第 4 章　自适应均衡理论：LMS 算法推导、收敛条件、步长选取

这一章咱们聊聊 LMS 算法。说白了，它就是自适应均衡最核心的那套迭代方法。我刚入行那会儿，觉得这玩意儿不就是个公式反复算嘛，后来踩过坑才明白——步长选不对，项目白干；收敛条件不清楚，调试两眼抓瞎。所以这章我会把推导过程、收敛条件和步长选取的经验，掰开了讲清楚。

4.1　LMS 算法推导

先回忆一下，最小均方误差（MMSE）准则下，我们要找到一组滤波器系数 w，让误差信号 e(n) = d(n) – w^Tx(n) 的均方值最小。直接求解维纳-霍夫方程需要求自相关矩阵的逆，实时通信根本扛不住。LMS 算法的聪明之处在于：用瞬时梯度代替统计梯度，每次迭代只用一个样本更新权值。

推导过程

代价函数（瞬时）定义为：J(n) = |e(n)|²。对 w 求梯度：

∇J(n) = -2 e(n) x(n)

然后沿着负梯度方向更新权值，步长为 μ：

w(n+1) = w(n) + μ e(n) x(n)

这就是最经典的 LMS 迭代公式。我习惯把 w(0) 初始化为全零向量，但注意如果信道有直流偏移，最好初始化一个很小的非零值，否则收敛会慢。

伪代码示例

初始化: w = [0, 0, ..., 0]  (长度 N)
for n = 0, 1, 2, ...:
    y(n) = w^T * x(n)
    e(n) = d(n) - y(n)
    w = w + μ * e(n) * x(n)
end

你看，每次只需要一次点积、一次误差计算、一次向量加法，计算量 O(N)。这在硬件上非常友好——我在 FPGA 上实现过 32 阶 LMS，一个时钟周期就能跑完一次迭代。

4.2　收敛条件

LMS 的收敛分析分为两个层面：均值收敛和均方收敛。你想想看，如果均值都不收敛，那滤波器系数永远在乱飘。

• 均值收敛：要求步长 μ 满足 0 < μ < 2 / λ_max，其中 λ_max 是输入自相关矩阵的最大特征值。实际操作中，λ_max 很难预先知道，我们通常用输入功率的近似代替：μ < 2 / (N·P_x)，P_x 是输入信号平均功率。
• 均方收敛：这个条件更严格。经验上取 μ 在 1 / (10·N·P_x) 到 1 / (N·P_x) 之间比较安全。我记得有一次项目里，信道衰落特别快，我按照均值收敛范围选了 μ，结果误码率忽高忽低——后来才发现均方收敛没有满足，滤波器系数方差太大。

收敛条件	步长上限	典型范围	备注
均值收敛	2 / λ_max	0 < μ < 2/(N·P_x)	必要条件，较宽松
均方收敛	约 1 / (2N·P_x)	0 < μ < 1/(N·P_x)	实际建议在此区间
工程经验	—	0.001~0.1（归一化后）	取决于信噪比和阶数

嗯，这里要注意一个坑：如果输入信号是高度相关的（比如多径信道中的有色噪声），自相关矩阵特征值分散，λ_max 可能很大。这时你用总功率近似会得到偏小的步长上限，但实际还能收敛，只是慢。我曾经被这个问题误导过——以为步长不够大，结果调大了反而发散。后来老老实实做特征值估计才搞定。

4.3　步长选取

步长是 LMS 里唯一可以调的“旋钮”。太小，收敛慢，跟不上信道变化；太大，稳态失调大，甚至发散。我刚才说的经验范围归一化后是 0.001~0.1，但具体取值还要看三个因素：

• 信道变化速度：移动通信中多普勒频移大，需要较大步长，比如 0.05~0.1。
• 信噪比：低 SNR 下，噪声功率大，步长应偏小，避免梯度噪声放大。
• 滤波器阶数：阶数越高，每个权值更新的积累效应越强，步长要相应减小。

变步长 LMS 简介

固定步长总有些尴尬——想要快速跟踪，就要大步长；想要低失调，就要小步长。变步长算法（比如 NLMS、VS-LMS）可以动态调整：初始阶段用大步长，收敛后用步长缩小。我最喜欢 NLMS，因为它用输入功率归一化，天然对信号幅度不敏感。公式很简单：

w(n+1) = w(n) + (μ₀ / (δ + ||x(n)||²)) e(n) x(n)

其中 μ₀ 通常在 0.1~1 之间，δ 是一个小正数防止除零。我在实际项目中遇到过一个问题：用 NLMS 时，当输入信号非常微弱（比如静音段），||x(n)||² 接近于 0，导致步长瞬间变得极大，滤波器系数被“打飞”。后来我加了一个下限保护：当范数小于某个阈值时，用固定小步长替代——效果立竿见影。