陳智國(guó)，王忠策

（1.吉林化工學(xué)院 信息與控制工程學(xué)院，吉林吉林，132022；2.吉林農(nóng)業(yè)科技學(xué)院 電氣與信息控制工程學(xué)院，吉林吉林， 132101）

0 引言

自適應(yīng)了濾波算法是信號(hào)處理中重要的組成部分[1]，廣泛的應(yīng)用與系統(tǒng)的辨識(shí)、消除回波、自適應(yīng)譜線增強(qiáng)、自適應(yīng)信道均衡、語(yǔ)音線性預(yù)測(cè)、自適應(yīng)天線陣等諸多領(lǐng)域當(dāng)中。LMS算法是最小均方算法的簡(jiǎn)稱(chēng)英文全稱(chēng)為L(zhǎng)east Mean Square，算法以其實(shí)現(xiàn)方便，性能穩(wěn)定而聞名。LMS算法通過(guò)不斷更新濾波系數(shù)來(lái)實(shí)現(xiàn)多階單位沖擊響應(yīng)濾波器。

Adagrad算法是梯度下降的算法在近些年發(fā)展起來(lái)，Adadrad的優(yōu)點(diǎn)就是它沒(méi)有了手動(dòng)調(diào)試學(xué)習(xí)率的方式，轉(zhuǎn)變?yōu)樵谒惴ǖ倪^(guò)程中自己不斷調(diào)整學(xué)習(xí)率，從而讓期望函數(shù)中每一個(gè)參數(shù)都擁有學(xué)習(xí)率。

針對(duì)LMS算法中收斂速度比較慢、濾波中誤差較大的問(wèn)題，在LMS算法中引入了Adagrad算法來(lái)改變LMS算法固定步長(zhǎng)。

1 LMS自適應(yīng)濾波器

LMS算法最先是由美國(guó)斯坦福大學(xué)的Widrow和Hoff在20世紀(jì)中期研究自適應(yīng)理論模型時(shí)率先研究提出，因?yàn)長(zhǎng)MS算法的工作計(jì)算量小，容易實(shí)現(xiàn)等優(yōu)點(diǎn)被廣泛地應(yīng)用于雷達(dá)、通信、醫(yī)藥、圖像處理等多個(gè)領(lǐng)域[2]。LMS算法不需要知道輸入的信號(hào)與所期望的信號(hào)的一些特征情況，而在某一時(shí)刻的權(quán)重系數(shù)是通過(guò)上一時(shí)刻的權(quán)重系數(shù)加上負(fù)均方誤差梯度與比例項(xiàng)的積來(lái)計(jì)算得到。自適應(yīng)濾波的基本結(jié)構(gòu)如圖1所示，其中內(nèi)部LMS算法矢量圖如圖2所示。其中x(n)為濾波器輸入的信號(hào)，y(n)是由濾波器計(jì)算后輸出的信號(hào)，d(n)是系統(tǒng)期望的信號(hào)，e(n)是系統(tǒng)接收期望的信號(hào)與輸出信號(hào)之間的誤差值，w(n)是權(quán)向量。

圖1 自適應(yīng)濾波器結(jié)構(gòu)圖

圖2 算法矢量圖

LMS算法一般步驟如下[3]：

（1）初始化信號(hào)的權(quán)重系數(shù)；

（2）計(jì)算與輸入信號(hào)相對(duì)應(yīng)的輸出信號(hào)；

（3）輸出信號(hào)與期望信號(hào)之間的誤差值計(jì)算；

（4）自適應(yīng)濾波器權(quán)重系數(shù)的迭代及更新。

算法不斷迭代權(quán)重系數(shù)，直到收斂。為了結(jié)果的收斂性步長(zhǎng)因子μ因滿(mǎn)足一定的條件限制即：0＜μ＜1λmax。

其中λmax為輸入信號(hào)自相關(guān)矩陣最大的特征值。由于LMS算法中的步長(zhǎng)為固定值，那么LMS算法的收斂速度和穩(wěn)態(tài)誤差之間的矛盾會(huì)難以解決。當(dāng)步長(zhǎng)因子μ較小時(shí)算法的穩(wěn)態(tài)誤差會(huì)較小，但是此時(shí)的收斂速度也會(huì)比較慢。當(dāng)步長(zhǎng)因子μ較大時(shí)算法收斂速度則會(huì)變快，而此時(shí)的穩(wěn)態(tài)誤差這會(huì)增大[4]。所以為了使這個(gè)問(wèn)題得到有效的解決，考慮了一些LMS算法的優(yōu)化思路：（1）固定步長(zhǎng)法：步長(zhǎng)參數(shù)μ是一個(gè)常數(shù)，不隨迭代次數(shù)變化。這種方法簡(jiǎn)單易實(shí)現(xiàn)，但是需要根據(jù)信號(hào)的特性選擇合適的 值，否則會(huì)影響收斂速度和穩(wěn)態(tài)誤差。（2）變步長(zhǎng)法：步長(zhǎng)參數(shù) 是一個(gè)變化的量，隨著迭代次數(shù)或者誤差信號(hào)的大小而調(diào)整。這種方法可以提高收斂速度和降低穩(wěn)態(tài)誤差，但是需要增加計(jì)算量和復(fù)雜度。（3）自適應(yīng)步長(zhǎng)法：步長(zhǎng)參數(shù)μ是一個(gè)自適應(yīng)的量，根據(jù)濾波器系數(shù)的變化而調(diào)整。這種方法可以適應(yīng)信號(hào)的非平穩(wěn)性和噪聲干擾，但是需要增加存儲(chǔ)空間和計(jì)算量。這里選擇自適應(yīng)的步長(zhǎng)優(yōu)化方法在LMS算法中引入一種深度學(xué)習(xí)Adagrad算法來(lái)對(duì)步長(zhǎng)μ進(jìn)行合理的優(yōu)化處理，從而實(shí)現(xiàn)加快收斂同時(shí)減少穩(wěn)態(tài)誤差的兩重效果。

2 深度學(xué)習(xí)Adagrad算法

Adagrad算法全稱(chēng)：Adaptive Gradient是2011年由Duchi提出來(lái)的一種學(xué)習(xí)速率自適應(yīng)梯度下降算法，是梯度下降優(yōu)化算法的擴(kuò)展，算法的核心思路就是，在算法迭代訓(xùn)練過(guò)程中學(xué)習(xí)效率是衰減的，如果一個(gè)算法它的下降梯度一直都比較大那么Adagrad算法便會(huì)降低這個(gè)梯度參數(shù)，防止過(guò)度的震蕩減小穩(wěn)態(tài)時(shí)的誤差。Adagrad算法是一種基于梯度下降的優(yōu)化算法，它能夠自適應(yīng)地調(diào)整每個(gè)維度的學(xué)習(xí)率，能夠合適的處理二次優(yōu)化等問(wèn)題，能夠有效地應(yīng)對(duì)梯度下降算法難以處理的拉長(zhǎng)的損失函數(shù)。LMS算法的主要缺點(diǎn)在于收斂速度慢，尤其是對(duì)于有噪聲的收斂速度，其次是LMS算法需要選擇合適的步長(zhǎng)參數(shù)，對(duì)于非平穩(wěn)的信號(hào)需要不斷地調(diào)整步長(zhǎng)參數(shù)，否則可能會(huì)導(dǎo)致不穩(wěn)定或過(guò)度調(diào)整的情況。LMS算法中因?yàn)椴介L(zhǎng)是固定值的原因，梯度下降總是固定值，所以造成收斂速度與穩(wěn)態(tài)誤差之間難以解決的矛盾。但是不同的情況所需的下降梯度也不同，算法進(jìn)行的過(guò)程中又不能人工參與地改變算法參數(shù)，所以為了解決這個(gè)矛盾將Adagrad梯度下降優(yōu)化算法引入到LMS算法中，達(dá)到自適應(yīng)的梯度下降步長(zhǎng)，首先是輸入較大的步長(zhǎng)，以此來(lái)加快算法的收斂速度，然后步長(zhǎng)再逐漸地衰減來(lái)保證穩(wěn)態(tài)誤差減小，這樣就實(shí)現(xiàn)了加速收斂和同時(shí)減少穩(wěn)態(tài)誤差的雙重效果。Adadrad算法的迭代更新過(guò)程如下：

（1）計(jì)算目標(biāo)函數(shù)當(dāng)前的參數(shù)梯度gt；

（2）根據(jù)以及知道的梯度計(jì)算一階動(dòng)量mt，二階動(dòng)量vt；

（3）計(jì)算當(dāng)下時(shí)刻的學(xué)習(xí)率；

（4）根據(jù)計(jì)算的下降梯度進(jìn)行更新迭代優(yōu)化。

Adagrad算法的優(yōu)點(diǎn)在于在每次迭代更新的過(guò)程中都會(huì)把梯度記錄下來(lái)，每一個(gè)梯度的學(xué)習(xí)效率不一樣并且每個(gè)梯度都是在不斷減小，在梯度大的維度中減小下降的速度，在梯度較小的維度中加快下降速度。

3 LMS算法的優(yōu)化

■3.1 算法提出步長(zhǎng)因子理論分析

首先定義權(quán)向量W=[w1,w2,w3···wn]T，誤差信號(hào)式(3)中輸出信號(hào)的矢量和形式可以表達(dá)為：

所以對(duì)誤差函數(shù)的平方根可以得到如下形式：

對(duì)誤差函數(shù)兩邊進(jìn)行求數(shù)學(xué)期望，可得均方誤差：

由此可見(jiàn)均方誤差是權(quán)系數(shù)向量W的二次函數(shù)，它由一個(gè)中間向上的拋物曲面構(gòu)成，所以它由唯一的最小值函數(shù)，調(diào)節(jié)權(quán)系數(shù)使均方誤差最小，就相當(dāng)于沿拋物面下降來(lái)找到最小值。所以可以用梯度法來(lái)求得最小值。式(10)兩邊對(duì)權(quán)系數(shù)W求導(dǎo)，可以得到均方誤差函數(shù)的梯度[5]：

所以令Δ(n)=0，即可得到最佳的權(quán)系數(shù)向量。由此得到的最佳權(quán)系數(shù)向量精確，但是需要知道Rxx和Rxd的先驗(yàn)統(tǒng)計(jì)知識(shí)而且還需要進(jìn)行矩陣的求逆運(yùn)算，會(huì)增加很大的運(yùn)算量，所以在LMS算法中根據(jù)最優(yōu)化算法中的最速下降法，“下一時(shí)刻”權(quán)系數(shù)向量w(n+1)應(yīng)等于“現(xiàn)在時(shí)刻”權(quán)系數(shù)向量w(n)加上一個(gè)負(fù)的誤差梯度-Δ(n)的比例項(xiàng)來(lái)計(jì)算得到[6]，即：

式(12)中μ就是控制收斂速度與穩(wěn)態(tài)誤差的常數(shù)，即收斂因子步長(zhǎng)。所以LMS算法中的兩個(gè)關(guān)鍵便是梯度Δ(n)的計(jì)算與μ的選擇。LMS算法中用到了一種十分有效的近似計(jì)算法求的Δ(n)，即用作為均方誤差的估計(jì)再來(lái)計(jì)算得到：

■ 3.2 LMS算法步長(zhǎng)優(yōu)化

改進(jìn)的算法通過(guò)在優(yōu)化步驟中使用Adagrad中的自適應(yīng)下降梯度的方式來(lái)代替LMS算法中的固定步長(zhǎng)，最終改進(jìn)的算法具有加速收斂和同時(shí)減少穩(wěn)態(tài)誤差的雙重效果。根據(jù)公式(3)(4)(5)有以下優(yōu)化：

其中r是誤差平方和的累積，η是需要自己設(shè)置的初始學(xué)習(xí)率，α是為了維持?jǐn)?shù)值穩(wěn)定性而添加一個(gè)很小的常數(shù)，如10-6。由此可見(jiàn)，在算法迭代中隨著誤差函數(shù)的不斷累計(jì)那么r值就在逐漸增加，分母在不斷變大。所以整體步長(zhǎng)μ是一個(gè)由大變小的過(guò)程，那么對(duì)應(yīng)于收斂速度于穩(wěn)態(tài)誤差中的效果就是，初期步長(zhǎng)大算法的收斂速度快隨著誤差平方根的累計(jì)r增大，分母增大步長(zhǎng)減小那么收斂速度逐漸減小最后使得穩(wěn)態(tài)誤差減小。所以?xún)?yōu)化后的算法可以達(dá)到加速收斂和減小穩(wěn)態(tài)誤差的雙重效果。改進(jìn)后的LMS算法一般步驟如下：

（1）初始化濾波器：w(0)、x(0)；

（2）對(duì)于輸入的樣本信號(hào)x(n)計(jì)算輸出信號(hào)y(n)；

（3）由期望信號(hào)d(n)與輸出信號(hào)y(n)計(jì)算的誤差值e(n)；

（4）將誤差值函數(shù)進(jìn)行累加計(jì)算；

（5）通過(guò)改進(jìn)后的LMS算法進(jìn)行濾波器示數(shù)w(n)；

（6）返回步驟（2）直到收斂結(jié)束。

利用Mtalab仿真進(jìn)行仿真分析對(duì)比改進(jìn)前后的收斂速度與穩(wěn)態(tài)誤差，其中輸入信號(hào)為振幅為2的正弦函數(shù)如圖3所示，加入的誤差噪聲信號(hào)為高斯白噪聲信號(hào)如圖4所示。圖5、圖6分別為L(zhǎng)MS算法仿真結(jié)果和改進(jìn)后的LMS算法仿真結(jié)果。

圖3 輸入信號(hào)

圖4 高斯白噪聲干擾信號(hào)

圖5 LMS算法濾波結(jié)果

圖6 改進(jìn)后LMS算法濾波結(jié)果

由圖5和圖6可見(jiàn)LMS算法在迭代到100次的時(shí)候波形逐漸過(guò)濾掉噪聲信號(hào)出現(xiàn)了原本期望得到的信號(hào)，而改進(jìn)后的LMS算法在跌打到50次左右的時(shí)候就可以呈現(xiàn)出期望信號(hào)可見(jiàn)在收斂速度上改進(jìn)后的LMS算法收斂速度更快。然后再對(duì)改進(jìn)前后的LMS算法誤差進(jìn)行仿真分析結(jié)果如圖7、圖8所示。

圖7 LMS算法誤差

圖8 改進(jìn)LMS算法誤差

收斂速度和穩(wěn)態(tài)誤差是判斷LMS算法性能優(yōu)劣的兩個(gè)重要指標(biāo)，在收斂速度方面改進(jìn)后的LMS算法優(yōu)于原本的LMS算法，在誤差方面為了便于對(duì)比所以起始誤差都設(shè)置為0起初兩者誤差還是相對(duì)較大的，但是隨著迭代次數(shù)的增加可變步長(zhǎng)LMS算法的優(yōu)勢(shì)就體現(xiàn)了出來(lái)隨著步長(zhǎng)值減小誤差值也在不斷減小，在迭代到50次左右的時(shí)候誤差信號(hào)已經(jīng)穩(wěn)定在0上下波動(dòng)，而原本的LMS算法因?yàn)楣潭ú介L(zhǎng)的原因在迭代到100次左右的時(shí)候出現(xiàn)誤差在0上下波動(dòng)且波動(dòng)幅度大于改進(jìn)后的LMS算法。由此可見(jiàn)，在對(duì)LMS算法中固定步長(zhǎng)的改進(jìn)中將其與深度學(xué)習(xí)算法Adagrad算法中自適應(yīng)學(xué)習(xí)率的方式相結(jié)合，可以實(shí)現(xiàn)使LMS算法加快收斂速度和減小穩(wěn)態(tài)誤差的雙重效果。

4 結(jié)語(yǔ)

LMS算法是當(dāng)前應(yīng)用最廣泛的自適應(yīng)濾波算法之一，本文介紹了LMS算法以及算法優(yōu)劣點(diǎn)，并且從深度學(xué)習(xí)Adagrad算法的角度對(duì)LMS算法的劣勢(shì)固定步長(zhǎng)做了優(yōu)化，使改進(jìn)后的算法比原本的算法在收斂速度方面更快在穩(wěn)態(tài)誤差方面更小。并且通過(guò)Matlab仿真驗(yàn)證。結(jié)果表明改進(jìn)后算法收斂快誤差小，滿(mǎn)足了加速收斂和同時(shí)減少穩(wěn)態(tài)誤差的雙重效果，能有效地提高濾波器濾波效果。