python中计算均方误差_回声消除中的自适应算法发展历程

传统的IIR和FIR滤波器在处理输入信号的过程中滤波器的参数固定，当环境发生变化时，滤波器无法实现原先设定的目标。自适应滤波器能够根据自身的状态和环境变化调整滤波器的权重。

自适应滤波器理论

x

(

n

)

x(n)

是输入信号，y

(

n

)

y(n)

是输出信号，d

(

n

)

d(n)

是期望信号或参考信号，e

(

n

)

=

d

(

n

)

−

y

(

n

)

e(n)=d(n)−y(n)

为误差信号。根据 自适应算法 和 误差信号 e

(

n

)

e(n)

调整滤波器系数。

自适应滤波器类型。可以分为两大类： 非线性自适应滤波器 、 线性自适应滤波器 。非线性自适应滤波器包括基于神经网络的自适应滤波器及Volterra滤波器。非线性自适应滤波器信号处理能力更强，但计算复杂度较高。所以实践中， 线性自适应滤波器使用较多 。

自适应滤波器结构

主要分为两类FIR滤波器、IIR滤波器。

1. FIR滤波器时非递归系统，即当前输出样本仅是过去和现在输入样本的函数，其系统冲激响应h(n)是一个有限长序列。具有很好的线性相位，无相位失真， 稳定性较好 。
2. IIR滤波器时递归系统，即当前输出样本是过去输出和过去输入样本的函数，其系统冲激h(n)是一个无限长序列。IIR系统的相频特性是非线性的，稳定性不能保证。好处是实现阶数较低， 计算量较少 。

自适应滤波器算法按照不同的优化准则，常见自适应滤波算法有：递推最小二乘算法(RLS)，最小均方误差算法(LMS)，归一化均方误差算法(NLMS)，快速精确最小均方误差算法，子带滤波，频域的自适应滤波等等。

性能指标

• 收敛速度
• 稳定性
• 计算复杂度

全带自适应稀疏算法

最小均方算法 LMS

自适应AEC问题中应用最广泛的就是自适应滤波算法，其中最早是由Widrow和Hoff在1959年所提出的 最小均方(Least Mean Square，LMS) 算法

LMS算法基于维纳滤波理论，采用最速下降算法，通过最小化误差信号的能量来更新自适应滤波器权值系数。

• 优点 ：抑制旁瓣效应
• 缺点 ：LMS算法计算复杂度不高，但是其 收敛速率较慢 ，并且随着滤波器阶数(步长参数)升高，系统的稳定性下降，要保证采用最小的步长参数，保证最小的失调，可能无法满足收敛标准

归一化最小均方算法 NLMS

归一化最小均方(Normalized Least Mean Squares，==NLMS)=&