【优化】最详细的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。本文从两个方面来介绍LMS算法。

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);%将初始误差设置为0

%迭代更新滤波器的参数
for k = M:itr    %要保证输入延时后的信号有效，所以实际的迭代次数只有（itr-M）次，
    x = xn(k:-1:k-M+1);%将输入信号延迟，使得滤波器的每个抽头都有输入
    y = w(:,k-1).'*x;  %计算出滤波器的输出
    en(k) = dn(k)-y;   %得出误差信号
    w(:,k) = w(:,k-1)+mu*en(k)*x;%迭代更新滤波器的系数
end
    

%滤波器参数固定后，得出经过优化滤波器滤波后的输出信号
yn = inf*ones(length(xn));%inf意为无穷大，将yn的初始值置为无穷大，绘制图像的时候将无法显示

for k = M:itr
    x = xn(k:-1:k-M+1);
    yn(k) = w(:,k).'*x;
end
    
end

1. LMS主程序

%%%% LMS自适应滤波算法实现滤波功能 %%%%

% 产生理想信号
t = 0:199
xs = 10*cos(0.5*t);%xs为理想的余弦信号
%绘制理想信号的图像
figure;
subplot(2,1,1);
grid;%显示窗格
plot(t,xs);
title("理想信号");

%产生随机噪声信号
xn = randn(1,200);%产生一个1×200大小的噪声信号
%绘制随机噪声的图像
subplot(2,1,2);
grid;%显示窗格
plot(xn);
title("随机噪声");

%产生输入信号
xn = xs+xn;
xn = xn.';%将输入信号由行向量转置为列向量
dn = xs.';%将理想信号由行向量转置为列向量
%绘制输入信号和理想信号的图像
figure;
plot(t,xn,'r',t,dn,'blue');
legend('混有噪声后的输入信号','理想信号');
title('输入信号和理想信号的对比');

%求收敛常数
fe = max(eig(xn*xn.'));%求解输入xn的自相关矩阵的最大特征值fe,A = eig(B),意为将矩阵B的特征值组成向量A
mu = 2*(1/fe);

%引用LMS算法实现滤波
[w,en,yn] = my_LMS(xn,dn,mu);

%绘制滤波器输出信号和误差信号图像
figure;
subplot(2,1,1);
grid;
plot(yn);%绘制经过滤波器滤波后信号
subplot(2,1,2);
grid;
plot(t,xn,'red',t,yn,'blue',t,en,'yellow');
legend('滤波器的输入信号','滤波器的输出信号','误差信号');
title('三种信号的比较');

算法运行结果

[1]陈文晓. 无线传感器网络中分布式LMS算法的研究[D].西安邮电大学,2014.