lms算法基本思想及原理

　　1959年，Widrow和Hoff在對自適應(yīng)線性元素的方案一模式識別進行研究時，提出了最小均方算法（簡稱LMS算法）。LMS算法是基于維納濾波，然后借助于最速下降算法發(fā)展起來的。通過維納濾波所求解的維納解，必須在已知輸入信號與期望信號的先驗統(tǒng)計信息，以及再對輸入信號的自相關(guān)矩陣進行求逆運算的情況下才能得以確定。因此，這個維納解僅僅是理論上的一種最優(yōu)解。所以，又借助于最速下降算法，以遞歸的方式來逼近這個維納解，從而避免了矩陣求逆運算，但仍然需要信號的先驗信息，故而再使用瞬時誤差的平方來代替均方誤差，從而最終得出了LMS算法。

　　因LMS算法具有計算復(fù)雜程度低、在信號為平穩(wěn)信號的環(huán)境中的收斂性好、其期望值無偏地收斂到維納解和利用有限精度實現(xiàn)算法時的穩(wěn)定性等特性，使LMS算法成為自適應(yīng)算法中穩(wěn)定性最好、應(yīng)用最廣泛的算法。

　　下圖是實現(xiàn)算法的一個矢量信號流程圖：

　　圖1 LMS算法矢量信號流程圖

　　由圖1我們可以知道，LMS算法主要包含兩個過程：濾波處理和自適應(yīng)調(diào)整。

　　一般情況下，LMS算法的具體流程為：

　?。?）確定參數(shù)：全局步長參數(shù)β以及濾波器的抽頭數(shù)（也可以稱為濾波器階數(shù)）

　?。?）對濾波器初始值的初始化

　?。?）算法運算過程：

　　濾波輸出：y（n）=wT（n）x（n）

　　誤差信號：e（n）=d（n）-y（n）

　　權(quán)系數(shù)更新：w（n+1）=w（n）+βe（n）x（n）

　　在很大程度上，選取怎樣的自適應(yīng)算法決定著自適應(yīng)濾波器是否具有好的性能。因此，對應(yīng)用最為廣泛的算法算法進行性能分析則顯得尤為重要。平穩(wěn)環(huán)境下算法的主要性能指標(biāo)有收斂性、收斂速度、穩(wěn)態(tài)誤差和計算復(fù)雜度等。

　　1、收斂性

　　收斂性就是指，當(dāng)?shù)螖?shù)趨向于無窮時，濾波器權(quán)矢量將達到最優(yōu)值或處于其附近很小的鄰域內(nèi)，或者可以說在滿足一定的收斂條件下，濾波器權(quán)矢量最終趨近于最優(yōu)值。

　　2、收斂速度

　　收斂速度是指濾波器權(quán)矢量從最初的初始值向其最優(yōu)解收斂的快慢程度，它是判斷LMS算法性能好壞的一個重要指標(biāo)。

　　3、穩(wěn)態(tài)誤差

　　穩(wěn)態(tài)誤差，是指當(dāng)算法進入穩(wěn)態(tài)后濾波器系數(shù)與最優(yōu)解之間距離的遠近情況。它也是一個衡量LMS算法性能好壞的重要指標(biāo)。

　　4、計算復(fù)雜度

　　計算復(fù)雜度，是指在更新一次濾波器權(quán)系數(shù)時所需的計算量。LMS算法的計算復(fù)雜度還是很低的，這也是它的一大特點。

　　1、量化誤差LMS算法

　　在回聲消除和信道均衡等需要自適應(yīng)濾波器高速工作的應(yīng)用中，降低計算復(fù)雜度是很重要的。LMS算法的計算復(fù)雜度主要來自在進行數(shù)據(jù)更新時的乘法運算以及對自適應(yīng)濾波器輸出的計算，量化誤差算法就是一種降低計算復(fù)雜度的方法。其基本思想是對誤差信號進行量化。常見的有符號誤差LMS算法和符號數(shù)據(jù)LMS算法。

　　2、解相關(guān)LMS算法

　　在LMS算法中，有一個獨立性假設(shè)橫向濾波器的輸入u（1），u（2），…， u（n-1）是彼此統(tǒng)計獨立的向量序列。當(dāng)它們之間不滿足統(tǒng)計獨立的條件時，基本LMS算法的性能將下降，尤其是收斂速度會比較慢。為解決此問題，提出了解相關(guān)算法。研究表明，解相關(guān)能夠有效加快LMS算法的收斂速度。解相關(guān)LMS算法又分為時域解相關(guān)LMS算法和變換域解相關(guān)LMS算法。

　　3、并行延時LMS算法

　　在自適應(yīng)算法的實現(xiàn)結(jié)構(gòu)中，有一類面向VLSI的脈動結(jié)構(gòu)，由于其具有的高度并行性和流水線特性而備受關(guān)注。將算法直接映射到脈動結(jié)構(gòu)時，在權(quán)值更新和誤差計算中存在著嚴(yán)重的計算瓶頸。該算法解決了算法到結(jié)構(gòu)的計算瓶頸問題，但當(dāng)濾波器階數(shù)較長時，算法的收斂性能會變差，這是由于其本身所具有的延時影響了它的收斂性能?？梢哉f，延時算法是以犧牲算法的收斂性能為代價的。

　　4、自適應(yīng)格型LMS算法

　　LMS濾波器屬于橫向自適應(yīng)濾波器且假定階數(shù)固定，然而在實際應(yīng)用中，橫向濾波器的最優(yōu)階數(shù)往往是未知的，需要通過比較不同階數(shù)的濾波器來確定最優(yōu)的階數(shù)。當(dāng)改變橫向濾波器的階數(shù)時，LMS算法必須重新運行，這顯然不方便而且費時。格型濾波器解決了這一問題。

　　格型濾波器具有共軛對稱的結(jié)構(gòu)，前向反射系數(shù)是后向反射系數(shù)的共軛，其設(shè)計準(zhǔn)則和LMS算法一樣是使均方誤差最小。

　　5、Newton-LMS算法

　　Newton-LMS算法是對環(huán)境信號二階統(tǒng)計量進行估計的算法。其目的是為了解決輸入信號相關(guān)性很高時算法收斂速度慢的問題。一般情況下，牛頓算法能夠快速收斂，但對R-1的估計所需計算量很大，而且存在數(shù)值不穩(wěn)定的問題。