4. 自适应滤波算法：LMS、NLMS 与 RLS 的实战选择

自适应滤波，说白了就是让滤波器自己学会怎么干活。你不需要事先知道噪声的统计特性，算法会一边处理一边调整系数。我最早接触这玩意儿是在一个车载通话降噪项目里，那时候天真地以为随便找个算法就能搞定，结果被现实狠狠教育了一顿。

今天咱们就聊聊三种最常用的自适应算法：LMS、NLMS 和 RLS。它们各有脾气，选对了事半功倍，选错了……嗯，你会浪费不少调试时间。

4.1 LMS 算法：最朴素的梯度下降

LMS（最小均方）算法是自适应滤波的入门课。它的思想特别直白：每次迭代都沿着误差曲面的负梯度方向走一小步，让均方误差越来越小。

数学上长这样：

// LMS 算法核心更新公式
// 滤波器系数向量 w(n)，输入向量 x(n)，期望信号 d(n)
// 步长因子 μ，滤波器阶数 N

y(n) = w^T(n) * x(n);          // 滤波器输出
e(n) = d(n) - y(n);            // 误差信号
w(n+1) = w(n) + 2 * μ * e(n) * x(n);  // 系数更新

这里有个关键参数 μ（步长因子）。它决定了算法收敛的快慢和稳定性。

LMS 最大的优点是 计算量小——每次迭代只需要 O(N) 次乘加运算。在 DSP 或者低功耗 MCU 上跑起来毫无压力。但它的缺点也很明显：收敛速度对输入信号的功率非常敏感。如果输入信号忽大忽小，步长就不好选了。

4.2 NLMS 算法：给步长加个归一化

NLMS（归一化 LMS）就是来解决上面那个问题的。它把步长除以输入信号的功率，让更新步长自动适应信号的强弱变化。

// NLMS 算法核心更新公式
// 相比 LMS，多了一个归一化因子

e(n) = d(n) - w^T(n) * x(n);
// 归一化步长：μ / (||x(n)||² + δ)
// δ 是一个很小的正数，防止分母为零
w(n+1) = w(n) + (μ / (x^T(n)*x(n) + δ)) * e(n) * x(n);

你看，分母是输入向量的能量（L2 范数的平方）。当输入信号突然变大时，分母变大，步长自动缩小；信号变小时，步长自动放大。这样一来，收敛速度就稳定多了。

NLMS 的收敛速度比 LMS 快不少，尤其是在输入信号动态范围大的场景。比如在通话降噪中，说话声音大小变化很大，NLMS 能自动适应，不会因为突然的大声导致滤波器发散。

4.3 RLS 算法：用遗忘因子换速度

RLS（递归最小二乘）走的是另一条路。它不搞梯度下降，而是直接最小化从开始到现在所有误差的加权平方和。每次迭代都利用之前的信息，所以收敛速度极快。

// RLS 算法核心步骤（简化版）
// 遗忘因子 λ（通常 0.95 ~ 0.9995）
// 逆相关矩阵 P(n)

// 增益向量
k(n) = (P(n-1) * x(n)) / (λ + x^T(n) * P(n-1) * x(n));

// 先验误差
e(n) = d(n) - w^T(n-1) * x(n);

// 系数更新
w(n) = w(n-1) + k(n) * e(n);

// 逆相关矩阵更新
P(n) = (1/λ) * (P(n-1) - k(n) * x^T(n) * P(n-1));

RLS 的收敛速度通常比 LMS 快一个数量级。你想想看，LMS 可能需要 1000 次迭代才能收敛，RLS 可能 100 次就搞定了。这在跟踪快速变化的噪声时特别有用。

但代价也很明显：计算量是 O(N²)。N=64 时，RLS 每次迭代需要 4000 多次乘加，而 LMS 只要 64 次。在嵌入式系统上，这个差距是致命的。

4.4 收敛速度与稳定性的博弈

这三个算法本质上都在做同一件事：在收敛速度和稳态误差之间找平衡。你想想看，步长越大收敛越快，但到了稳态之后，滤波器系数会在最优值附近来回晃，稳态误差就大。步长小了，稳态误差小，但收敛慢得像蜗牛。

RLS 之所以快，是因为它用了遗忘因子 λ。λ 越接近 1，算法记忆越长，收敛越慢但稳态误差越小；λ 越小（比如 0.95），算法能快速跟踪变化，但稳态误差会变大。

最后说一句：别迷信算法复杂度。我在一个主动降噪耳机项目里，一开始用 RLS 觉得高大上，结果功耗超标、延迟过大。后来换成 NLMS，把阶数从 128 降到 64，收敛速度虽然慢了点，但整体效果反而更好——因为延迟低了，系统稳定性提升了。

选算法，先看你的硬件能承受多少 MIPS，再看噪声是平稳还是突变，最后才决定用哪个。这个顺序别搞反了。