lms算法步长

1. 变步长LMS自适应滤波算法的MATLAB程序

clear all
close all
N=10; %滤波器阶数
sample_N=500; %采样点数

A=1; %信号幅度
snr=10; %信噪比
t=1:sample_N;
length_t=100; %期望信号序列长度
d=A*sin(2*pi*t/length_t); %期望信号
M=length(d); %M为接收数据长度
x=awgn(d,snr); %经过信道（加噪声）

delta=1/(10*N*(A^2)); %计算能够使LMS算法收敛的delta

y=zeros(1,M);
h=zeros(1,N); %LMS滤波器系数
h_normalized=zeros(1,N); %归一化LMS滤波器系数
y1=zeros(1,N);
for n=N:M %系数调整LMS算法
x1=x(n:-1:n-N+1);
%LMS算法
y(n)=h*x1';
e(n)=d(n)-y(n);
h=h+delta*e(n)*x1;
%NLMS算法
y_normalized(n)=h_normalized*x1';
e_normalized(n)=d(n)-y_normalized(n);
h_normalized=h_normalized+e_normalized(n)*x1/(x1*x1');
end
error=e.^2; %LMS算法每一步迭代的均方误差
error_normalized=e_normalized.^2; %NLMS算法每一步迭代的均方误差
for n=N:M %利用求解得到的h，与输入信号x做卷积，得到滤波后结果
x2=x(n:-1:n-N+1);
y1(n)=h*x2';
y2(n)=h_normalized*x2';
end
subplot(411)
plot(t,d);
axis([1,sample_N,-2,2]);
subplot(412)
plot(t,x);
subplot(413)
plot(t,y);
subplot(414)
plot(t,y_normalized);
figure(2)
plot(t,error,'r',t,error_normalized,'b');

2. 如何确定lms算法的值，值与算法收敛的关系如何

LMS算法
是首先通过期望信号与实际信号的误差，再通过最陡下降法，进行与误差成一定步长的迭代运算，从而使结果更趋近于最佳值。LMS算法的原理即使将E(e^2)视为e^2，简化了运算。

3. 什么是归一化LMS算法

lms算法你知道了吗？其实就是使误差的平方最小，可以参考清华的一本《现代信号处理》，归一化就是其中步长的选择符合一个公式， 公式我打不上去，你还是看一下书吧~~~

4. LMS算法的流程是什么，LMS算法的原理，均衡算法的发展趋势是什么

LMS算法是首先通过期望信号与实际信号的误差，再通过最陡下降法，进行与误差成一定步长的迭代运算，从而使结果更趋近于最佳值。LMS算法的原理即使将E(e^2)视为e^2，简化了运算。

5. 用Matlab软件实现变长NLMS自适应滤波器算法

一种具有双瞬变因子的LMS自适应滤波算法

曾召华 刘贵忠 马社祥

（西安交通大学信息与通信工程研究所 西安710049）

作者在文献〔4〕中提出了一种改进的瞬变步长SPLMS自适应滤波算法。本文在SPLMS算法的基础上，进一步提出一种基于瞬变步长、瞬变平滑因子的双瞬变SPLMS算法—DSPLMS算法。该算法除具有常规LMS算法简单的优点外，还具有更高的起始收敛速率、更小的权失调噪声和更大的抑噪能力。文中重点讨论瞬变步长、瞬变平滑因子的变化特性。计算机仿真结果支持了理论分析。
自适应滤波器，失调噪声，收敛速度，最小均方误差，瞬变因子
1 引言
自适应滤波器及其相应算法是多年来人们广泛研究的课题。基于Widrow－Hoff标准的LMS算法和其相应的自适应滤波器以其算法和结构简单，便于实时信号处理等优点，在不同领域得到了最为广泛的应用。而为克服常规的固定步长LMS或牛顿LMS（Newton LMS，即NLMS）自适应算法在收敛速率、跟踪速率与权失调噪声之间要求上存在的较大矛盾，人们发展了各种各样的改进型LMS算法，如基于瞬变步长LMS自适应滤波算法〔1～6〕、基于正交变换（DCT、FFT、小波变换、子带滤波）的新型LMS均衡算法〔7～8〕。基于模糊判断的自适应LMS系统识别和基于最小四次均方误差的LMS自适应平稳收敛算法〔9～10〕。在所有改进型LMS算法中，瞬变步长LMS自适应滤波算法是研究最为广泛的一类LMS自适应滤波算法。本文算法也是基于瞬变因子的一种改进LMS自适应滤波算法。
2 SPLMS算法分析及问题的提出
在文献〔4〕中，作者对上述方案进行了大量的计算机仿真和理论分析，结果表明：（1）上述诸种算法的收敛速率与系统输入信噪比SNR直接相关，信噪比SNR越高，它们的收敛速率普遍提高；随着信噪比SNR的降低，它们的收敛速率减慢，甚至出现发散现象，因此它们必须在弱干扰下完成规一化起动，即在起始过程中噪声要相当小，否则效果不佳。（2）在上述所有算法中，由于采用瞬时平方误差性能函数e2k来代替均方误差性能函数，所以其算法的权值收敛过程表现为加权矢量的平均值变化规律和由于噪声引起的随机起伏项的叠加。因此，噪声方差越大，则随机起伏项越大，表现为权值振动也就越大。（3）为了追求更快的收敛性，往往增大μ和M，但滤波器阶数越高，步长因子μ和输入功率越大，就便得失调系数也越大。在有限次数起动迭代过程中，也就很难收敛到较稳态值，所以必须寻求更佳的瞬态步长算法。
文献〔4〕在准最小均方（Pseudo－LMS，即PLMS）误差算法基础上通过采用滑动时间窗，减少PLMS算法起动过程的计算量；同时在权值迭代中加一平滑迭代而使PLMS算法具备全局较强的抗噪性能，较快速收敛性能而提出了SPLMS算法，即：

其中rk为M阶滤波器输入信号的功率估值；Wk为滤波器的第k步M维最优权矢量估值；Xk是滤波器输入信号的M维输入数据矢量；dk为希望输出；μk为滤波器第k步瞬态步长。切换条件中，阈值μ类似于LMS算法的步长因子μL，满足：

μL＜μ＜1／trR，R＝E〔XkXTk〕（7）

为待定的算法常数，是μk变化的动态平衡点。而α是一常数为平滑因子，它决定上一次的权值变化对本次权值更新的影响程度。k0是采用式（2）规一化启动后，算法收敛到较稳态时的步数。式（4）是μk下降的递推算法，式（5）是μk上升的平滑递推算法。λ为上升的速度因子，满足0＜λ＜1。在实际应用中，考虑到学习过程的启动速度，一般取较大的λ值，即：

0．9＜λ＜1，k0＝25～35，｜α｜＜0．3（8）

SPLMS算法的实质是：在开始k0步中，采用启动速度较快的MLMS（Mend LMS）算法收敛到相对较稳态的状态；然后在k≥k0＋1过程中，采用瞬态步长μk来训练算法。而μk根据不同的切换条件将围绕μ作升降变化，其迭代计算主要表现为不降即升的动态过程。α主要根据经验来取值，输入数据的非平稳性越大，噪声方差越大时，增大α可明显抑制振动，从而加速收敛过程；在噪声小时减小α。
但SPLMS算法也有一明显不足，即α主要根据经验来取值，没有理论上的确切依据。α取值不当，反而容易造成算法收敛性能更差，甚至发散的现象。从理论上分析，α与瞬态步长μk和输出误差ek（文中定义为：ek＝dk－WTk Xk）应有一定关系。在算法启动阶段，ek较大，为追求启动速度而常取较大步长μk，但μk越大，权失调系数也就越大，有时反而起不到应有的作用，这时就应相应增加α值来平滑权失调噪声；在算法渐趋稳定，步长μk渐趋于常数，ek渐趋于0，此时α也应渐趋于0。综合起来就是：α应随步长μk和误差ek瞬时变化而变化，也应是一瞬变因子。本文重点就是寻求瞬变因子αk的数学表达式以满足上述分析的要求。
3 改进的双瞬变因子SPLMS算法——DSPLMS算法
3．1 μk的变化特性
从式（4）和式（5）可以看出，在k≥k0＋1过程中，μk根据不同的切换条件将围绕μ作升降变化，μk的迭 代计算主要表现为不降即升的动态过程。对于式（5），设k≥kr时，μk＜μ，则在k≥kr＞k0＋1的上升过程中：

即上升速度按指数衰减，使趋于平衡点μ的上升速度迅速减小。其变化过程类似于一电阻电容串联电路上电容的充电过程。对式（4），由于μk＝μk－1／（1＋Rk），Rk＞0，即使很小的Rk经过一步迭代就足以使μk＜μ，再次切换到上升过程。当rk较大时，下降形成的负脉冲也较大。
综上所述，在k≥k0＋1的收敛过程中，μk的时变特性等价于幅值极不对称的随机正负尖脉冲序列组成的瞬态分量和直流分量μ的线性叠加。瞬态分量的负脉冲强度与rk瞬值对应，有利于抑制局部自激或短暂发散，减小权矢量噪声，提高稳定度。在rk较小、算法渐趋于稳定时，瞬变分量趋于0，μk～μ。
3．2 αk的变化特性
定义：ΔWk＝Wk＋1－Wk为自适应滤波器的权系数增量；ξ为均方误差性能函数，ξ＝E〔ek〕2，ek＝dk－WTk Xk为输出误差，则SPLMS算法的权系数更新公式由式（1）可重写为：

Wk＋1＝Wk－μk＾Wξk＋αΔWk－1（10）

其中Wξ为ξ的梯度函数，＾W为Wξ的第k步估计。由式（10）的系数更新公式，我们可写出均方误差性能函数的表达式：

式中上标T表示矢量的转置。若用一矢量＾Wζk＋1去左乘式（10），则可得到：
＾Wξk＋1Wk＋1＝＾Wζk＋1Wk－μk＾Wζk＋1＾Wζk＋＾Wζk＋1αΔWk－1（13）

利用式（12）的结论，可将式（13）化简为：

＾TWζk＋1ΔWk＝0（14）

由于参量μk和α均为实的标量因子，故式（14）又可写成：

（μk＾TWζk＋1）（αΔWk）＝0（15）

式（15）清楚地表明：在SPLMS算法中，自适应滤波器的权系数在迭代过程中，其均方误差性能函数的梯度估值与权系数增量始终存在一个正交关系。ΔWk－1对ΔWk的调节作用是在当前梯度估值方向上，给出与梯度估值方向正交矢量，并以这两个矢量所构成的合矢量来改变权系数空间的权重。
对于FIR结构的LMS自适应系统而言，其均方误差性能函数在平稳输入时为一个二次型函数，在收敛点附近仍可视为一个二次型函数，故有：

ξ（Wk＋1）＝WTk RWk－2WTk P＋C（16）

式中R＝E〔XTk Xk〕为输入信号的自相关矩阵，P＝E〔dkXk〕为所需信号与输入信号的互相关矢量，C＝E〔d2k〕，则由式（16）可得：

将式（17）代入式（18），则式（18）可变形为：

式（19）就是本文给出的瞬变平滑因子αk的数学表达式。显然，它满足前面分析时所提出的要求，且在算法达到稳态收敛时，满足：

limk→∞αk＝0（20）

3．3 改进的双瞬变SPLMS算法——DSPLMS算法
用式（19）中αk的表达式替换式（1）中的α，就得到本文提出的具有双瞬变因子的LMS算法——DSPLMS算法，即
Wk＋1＝Wk＋2μk（dk－WTk Xk）Xk＋αk（Wk－Wk－1）（21）

μk＝λ／（1＋2λrk），0≤k≤k0（22）

由式（19）、（20）可知，αk是一个与μk成正比且具有衰减性的瞬变因子，从而使本文提出的DSPLMS算法比SPLMS算法更能快速稳定收敛；与常规LMS算法相比，其性能有极大的提高，为实时信号处理提供了一个较好的算法。
4 计算机仿真
仿真实验的结构如图1所示，其中dk为随机输入信号，nk为高斯白噪声，ek为输出误差，xk为自适应滤波器的输入，yk为滤波器输出，此时xk＝dk＋nk。

在图2中，dk是均值为0、方差为1的高斯白噪声；nk是与dk不相关的均值为0、方差为1的高斯白噪声；滤波器参数：M＝32，λ＝0．9，μL＝0．005，μ＝0．01，α＝0．1。在图3中，nk为均值为0、方差为0．1的高斯白噪声，其它参数同图2。图2、3为分别采用LMS、SPLMS和DSPLMS算法进行滤波的学习曲线比较图。

从图2（强干扰启动）和图3（较弱干扰启动）中可以看出：在强干扰下，DSPL MS 具有比SPLMS好、比LMS好得多的启动速度和收敛速度；而在弱干扰下，DSPLMS仍具有比SPLMS快、比LMS快得多的启动速度。从图中同时还可看出：DSPLMS与SPLM S具有几乎相同的收敛速度，它们的收敛速度比LMS快得多。
5 结语
加进瞬变平滑项的规一化起动，使DSPLMS具有更高的起始收敛速度、更小的权失调噪声和更大的抑噪能力；在平稳连接之后的稳态过程中，该算法趋于步长为μ的LMS算法性能，但由于瞬变分量负脉冲的作用，在相近的权失调量下可按式（7）取较大的μ值，增强算法对时变参数过程的跟踪处理能力；输入数据的非平稳性越大，噪声方差越大时，加进的瞬变平滑项使权失调噪声减小，从而使本文提出的DSPLMS算法比SPLMS算法更能快速稳定地收敛；与常规LMS算法相比，其性能有极大的提高，可以明显抑制振动，从而加速收敛过程。

网址：

6. LMS算法中权向量是否为随机过程，是否为平稳随机过程为什么 影响LMS算法收敛速度的因素有哪些

LMS算法中的u（n）和e（n）都是随机过程，得到的w(n)也是随机过程向量。应该也是平稳的，原因：w(n)均值当n趋近于无穷是w(n)趋近去确定的最优滤波器权系数w（确定值）符合平稳条件。（自相关函数不确定）
影响LMS算法收敛速度的主要因素有迭代步长，滤波器阶数和滤波器权值的初始值。

7. 什么是LMS算法，全称是什么

1959年，Widrow和Hof提出的最小均方(LMS )算法对自适应技术的发展起了极
大的作用。由于LMS算法简单和易于实现，它至今仍被广泛应用。对LMS算法的性能
和改进算法已经做了相当多的研究，并且至今仍是一个重要的研究课题。进一步的研究
工作涉及这种算法在非平稳、相关输入时的性能研究。当输入相关矩阵的特征值分散时，
LMS算法的收敛性变差，研究的另一个方面在于如何解决步长大小与失调量之间的矛
盾。
全称 Least mean square

8. 求大神：老师让写个基于LMS算法的自适应滤波器噪声消除的论文，不会写代码啊。谁会呀

LMS自适应滤波器是使滤波器的输出信号与期望响应之间的误差的均方值为最小，因此称为最小均方（LMS）自适应滤波器。其原理及推导见http://download.csdn.net/source/432206

function [yn,W,en]=LMS(xn,dn,M,mu,itr)
% LMS(Least Mean Squre)算法
% 输入参数:
% xn 输入的信号序列 (列向量)
% dn 所期望的响应序列 (列向量)
% M 滤波器的阶数 (标量)
% mu 收敛因子(步长) (标量) 要求大于0,小于xn的相关矩阵最大特征值的倒数
% itr 迭代次数 (标量) 默认为xn的长度,M<itr<length(xn)
% 输出参数:
% W 滤波器的权值矩阵 (矩阵)
% 大小为M x itr,
% en 误差序列(itr x 1) (列向量)
% yn 实际输出序列 (列向量)

% 参数个数必须为4个或5个
if nargin == 4 % 4个时递归迭代的次数为xn的长度
itr = length(xn);
elseif nargin == 5 % 5个时满足M<itr<length(xn)
if itr>length(xn) | itr<M
error('迭代次数过大或过小!');
end
else
error('请检查输入参数的个数!');
end

% 初始化参数
en = zeros(itr,1); % 误差序列,en(k)表示第k次迭代时预期输出与实际输入的误差
W = zeros(M,itr); % 每一行代表一个加权参量,每一列代表-次迭代,初始为0

% 迭代计算
for k = M:itr % 第k次迭代
x = xn(k:-1:k-M+1); % 滤波器M个抽头的输入
y = W(:,k-1).' * x; % 滤波器的输出
en(k) = dn(k) - y ; % 第k次迭代的误差

% 滤波器权值计算的迭代式
W(:,k) = W(:,k-1) + 2*mu*en(k)*x;
end

% 求最优时滤波器的输出序列
yn = inf * ones(size(xn));
for k = M:length(xn)
x = xn(k:-1:k-M+1);
yn(k) = W(:,end).'* x;
end

LMS函数的一个实例：

%function main()
close all

% 周期信号的产生
t=0:99;
xs=10*sin(0.5*t);
figure;
subplot(2,1,1);
plot(t,xs);grid;
ylabel('幅值');
title('it{输入周期性信号}');

% 噪声信号的产生
randn('state',sum(100*clock));
xn=randn(1,100);
subplot(2,1,2);
plot(t,xn);grid;
ylabel('幅值');
xlabel('时间');
title('it{随机噪声信号}');

% 信号滤波
xn = xs+xn;
xn = xn.' ; % 输入信号序列
dn = xs.' ; % 预期结果序列
M = 20 ; % 滤波器的阶数

rho_max = max(eig(xn*xn.')); % 输入信号相关矩阵的最大特征值
mu = rand()*(1/rho_max) ; % 收敛因子 0 < mu < 1/rho

[yn,W,en] = LMS(xn,dn,M,mu);

% 绘制滤波器输入信号
figure;
subplot(2,1,1);
plot(t,xn);grid;
ylabel('幅值');
xlabel('时间');
title('it{滤波器输入信号}');

% 绘制自适应滤波器输出信号
subplot(2,1,2);
plot(t,yn);grid;
ylabel('幅值');
xlabel('时间');
title('it{自适应滤波器输出信号}');

% 绘制自适应滤波器输出信号,预期输出信号和两者的误差
figure
plot(t,yn,'b',t,dn,'g',t,dn-yn,'r');grid;
legend('自适应滤波器输出','预期输出','误差');
ylabel('幅值');
xlabel('时间');
title('it{自适应滤波器}');

9. lms算法是什么

LMS（Least mean square）算法，即最小均方误差算法。

lms算法由美国斯坦福大学的B Widrow和M E Hoff于1960年在研究自适应理论时提出，由于其容易实现而很快得到了广泛应用，成为自适应滤波的标准算法。在滤波器优化设计中，采用某种最小代价函数或者某个性能指标来衡量滤波器的好坏，而最常用的指标就是均方误差，也把这种衡量滤波器好坏的方法叫做均方误差准则。

lms算法的特点

根据小均方误差准则以及均方误差曲面，自然的我们会想到沿每一时刻均方误差 的陡下降在权向量面上的投影方向更新，也就是通过目标函数的反梯度向量来反 复迭代更新。由于均方误差性能曲面只有一个唯一的极小值，只要收敛步长选择恰当， 不管初始权向量在哪，后都可以收敛到误差曲面的小点，或者是在它的一个邻域内。