LMS算法Matlab实现详解：从原理到代码实战指南

一、LMS算法设计流程

自适应滤波的本质，是赋予滤波器自主学习的能力，使其能在动态环境中从含噪观测中逼近期望信号。LMS算法作为最经典的自适应滤波解决方案，其核心机制在于利用瞬时误差进行迭代权值修正。算法通过计算滤波器实际输出与期望响应之间的误差，并将此误差反馈至权值更新环节，驱动滤波器系数持续优化，最终实现输出信号对目标信号的最优跟踪。

这一自适应过程可由以下核心迭代公式精确描述：

W(n+1) = W(n) + μ · e(n) · x(n)

公式中各关键变量定义如下：W(n) 为第n次迭代的滤波器权值向量；μ 是学习率（步长），其取值需在收敛速度与稳态失调之间取得平衡；e(n) = d(n) - y(n) 为瞬时误差，其中d(n)为期望信号，y(n)为滤波器输出；x(n) 为当前时刻的输入向量。

下文将应用该算法，对一个被高斯白噪声污染的正弦信号进行恢复，演示其“去噪提纯”的实际效能。

四步流程

信号生成与噪声添加

构建基准测试环境。首先生成一个纯净的正弦波作为期望信号，随后叠加特定功率的高斯白噪声，以模拟传感器采集或信号传输过程中引入的加性噪声干扰。

频谱分析

进行频域特征诊断。对纯净信号与含噪信号分别执行快速傅里叶变换，观察其频谱分布。纯净正弦波在频谱上表现为单一频点处的谱线，而加性高斯噪声则呈现为覆盖全频带的平坦功率谱。

LMS自适应滤波

执行核心滤波处理。将含噪信号作为输入，调用 zx_lms 函数启动LMS算法。滤波器依据预设的阶数与步长参数，通过迭代学习自动调整其权值系数，逐步估计并提取出原始信号成分。

结果验证

实施多维性能评估。从时域和频域两个层面综合分析滤波输出：对比滤波前后信号的波形图，并观察滤波后信号的频谱特征。通过与原始纯净信号的定量与定性对比，客观评估算法的噪声抑制能力与信号保真度。

二、Matlab代码实现

理论需通过代码落地。以下分段呈现完整的Matlab实现，将上述流程转化为可执行的仿真程序。

1. 信号生成与噪声添加

定义仿真所需的期望信号与含噪观测信号。生成标准正弦波，并叠加指定方差的高斯噪声以构造输入序列。

t = -5*pi:pi/100:5*pi;  % 时间向量，范围[-5π, 5π]，步长π/100
x = sin(t);  % 生成正弦信号（频率为1Hz，因sin(t)的周期为2π）
x = x(:);  % 转为列向量
sx = size(x,1);  % 信号长度（sx=1001）

% 添加高斯噪声
noise = 0.2*randn(size(x));  % 均值为0，方差为0.04（randn方差为1，乘以0.2后方差为0.04）
x1 = x + noise;  % 加噪信号（输入信号xn）

2. 频谱分析

通过FFT分析信号频域特性。本段代码以子图形式并列展示原始信号与加噪信号的时域波形及其对应频谱，便于直观对比噪声引入的频域影响。

% 原信号时域图
subplot(2,2,1);
plot(x); axis([0 sx -1 1]);

% 原信号FFT
xf = fft(x,1024);
subplot(2,2,3);
plot(abs(xf));

% 加噪信号时域图
subplot(2,2,2);
plot(x1); axis([0 sx -1 1]);

% 加噪信号FFT
xf = fft(x1,1024);
subplot(2,2,4);
plot(abs(xf));

3. LMS参数配置

配置LMS算法关键参数。参数选择直接影响滤波器的收敛行为与最终性能，需根据具体应用场景调整。

• M=50：滤波器阶数，决定了其记忆深度与建模能力。
• w=0.1*ones(50,1)：权向量初始化值，通常设置为较小随机数或常数。
• u=0.1：步长参数，控制收敛速率与稳态误差。
• max_iter=100：最大迭代次数，防止无限循环。
• min_err=0.5：误差门限，达到后提前终止迭代。

% LMS参数设置
param.M        = 50;  % 滤波器阶数（延迟线长度）
param.w        = ones(param.M,1) * 0.1;  % 初始化权值（50个0.1）
param.u        = 0.1;  % 学习率（控制收敛速度与稳定性）
param.max_iter = 100;  % 最大迭代次数
param.min_err  = 0.5;  % 最小误差阈值（迭代停止条件）

% 调用LMS函数
[yn, err] = zx_lms(x1(:,1), x(:,1), param);

% 绘制滤波后信号
figure, plot(yn);

% 滤波后信号FFT
ynf = fft(yn(param.M:end), 1024);
figure, plot(abs(ynf));

4. LMS函数zx_lms的实现分析

剖析核心LMS迭代函数。此函数封装了权值更新与误差计算的完整循环，是算法实现的关键。

function [yn, err] = zx_lms(xn, dn, param)
    W = param.w;  % 初始权值
    M = param.M;  % 滤波器阶数

    % 参数检查
    if length(W) ~= M
        error('param.w的长度必须与滤波器阶数相同.n');
    end
    if param.max_iter > length(xn) || param.max_iter < M
        error('迭代次数太大或太小，M<=max_iter<=length(xn)n');    
    end

    iter = 0;
    for k = M:param.max_iter  % 迭代范围：从M到max_iter（注意：max_iter=100，xn长度=1001）
        x = xn(k:-1:k-M+1);  % 输入向量（倒序，x(1)=xn(k), x(2)=xn(k-1), ..., x(M)=xn(k-M+1)）
        y = W.*x;  
        err = dn(k) - y;  % 误差计算（依赖y的正确性）

        % 权值更新
        W = W + 2*param.u*x;  
        iter = iter + 1;    
        if (abs(err) < param.min_err); break; end  % 误差阈值停止条件
    end

    % 计算滤波后输出（从第M个样本开始）
    yn = inf * ones(size(xn));
    for k = M:length(xn)
        x = xn(k:-1:k-M+1);
        yn(k) = W(:,end).'* x;  % 权值与输入向量的点积（正确）
    end
end

三、Matlab仿真验证

运行仿真代码，通过可视化结果直接评估LMS算法的性能。以下对比分析从时域与频域两个维度展开。

1、原信号时域图

此为期望信号 x(n)=sin(t) 的时域波形。它是一个幅值为1、频率为1Hz的标准正弦波，波形光滑、周期稳定，无任何失真或干扰，作为算法恢复的黄金标准。

2、加噪信号时域图

显示观测信号 x1(n)=x(n)+0.2⋅randn(n) 的时域波形。叠加了方差为0.04的高斯白噪声后，正弦波的规则形态被严重破坏，波形呈现显著随机波动，信噪比大幅恶化，时域上难以直接辨识原始信号。

3、原信号频谱（FFT）

原始正弦信号的频域表征。其频谱图在1Hz处呈现一个离散的谱峰，其余频点能量近乎为零，清晰体现了单频周期信号的理想频谱特征。

4、加噪信号频谱（FFT）

加噪信号的频域分析结果。可见在1Hz信号谱峰周围，出现了分布广泛的低幅度噪声基底，这是高斯白噪声平坦功率谱特性的直观体现，信号谱峰被噪声背景部分淹没。

来源：互联网