📚 课程目录第3章自适应算法基础

自适应算法基础：LMS、RLS在DFE中的应用

DFE（判决反馈均衡器）的核心在于系数更新。固定系数只能应付静态信道，一旦信道变化——比如温度漂移、线缆长度不同——均衡就崩了。这时候自适应算法就得登场了。

我个人习惯把自适应算法看作“一个不断猜、不断修正的闭环”。猜错了没关系，下次调整方向就行。你想想看，DFE的前馈和反馈抽头系数，其实就是在找一组最优值来抵消码间串扰（ISI）。

LMS：最简单的“梯度下降”

LMS（最小均方）算法，说白了就是沿着误差下降最快的方向迈一小步。数学上不复杂：

e(n) = d(n) - y(n)          // 误差，期望值减去均衡器输出
w(n+1) = w(n) + μ * e(n) * x(n)  // μ 是步长，x(n) 是输入向量

每一拍都用瞬时误差来更新系数，计算量极低。我在项目中遇到过用LMS做10Gbps DFE的场景，硬件上只需要加法器和乘法器，延迟可控。但步长μ的选取很关键。

我的经验：μ太小，收敛慢，信道突变时反应不过来；μ太大，收敛快但稳态抖动大，眼图睁不开。常用的做法是先给一个较大μ（比如2^(-6)）快速收敛，再切换到小μ（2^(-10)）精调。

不过LMS有个毛病——噪声放大。输入噪声大时，瞬态误差抖动厉害，系数不稳。这时候RLS更有优势。

RLS：昂贵的“精确制导”

RLS（递归最小二乘）用所有历史数据做加权最小二乘估计，每次更新都算一个“遗忘因子”λ。它收敛快，稳态误差小，但代价是计算量大约O(N²)——N是抽头数。

k(n) = P(n-1) * x(n) / (λ + x^T(n) * P(n-1) * x(n))
ε(n) = d(n) - w^T(n-1) * x(n)
w(n) = w(n-1) + k(n) * ε(n)
P(n) = (P(n-1) - k(n) * x^T(n) * P(n-1)) / λ

你看，除了矩阵P的维护和逆运算。在FPGA里实现RLS，吞吐很难做高。我记得有一次客户要求25Gbps的链路，LMS死活收敛不到目标误码率，后来换成片外ARM跑RLS，每次训练后下发系数，才解决问题。

注意：RLS的递归矩阵P容易在定点计算中出现数值发散。我在调试时吃过亏——所有数据都变成了NaN。后来强制给P做对角线重置，damp系数加到1e-6才稳住。

LMS vs RLS：怎么选？

对比项	LMS	RLS
计算复杂度	O(N)，极低	O(N²)，较高
收敛速度	慢，依赖特征值散布	快，10倍左右
稳态误差	较大，随机抖动	接近维纳最优
数值稳定性	好，定点友好	差，需要防发散
硬件资源	加法器 + 乘法器	矩阵乘法 + 除法器
适用信道	平稳、低SNR	快变、高SNR

实际产品中，我见过大多数商用PHY芯片用LMS做在线跟踪，RLS只在上电训练阶段用。为什么？你看看硬件代价：一个16抽头的LMS用几百个LUT，RLS得几千。功耗、面积都架不住。

变种算法：NLMS、符号LMS、泄漏LMS

基础LMS有两个改进点：归一化和符号化。

NLMS（归一化LMS）：步长除以输入功率的估计值。收敛速度不随输入幅度变化。我在调试串行链路时常用这个方法——输入信号时大时小，固定步长容易过度调节。
符号LMS（Sign-Error / Sign-Data）：只取误差或输入的符号（±1）。硬件实现可以省掉乘法器。我曾做过一个低功耗DFE，用符号LMS，整个更新模块只用了一个异或门和累加器。
泄漏LMS：在更新时加一个衰减项，防止系数漂移。适合信道稀疏、反馈抽头长时间没有有效信号的场景。

# 伪代码：泄漏LMS更新
leak = 0.99
w(n+1) = leak * w(n) + μ * e(n) * x(n)

选择哪个变种，其实看硬件允许的位宽和流水级。

实现中的避坑实践

我曾经在一个40nm芯片里同时集成LMS和RLS。LMS跑在线，RLS做后台校准。说几个容易踩的坑：

坑1：定点溢出

误差e(n)可能非常大——比如链路刚上电时，均衡器输出完全错误。如果不做饱和截位，累加器直接溢出，后面系数全乱。我习惯在每一拍更新前都把乘积结果限幅到[-1, +1)之间。

坑2：收敛状态检测

怎么知道算法收敛了？看均方误差（MSE）的变化率。硬件上算MSE也不贵——对误差平方做指数平均。如果连续N个周期MSE变化小于阈值，就认为训练完成，切换步长或冻结系数。

坑3：梯度噪声耦合

LMS的更新量e(n)*x(n)会产生高频谱能量，耦合到模拟前端。我有一版设计，均衡器一启动，PLL就抖动——源头是更新模块的乘法器没有做输出滤波。解决办法：在误差通路上加一个低通，或者用时钟门控让更新只在特定相位发生。

实战代码片段（Verilog风格）

// LMS 系数更新（定点，16位有符号）
always @(posedge clk or negedge rst_n) begin
    if (!rst_n) begin
        wf[0] <= 16'h1000; // 初始值，防止全零
        // 其他抽头...
    end else if (update_en) begin
        // error = expected - y
        // 限幅到[-1, 1)
        error_sat <= (error > 16'h3FFF) ? 16'h3FFF :
                     (error < 16'hC001) ? 16'hC001 : error;
        // w_new = w + mu * error * x (mu=2^(-8))
        product <= (error_sat * x_in) >>> 8;
        wf[0] <= wf[0] + product;
    end
end

注意这里用的是有符号右移（>>>），确保负数正确。移位代替乘法实现步长，节省资源。

总结一下要点

LMS适合在线、硬件紧张场景，但稳态精度有限。
RLS适合训练、高精度场景，但注意数值发散。
改进变种如NLMS、符号LMS、泄漏LMS可以弥补原生LMS的不足。
工程实现必须处理定点溢出、收敛检测和噪声耦合。

回到你手头的项目——如果信道变化不快，我建议先用LMS跑起来，眼图能睁开再考虑加RLS。别一上来就上复杂算法，调试周期会很长。