acrossChannel_抽头信道_训练均衡_channel_channelEqualization_LMS算法星座图

使用MATLAB代码，通过LMS算法对三个正弦信号叠加了带限噪声后的输入信号进行自适应滤波，其中LMS算法具有广泛的适应性。具体使用及解释可以参见我的博文。

本文在论述自适应滤波的基本原理及其简单应用的基础上，简要介绍了LMS自适应滤波算法、RLS自适应滤波算法、变换域自适应滤波算法、仿射投影算法、共轭梯度算法、基于子带分解的自适应滤波算法、基于QR分解的自适应滤波算法等。并对几种典型自适应滤波算法的性能特点进行比较，给出了算法性能的综合评价，最后给出了LMS算法去噪声的简单仿真。

matlab仿真代码

TheDiscoveryOf_LMS_Algortihm.pdf

自适应滤波3 - 第三章最小均方(LMS)算法.ppt

所需滤波器系数的权重更新

LMS算法是由梯度下降法导出的，是对梯度下降法的近似简化，更符合实际应用。其基本思路图梯度下降法是一致的，不同之处仅在于计算中用梯度向量的估计来代替真实的梯度。

基于加权零吸引因子最小均方算法(RZA-LMS),提出了一种应用于系统辨识的新型自适应滤波算法(ARZA-LMS)。RZA-LMS通过在标准LMS算法迭代过程中添加零吸引因子,促进了滤波器小权系数的收敛,从而在辨识稀疏系统时,加快了算法的整体收敛速度。但是RZA-LMS算法中的零吸引因子,选择了固定的e,过于武断,降低了算法的鲁棒性。通过在参数e 与误差信号e 之间建立非线性关系,使零吸引因子在最小化MSE更具有灵活性,提出了一种改进的RZA-LMS,提高了对系统辨识的收敛速度和稳定性。最后,计算机仿真验

自适应滤波LMS算法及RLS算法及其仿真.doc