线性自适应滤波算法综述
作者简介 蔡卫菊（1981.4－），女，汉族，硕士，讲师。现工作于长江大学电信学院，研究领域为信号处理 。
摘要：分析了最小均方误差滤波和基于最小二乘准则滤波算法、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优缺点，并对自适应滤波算法的发展进行了展望。
关键词：自适应滤波算法；最小均方误差算法；最小二乘算法；变换域；仿射投影；共轭梯度；子带分解 中图分类号：tn911文献标识码：a 文章编号：1672-3791(2011)12(c)-0000-00
随着信号处理理论和技术的迅速发展，自适应信号处理理论和技术已经发展成为这一领域的一个新分支，并且在通信、雷达、声纳、地震学、导航系统、生物医学和工业控制等领域获得越来越广泛的应用。对自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一。 1变步长自适应滤波算法
最小均方误差lms算法最早由widrow和hoff于20世纪60年代提出，由于其结构简单，性能稳定，计算复杂度低，便于硬件实现等特点，一直是自适应滤波经典算法之一。lms算法的优点是结构简单，鲁棒性强，其缺点是收敛速度很慢。固定步长的自适应滤波
算法在收敛速度、时变系统跟踪速度与收敛精度方面对算法调整步长因子的要求是相互矛盾的。为了克服这一矛盾，人们提出了许多变步长自适应滤波算法。yasukawa等[1]提出了使步长因子正比于误差信号的大小。吴光弼[2]提出了在初始收敛阶段或未知系统参数发生变化时，步长比较大，以便有较快的收敛速度和对时变系统的跟踪速度；而在算法收敛后，不管主输入端干扰信号有多大，都应保持很小的调整步长以达到很小的稳态失调噪声，根据这一步长调整原则，许多学者设计了多种变步长自适应滤波算法，分别能够满足不同场合的应用。
2基于最小二乘准则的rls算法
基于最小二乘准则rls算法对输入信号的自相关矩阵的逆进行递推估计更新，收敛速度快，其收敛性能与输入信号的频谱特性无关。但是，rls算法的计算复杂度很高，不利于适时实现。许多文献提出了改进的rls算法，如快速rls算法[6]，快速递推最小二乘格型算法[7] 等。这些算法的计算复杂度低于rls算法，但它们都存在数值稳定性问题。文献[7]为避免rls类算法递推估计更新自相关矩阵的逆的不足，基于最小二乘准则，利用最陡下降法，得到一种新的梯度型自适应滤波算法，该算法计算复杂度较低，收敛性能良好。
3变换域自适应滤波算法
对于强相关的信号，lms算法的收敛性能降低，这是由于lms算
法的收敛性能依赖于输入信号自相关矩阵的特征值发散程度。输入信号自相关矩阵的特征值发散程度越小，lms算法的收敛性能越好。经过研究发现，对输入信号作某些正交变换后，输入信号自相关矩阵的特征值发散程度会变小。于是，dentin等 1979年首先提出了变换域自适应滤波的概念。其基本思想是把时域信号转变为变换域信号，在变换域中采用自适应算法。 4仿射投影算法
射投影算法最早由k.ozeki和t.umeda提出，它是归一化最小均方误差(nlms)算法的推广。仿射投影算法的性能介于lms算法和rls算法之间,其计算复杂度比rls算法低。归一化最小均方误差(nlms)算法是lms算法的一种改进算法，它可以看作是一种变步长因子的lms算法，其收敛性能对输入信号的能量变化不敏感。而仿射投影算法的计算复杂度比nlms算法高很多。gay等提出的快速仿射投影算法大大降低了仿射投影算法的计算复杂度。 5 共轭梯度算法
虽然rls算法收敛速度快，但其计算复杂度很高，因为它需要估计逆矩阵。假如被估计的逆矩阵失去正定性，就会引起算法发散；并且算法实现所需的存储量极大，不利于实现。一些快速rls算法虽降低了rls算法的计算复杂度，但都存在数值稳定性问题。共轭梯度自适应滤波算法不含有rls算法中的矩阵运算，也没有某些快速rls算法存在的数值稳定性问题，它保留了rls算法收敛速度快
线性自适应滤波算法综述
