LMS（自适应滤波算法）

最新推荐文章于 2025-09-01 15:34:14 发布

原创最新推荐文章于 2025-09-01 15:34:14 发布 · 6.8k 阅读

32 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #matlab #信号处理

通过随机生成的输入信号和带噪声的观测信号，让LMS算法逐步调整滤波器权值，使其逼近真实权值 w0。

一、LMS算法原理

LMS（Least Mean Square，最小均方）算法是一种基于随机梯度下降的自适应滤波算法，其核心思想是通过迭代调整滤波器系数，使输出信号与期望信号之间的均方误差最小化。

1.1 系统模型

考虑一个自适应滤波器系统：
- 输入信号：x(n) = [x(n), x(n-1), ..., x(n-M+1)]ᵀ
- 滤波器权向量：w(n) = [w₀(n), w₁(n), ..]ᵀ
- 期望输出：d(n)
- 实际输出：y(n) = wᵀ(n)x(n)
- 误差信号：e(n) = d(n) - y(n)

二、算法推导

2.1 均方误差准则

定义代价函数为均方误差：
J(n) = E[e²(n)] ≈ e²(n) (瞬时估计)

2.2 梯度下降法

权向量更新遵循梯度下降原则：
w(n+1) = w(n) - μ∇J(n)

其中μ为步长因子，∇J(n)为代价函数的梯度。

2.3 梯度计算

计算瞬时梯度估计：
∇J(n) = ∂e²(n)/∂w = 2e(n)∂e(n)/∂w
= -2e(n)x(n)

2.4 LMS更新公式

代入梯度下降公式得到：

w(n+1) = w(n) + 2μe(n)x(n)

通常将2μ合并为新的步长参数，仍记为μ，得到标准LMS更新公式：
w(n+1) = w(n) + μe(n)x(n)

三、MATLAB实现

3.1 基本LMS自适应滤波函数实现

clear all;close all;
n=5;%表示滤波器权向量的维度
L=2000;%表示输入信号长度
w0=randn(n,1);%表示生成的真实权向量
UK=randn(n,L);%表示输入信号
Vc=randn(1,L)*0.1;%噪声
DK=w0'*UK+Vc;%观测信号
wk_lms=zeros(n,1);%参数初始化
mu=0.005;%步长，需要调试
Err_lms=zeros(1,L);%初始化记录误差
for k=1:L
    dn=DK(k);%表示第k个观测值
    un=UK(:,k);%表示k时刻的输入值，n*1
    en=dn-wk_lms'*un;%误差
    Err_lms(k)=norm(w0-wk_lms);
    wk_lms=wk_lms+mu*en*un;
end
plot(log(Err_lms));
xlabel('迭代次数');
ylabel('权值误差');

3.2迭代权值误差学习曲线（可以观察到该算法逐渐收敛）

故权值也逐渐接近滤波器的理想权值