变步长LMS算法
变步长LMS算法是基于这样的准则：
当权系数远离最佳权系数时，步长比较大，以加快 收敛速度和对时变系统的跟踪速度；当权系数接近 最佳权系数，步长比较小，以获得较小的稳态误调 噪声。