【优化】超详细的LMS算法的matlab实现

LMS自适应滤波算法是基于维纳滤波算法，在最陡梯度下降法的基础上形成的滤波算法，它用梯度矢量的估计值来代替其精确值，应用广泛。本文是自己在入门学习LMS算法时整理归纳所得，里面包含了自己在编程实现时的疑问及自我思考后的解答，如有不足，虚心请求请指正。

LMS算法的理论基础

1. LMS算法的损失函数（cost function）为：
   
2. LMS算法的递推公式为：
   
   注: μ为调整步长的常数，用于控制系统的稳定性和自适应算法的收敛速度,为下面代码示例中的mu.
3. LMS算法实现步骤

1. 令起始时刻 i=0自适应滤波器的系数矢量W(0)为任意值；
2. 根据输入信号矢量X(i) ，利用期望信号d(i) 和滤波器的输出信号 y(i)计算误差信号e(i);
3. 根据误差信号，利用以下的递推公式 ，进行滤波器系数的更新；
   
4. 重复步骤2）和3），直到达到平稳状态（系数W几乎保持不变）。

4. LMS算法的收敛条件：

   通过引入系数误差矢量 ，整理得LMS算法的收敛条件为 ：
   
   注： λmax为输入信号的自相关矩阵 的最大特征值

LMS算法的matlab实现

LMS算法的实现程序分为两个部分，第一部分为LMS算法函数，主要完成LMS的实现过程；第二部分为主函数，用来准备数据和调用第一部分的算法实现滤波。

1. LMS子程序

function [w,en,yn] = my_LMS(xn,dn,mu)
%LMS实现程序
%   输入：
% xn   输入信号       列向量
% dn   理想信号       列向量
% mu   收敛常数       标量
% itr  迭代次数       标量
% M    滤波器的阶数   标量
%   输出：
% w    滤波器的系数矩阵    大小为M×itr  每一列代表一次迭代后的系数
% en   误差信号           大小为itr×1  每一行代表一次迭代后产生的误差
% yn   滤波器的输出信号    列向量

M = 30; %定义滤波器的阶数为30
itr = length(xn); %使得迭代次数为输入信号xn的长度

w = zeros(M,itr);%将滤波器的初始值设置为0
en = zeros(itr,1)