1. 自适应滤波器基础
任务目标
本案例实现一个最小可复现的LMS自适应滤波器，用于系统辨识场景：未知系统为一个FIR滤波器，LMS算法通过自适应迭代调整自身权重，使其输出逼近未知系统输出，从而辨识出未知系统的系数。通过观察权重收敛轨迹和误差下降曲线，验证算法正确性。
实现原理与代码
LMS核心更新公式：w(n+1) = w(n) + μ·e(n)·x(n)，其中误差e(n) = d(n) - y(n)，y(n) = w(n)ᵀ·x(n)。步长μ需满足0 < μ < 2/λ_max（λ_max为输入自相关矩阵最大特征值），此处取μ=0.01保证收敛。
代码使用Python实现，仅依赖NumPy。未知系统系数为[0.5, -0.3, 0.8, 0.2]，输入信号为白噪声，观测信号叠加了低噪声。滤波器阶数与未知系统一致，通过LMS迭代估计系数。
import numpy as np
# 未知系统（待辨识的FIR系数）
true_w = np.array([0.5, -0.3, 0.8, 0.2])
M = len(true_w) # 滤波器阶数
N = 2000 # 迭代样本数
mu = 0.01 # 步长
# 生成输入信号（白噪声）与期望信号
rng = np.random.default_rng(42)
x = rng.standard_normal(N + M) # 多生成M个样本用于填充延迟线
d = np.zeros(N)
for n in range(N):
x_seg = x[n:n+M][::-1] # 构造与滤波器系数顺序一致的输入向量
d[n] = np.dot(true_w, x_seg) + 0.01 * rng.standard_normal()
# LMS自适应滤波
w = np.zeros(M) # 初始权重为0
w_history = np.zeros((N, M))
e_history = np.zeros(N)
for n in range(N):
x_n = x[n:n+M][::-1] # 当前输入向量
y_n = np.dot(w, x_n) # 滤波器输出
e_n = d[n] - y_n # 误差
w = w + mu * e_n * x_n # 权重更新
w_history[n] = w
e_history[n] = e_n
# 输出最终估计系数
print("真实系数:", true_w)
print("估计系数:", np.round(w, 4))
print("最终误差:", round(abs(e_history[-1]), 6))运行与验证
运行方式：将代码保存为lms_system_id.py，在已安装NumPy的Python环境中执行python lms_system_id.py。
验证方法：
- 系数收敛：观察输出的估计系数应接近真实系数
[0.5, -0.3, 0.8, 0.2]，误差在0.05以内即表明辨识成功。 - 误差下降：若需观察收敛过程，可在代码末尾添加
import matplotlib.pyplot as plt; plt.plot(e_history**2); plt.ylim(0, 0.5); plt.show()，应看到误差平方曲线从初始值快速下降并趋于平稳。
预期输出：由于代码中固定了随机种子（seed=42），运行后应得到确定性的估计结果：估计系数约为[0.5, -0.3, 0.8, 0.2]（四舍五入到4位小数），最终误差值小于0.01。此结果由代码逻辑直接唯一确定，可作为验证通过的判定依据。
常见问题：若估计系数偏差较大，首先检查步长μ是否过大（可尝试减小至0.005）；其次确认输入信号是否为白噪声（有色信号会导致特征值扩散，需减小步长）。本案例中滤波器阶数与未知系统一致，若阶数不足则无法完全辨识。