频域LCMV

今天准备总结一下LCMV算法的知识点，同时明后两天我会把算法转化为matlab代码如果时间来的及我会同时把效果测试的代码一同放入到我的github，至于地址见我的个人资料下面。不多说，进入LCMV算法。

在正是开始之前我要简要说一下LCMV算法，也可以称之为：constrained least mean square，约束最小均差。我之前写了两章有关于维纳滤波器的，那么这里有朋友可能会问：到底什么是维纳滤波器，他和我们经常用的LMS算法有什么区别？同学，这个问题很上路，老夫拼了这一身修为也要为你解答。

首先，什么是维纳滤波器？（因为前面讲过维纳滤波器，我会简要概括）我们假设代价函数为误差e（输入信号和期望响应的差值）的均方比如：E[|e^2|]。那么通过正交性原理我们知道，要使得代价函数获得最小值，我们的误差e与当前时刻的输入信号u成正交关系（比如两个垂直的向量想乘为0），通过这点我们能够推导出维纳霍夫方程，这个方程是维纳滤波器的灵魂。方程表明要求的最优（注意这个最优）的维纳滤波器必须要提前知道输入信号的自相关R和输入信号与期望响应的互相关p。下面是维纳霍夫方程：

转化成向量矩阵模式累加符号就消除了变为：R*W=P，为了求W我们就需要把两边同时乘以R的逆，然后就推到出来了。最终得到的关于权重的表达式就是我们的维纳滤波器，请记住上面我写的，这些都是细节，等会会与lms做比较。

那么现在我们面临一些问题：我们提前对于环境一无所知，不知道R，不知道P，R至少还能求解出来，那P可没法求呀。同时维纳滤波器中涉及R矩阵的求逆，玩过算法的都知道，求逆运算十分消耗资源的，当每变化一个W就需要求解逆运算，这样的计算复杂度相信许多应用都不能接受，所以你看到的很多资料上都这样描述维纳滤波器：不切实际，理论最优等等。科学家是伟大的，出了问题就会找解决方案，这时LMS算法浮出水面。

LMS算法核心思想就是迭代，他不需要提前知道任何关于环境的信息，也就是说他不需要知道R或者P，他是随机梯度算法的产物。为什么不需要R或者P了呢？因为它使用输入信号u和误差e的内积作为梯度向量的估计值，直接把R和P替换掉了，完美，甚至都不需要计算R的逆运算了。一次次迭代更新W权重的值，最终趋向于维纳最优解 。不过有个细节：因为我们是使用替换的方式，所以存在梯度噪声，所以我们最终的解是在维纳滤波器周围很小很小的区域动荡的。在误差性能曲面上，就是在最低点左右跳动。当输入信号能量很大的时候，梯度噪声也随之变大，这也是为什么引入NLMS，进行归一化操作，这个暂且不谈，这样我们对于维纳滤波器和LMS算法的联系和区别也算是有了大概的了解，那么我们下面开始进入LCMV算法，ShowTime。

问题公式化

试想一下这种环境：把包含M个麦克风的阵列置于一个嘈杂和带有混响的环境里。我们接收到的信号一般包含三部分&#