迭代變步長(zhǎng)LMS算法及性能分析

劉建成 趙宏志 全厚德 唐友喜

1 引言

隨著信息化和現(xiàn)代數(shù)字技術(shù)的發(fā)展，諸多領(lǐng)域?qū)π盘?hào)特征提取和噪聲等干擾消除的要求日趨強(qiáng)烈，需要能夠?qū)π盘?hào)實(shí)時(shí)自適應(yīng)處理。LMS（Least Mean Square）算法是在維納-霍夫方程基礎(chǔ)上提出的一種自適應(yīng)信號(hào)處理算法，能夠?qū)崿F(xiàn)濾波、平滑和預(yù)測(cè)等處理[1]。由于LMS算法計(jì)算簡(jiǎn)單、易于實(shí)現(xiàn)，已被廣泛應(yīng)用于通信噪聲控制[2]、信道均衡[3]和有源干擾對(duì)消[4]、語(yǔ)音回聲抵消[5]以及雷達(dá)信號(hào)中的雜波消除等方面。

不過(guò)，常規(guī)的LMS算法中步長(zhǎng)因子恒定，即定步長(zhǎng) LMS（Fixed Step-Size LMS, FXSSLMS）算法，不能夠同時(shí)滿足快速收斂和小穩(wěn)態(tài)失調(diào)誤差的要求?？朔﨤MS算法的這一缺點(diǎn)需要步長(zhǎng)因子在算法初始階段具有較大值，能夠加速收斂，而當(dāng)算法趨于收斂時(shí)具有較小值，以降低穩(wěn)態(tài)失調(diào)誤差，即采用 變 步 長(zhǎng) 因 子 LMS（Variable Step-Size LMS,VSSLMS）算法。為此，針對(duì)如何實(shí)時(shí)改變步長(zhǎng)因子大小，研究者們從上世紀(jì)90年代開(kāi)始陸續(xù)進(jìn)行了大量的研究。文獻(xiàn)[6]提出了利用算法輸出誤差均方值迭代更新步長(zhǎng)因子的方法，不過(guò)該方法受噪聲干擾影響較大。文獻(xiàn)[7]針對(duì)文獻(xiàn)[6]的不足，提出利用當(dāng)前與前一時(shí)刻輸出誤差的相關(guān)改變步長(zhǎng)因子的方法，該方法具有快的收斂速度和小的穩(wěn)態(tài)失調(diào)誤差，較好地解決了白噪聲干擾的問(wèn)題。文獻(xiàn)[8]在Sigmoid函數(shù)（又稱Logistic函數(shù)）基礎(chǔ)上，建立了步長(zhǎng)因子與誤差信號(hào)之間一種新的非線性函數(shù)關(guān)系，該方法克服了S函數(shù)變步長(zhǎng)LMS算法在收斂狀態(tài)下步長(zhǎng)因子較大的缺陷，文獻(xiàn)[9]利用雙曲正切函數(shù)建立了步長(zhǎng)因子與誤差信號(hào)間的非線性關(guān)系，文獻(xiàn)[10]提出了基于最小加權(quán)系數(shù)均方誤差的變步長(zhǎng)方法，不過(guò)這 3種方法都存在易受噪聲干擾影響的問(wèn)題。文獻(xiàn)[11]針對(duì)歸一化LMS算法（Normalized LMS, NLMS）提出了一種變步長(zhǎng)方法，不過(guò)該方法增加了計(jì)算復(fù)雜度，不易實(shí)現(xiàn)。文獻(xiàn)[12]在分析文獻(xiàn)[10]的基礎(chǔ)上，將其中的變步長(zhǎng)方法應(yīng)用于選擇部分更新濾波加權(quán)系數(shù)的LMS算法，既達(dá)到了快速收斂的目的，又減小了算法的計(jì)算量。文獻(xiàn)[13]從理論上總結(jié)了已有幾種VSSLMS算法，并分析了這些算法在不同噪聲干擾背景下的穩(wěn)態(tài)性能，文獻(xiàn)[14]分析了LMS算法在循環(huán)平穩(wěn)高斯白噪聲輸入下的性能。

綜上所述，已有VSSLMS算法均是基于算法輸出誤差調(diào)整步長(zhǎng)因子的大小，易受噪聲等因素的干擾。針對(duì)該問(wèn)題，本文提出了迭代變步長(zhǎng)LMS算法（Iterated Variable Step-Size LMS, IVSSLMS），該方法建立了步長(zhǎng)因子與算法迭代次數(shù)（即迭代時(shí)間）之間的非線性關(guān)系，使得算法在初始階段具有大步長(zhǎng)因子，在趨于收斂時(shí)步長(zhǎng)因子小。該方法不同于現(xiàn)有方法由輸出誤差控制，所以受噪聲干擾影響較小，與已有變步長(zhǎng)LMS算法相比，既能夠保證收斂速度不低于已有方法，又可使穩(wěn)態(tài)失調(diào)誤差減小 7 dB以上。

本文后續(xù)內(nèi)容安排如下：第 2節(jié)首先敘述了FXSSLMS算法的基本原理，給出了其收斂性和穩(wěn)態(tài)失調(diào)誤差的現(xiàn)有分析結(jié)論；第3節(jié)建立步長(zhǎng)因子與收斂時(shí)間的改進(jìn)Logistic函數(shù)非線性關(guān)系，提出了IVSSLMS算法；第4節(jié)從理論上推導(dǎo)分析了所提方法的收斂性能、穩(wěn)態(tài)失調(diào)誤差和計(jì)算復(fù)雜度；第5節(jié)通過(guò)與已有幾種變步長(zhǎng)方法進(jìn)行仿真對(duì)比，驗(yàn)證了本文方法的正確性；最后對(duì)論文內(nèi)容進(jìn)行了總結(jié)展望。

2 定步長(zhǎng)LMS算法基本原理及其性能分析

2.1 LMS算法基本原理

LMS算法計(jì)算簡(jiǎn)單、易于實(shí)現(xiàn)，在自適應(yīng)濾波、參數(shù)估計(jì)和干擾消除等方面都有廣泛應(yīng)用，其模型如圖1所示，數(shù)學(xué)表示為[1]

圖1 LMS算法模型

2.2 LMS算法的收斂性和穩(wěn)態(tài)失調(diào)誤差

由于LMS算法是遞推求解的過(guò)程[1]，故分析其穩(wěn)態(tài)失調(diào)誤差及收斂性能是必不可少的，是改進(jìn)算法的基礎(chǔ)。根據(jù)式（3）所示的加權(quán)系數(shù)計(jì)算過(guò)程，可知輸入?yún)⒖夹盘?hào)向量x（n），估計(jì)誤差e（n）均具隨機(jī)性，而步長(zhǎng)因子μ由算法本身設(shè)定，是影響LMS算法收斂速度和穩(wěn)態(tài)失調(diào)誤差的關(guān)鍵。

文獻(xiàn)[1]中對(duì) LMS算法的性能進(jìn)行了詳細(xì)的理論分析。由于輸入信號(hào)自相關(guān)矩陣的特征值λi，未知濾波系數(shù)w︿i和算法加權(quán)濾波系數(shù) wi（ 0） 為定值（0 ≤ i ≤ N - 1 ） ，算法的均方誤差只與步長(zhǎng)因子 μ 和迭代次數(shù)n相關(guān)。推導(dǎo)得出LMS算法收斂的充分條件是：

在μ一定的情況下，LMS算法收斂所需迭代次數(shù)為

其中，minλ是所有特征值中的最小值，γ為設(shè)定的收斂門(mén)限值，滿足1γ?。

另外，若LMS算法收斂，則在n→∞時(shí)，算法的均方誤差（即最小均方誤差，MSE）為

由式（4）-式（7）可知，LMS 算法在滿足收斂條件γ時(shí)所需的迭代次數(shù)nγ隨步長(zhǎng)因子μ的增大（滿足收斂條件）而減少，但在n→∞時(shí)的穩(wěn)態(tài)失調(diào)誤差ξ會(huì)隨μ的增大而增大。所以，在輸入信號(hào)向量x（n）和噪聲信號(hào)ε（ n）確定情況下，μ是提高LMS算法收斂速度和降低其穩(wěn)態(tài)失調(diào)誤差的關(guān)鍵。

3 迭代變步長(zhǎng)LMS算法

在上一節(jié)對(duì)LMS算法特點(diǎn)描述的基礎(chǔ)上，本節(jié)提出步長(zhǎng)因子隨迭代時(shí)間非線性改變的 IVSSLMS算法，既可提高算法收斂速度，又能夠降低穩(wěn)態(tài)失調(diào)誤差。

為解決第2節(jié)分析的收斂速度與穩(wěn)態(tài)失調(diào)誤差相互制約的問(wèn)題，文獻(xiàn)[6-12]提出了多種 VSSLMS算法，使得μ在算法初始階段具有較大值，隨著算法輸出誤差的減小而逐漸變小，以降低穩(wěn)態(tài)失調(diào)誤差。

不過(guò)，已有的變步長(zhǎng)方法容易受外界噪聲等干擾的影響。為彌補(bǔ)該不足，本文提出了 IVSSLMS算法，算法中的μ隨迭代時(shí)間（可等價(jià)于迭代次數(shù)）增大而逐漸減小，從而避免噪聲等干擾的影響。為使步長(zhǎng)因子取值滿足式（4）所示的收斂條件，且在收斂時(shí)具有小的穩(wěn)態(tài)失調(diào)誤差，對(duì)步長(zhǎng)因子取值加以限定。再依據(jù)改進(jìn) Logistic函數(shù)建立與迭代次數(shù) n間的非線性關(guān)系，如式（9）所示。

其中，μmin是依據(jù)式（7）設(shè)定的步長(zhǎng)因子最小值，μmax是由式（4）和式（5）設(shè)定的步長(zhǎng)因子最大值，κ是需根據(jù)不同情況設(shè)定的調(diào)整參數(shù)，控制了μ（n）隨n變換的快慢，m是步長(zhǎng)因子改變對(duì)應(yīng)的起始時(shí)刻，初始值為0。由式（9）可知μ（n）隨n單調(diào)遞減，變換趨勢(shì)如圖2所示。

VSSLMS算法的濾波加權(quán)系數(shù)向量遞推計(jì)算由式（3）變?yōu)?/p>

圖2 步長(zhǎng)因子μ（n）變換曲線

為了使本文 IVSSLMS算法具有應(yīng)對(duì)未知濾波器系數(shù)︿w突變的能力，步長(zhǎng)因子隨迭代次數(shù)改變的同時(shí)，通過(guò)對(duì)前后時(shí)刻輸出誤差進(jìn)行功率檢測(cè)，判斷︿w是否發(fā)生突變。算法模型如圖3所示，基本流程如下：

（1）算法初始，由加權(quán)系數(shù)向量w（n）的維數(shù)N，輸入信號(hào)功率，噪聲功率及設(shè)定的最大穩(wěn)態(tài)失調(diào)比η，計(jì)算參數(shù)minμ,maxμ和κ，起始時(shí)刻m=0，即迭代次數(shù)n由0起始；

（2）由設(shè)定參數(shù)實(shí)時(shí)計(jì)算每次迭代時(shí)的步長(zhǎng)因子（）nμ，之后執(zhí)行LMS算法其余部分；

（3）估計(jì)當(dāng)前時(shí)刻誤差e（n）的功率大小，與前一時(shí)刻誤差信號(hào)（1）e n-比較，若大于設(shè)定的門(mén)限值χ，則執(zhí)行步驟（4），小于則直接返回執(zhí)行步驟（2）；

（4）將當(dāng)前時(shí)刻的迭代次數(shù)n賦值給m，由當(dāng)前時(shí)刻的信號(hào)x（n）的功率估值更新參數(shù)minμ,maxμ和κ，返回執(zhí)行步驟（2）。

其中對(duì)不同時(shí)刻誤差信號(hào)的功率估計(jì)，計(jì)算如式（11）（輸入信號(hào)同此）：

圖3 迭代變步長(zhǎng)LMS算法原理圖

4 算法性能分析

本節(jié)將在上一節(jié)介紹原理基礎(chǔ)上，推導(dǎo)本文算法的收斂速度和穩(wěn)態(tài)失調(diào)誤差，分析該算法的計(jì)算復(fù)雜度，并與FXSSLMS和已有VSSLMS算法進(jìn)行對(duì)比分析，同時(shí)給出了算法中參數(shù)minμ,maxμ和κ的取值準(zhǔn)則。為簡(jiǎn)便起見(jiàn)，本節(jié)的分析均以實(shí)信號(hào)為例，矩陣的共軛轉(zhuǎn)置與轉(zhuǎn)置等價(jià)。

4.1 收斂性和穩(wěn)態(tài)失調(diào)誤差分析

算法的輸入信號(hào)向量x（n）和估計(jì)誤差e（n）均具隨機(jī)性，假設(shè)參考信號(hào) x（n）是均值為 0，功率為 P的隨機(jī)信號(hào)，?y（ n）是x（n）濾波后與噪聲ε（n） 的疊加信號(hào)，即 ?y （ n ） =x（n ） + ε（n） 。其中， ε（n） 是均值為0、方差為的高斯白噪聲，為未知的濾波器系數(shù)，=…]T。由式（2）可得：

則誤差信號(hào)的均方值可表示為

由于（）nε為高斯白噪聲，與信號(hào)向量x（n）統(tǒng)計(jì)獨(dú)立，利用直接平均法[1]得

式中， R = E{ x （ n ） xT（n）}是輸入信號(hào)向量x（n）的統(tǒng)計(jì)平均自相關(guān)矩陣，為共軛對(duì)稱矩陣。根據(jù)共軛對(duì)稱矩陣性質(zhì)，可通過(guò)酉矩陣U將R對(duì)角化，對(duì)角矩陣元素λj為R的特征值，如式（16）所示。

再令 C （n ） = UTc（ n） ，則根據(jù)式（10）和式（13）可得

由式（16）可得 R =UΛ UT，又因c（ n ） =UC （ n），將二者代入式（15），可得

由于輸入信號(hào)向量x（n）與白噪聲（）nε統(tǒng)計(jì)獨(dú)立，式（18）可展開(kāi)為

這里tr（）?表示求矩陣的跡。以此類推，有

其中

由于酉矩陣不改變矩陣的跡，整理得

可等價(jià)于

可見(jiàn)式（24）收斂條件為，對(duì)于任意的i和j均有1 - μ （ i ）λj＜ 1，與式（4）給出的 LMS算法收斂條件相符。下面根據(jù)式（24）-式（26），與 FXSSLMS 算法對(duì)比分析本文方法性能。

由上述的分析可知，算法的收斂性取決于式（25）中累積乘積取值的變化趨勢(shì)，對(duì)于FXSSLMS算法μ（ i）為恒定值，即本文算法和FXSSLMS算法的收斂因子[1]分別為ρIVSS（n）和ρFXSS（n）：

設(shè)最大特征 λmax= 1 , FXSSLMS算法的步長(zhǎng)因子為 μ =0.1/λmax，本文算法中 μmax=8μ, μmin= 0 .5 μ，則兩種算法的理論收斂曲線如圖4所示。對(duì)于一般信噪比情況，當(dāng) ρ （n）＜ 1 0-20時(shí)均可近似為0，由圖可見(jiàn)本文算法的收斂速度明顯快于FXSSLMS算法。

圖4 不同參數(shù)對(duì)應(yīng)的收斂因子變化曲線

由迭代變步長(zhǎng)因子式（9）可知，μ （ ∞） ≈ μmin，與FXSSLMS算法失調(diào)誤差式（7）的推導(dǎo)相同[1]，本文算法在n→∞時(shí)的穩(wěn)態(tài)失調(diào)誤差為

由參考信號(hào) x（n）功率和階數(shù) N 可估計(jì)出 x（n）自相關(guān)矩陣的特征值，進(jìn)而設(shè)定 μmax=0.8/λmax，結(jié)合式（29）可得 μmin。根據(jù)對(duì)信號(hào)?y（ n）的信噪比估計(jì)，設(shè)定式（5）中的收斂門(mén)限值γ，其值應(yīng)遠(yuǎn)小于噪信比。為了同時(shí)兼顧收斂速度和穩(wěn)態(tài)失調(diào)誤差，本文算法的參數(shù)κ取值應(yīng)使得收斂因子需小于收斂門(mén)限值γ，且步長(zhǎng)因子應(yīng)處于圖3中變化速度最快的區(qū)域。

4.2 計(jì)算復(fù)雜度分析

除算法收斂速度和穩(wěn)態(tài)失調(diào)誤差外，計(jì)算復(fù)雜度也是影響其應(yīng)用的重要因素。分析本文IVSSLMS算法的計(jì)算復(fù)雜度，并與FXSSLMS和文獻(xiàn)[7,9-11]中的 VSSLMS算法進(jìn)行對(duì)比。式（9）中指數(shù)運(yùn)算一般采用查表法，可暫等價(jià)于1次乘法運(yùn)算，故本文算法每次計(jì)算步長(zhǎng)因子需要4次加法，4次乘法和2次除法。由于本文算法除計(jì)算步長(zhǎng)因子外的遞推步驟與FXSSLMS算法相同，若假設(shè)算法的濾波器階數(shù)為 N，則由式（1），式（2）和式（10）可得本文算法的其余遞推運(yùn)算共需2N次加法和2N+2次乘法。同理可得 FXSSLMS算法和文獻(xiàn)[7,9-11]中 VSSLMS算法一次遞推所需的運(yùn)算量，如表1所示。由表可知，本文算法的運(yùn)算量略高于FXSSLMS算法，與文獻(xiàn)[7]中的 VSSLMS算法相當(dāng)，小于其他幾種VSSLMS算法?？梢?jiàn)，本文算法具有低的計(jì)算復(fù)雜度，便于硬件實(shí)現(xiàn)。

表1 不同算法一次遞推所需的運(yùn)算量

5 仿真驗(yàn)證

本節(jié)將分別在白噪聲和有色噪聲干擾下進(jìn)行仿真，相應(yīng)結(jié)果取 200次獨(dú)立仿真的平均值，與FXSSLMS算法和文獻(xiàn)[7,9-11]中的 4種 VSSLMS算法對(duì)比，以驗(yàn)證所提方法的性能。參考文獻(xiàn)[7,9-11]，仿真時(shí)4種VSSLMS算法的相關(guān)參數(shù)設(shè)置如表2所示，其中文獻(xiàn)[10]和文獻(xiàn)[11]另有調(diào)整參數(shù)δ和ζ。

5.1 白噪聲干擾

白噪聲干擾仿真條件設(shè)置為：未知濾波階數(shù)N= 5 ， 系數(shù)[15]w︿ =[0.227, 0.460, 0.688, 0.460,0.227]T，在第 2000個(gè)數(shù)據(jù)濾波系數(shù)變?yōu)閣︿ =[- 0.298, 0.225, 0.849, 0.225,- 0 .298]T；輸入信號(hào)x（n）為零均值高斯白噪聲，方差= 1，即 x（n）平均功率為1；干擾ε（n）為零均值高斯白噪聲，其方差為= 0 .0001和= 0 .05 ，即信噪比SNR為40 dB 和 13 dB兩種情況。兩種信噪比對(duì)應(yīng)的本文算法（IVSSLMS）參數(shù)分別為 κ1=85, χ1=和κ2=55, χ2=。由于參考信號(hào)不變，所以算法的步長(zhǎng)因子取值范圍在兩種信噪比下相同。為避免步長(zhǎng)因子取臨界值導(dǎo)致不收斂，令 μmax=0.8/N）=0.16，為減小穩(wěn)態(tài)失調(diào)誤差令μmin=0.005（/ N ）= 0 .001。為使穩(wěn)態(tài)失調(diào)比小于0.1，兩種信噪比下 FXSSLMS算法的步長(zhǎng)因子均為== 0 .04。另外，表2中4種VSSLMS 算法的步長(zhǎng)因子取值上下限與本文算法相同，所有算法的濾波加權(quán)系數(shù)向量初值 w （ 0）=0。兩種信噪比對(duì)應(yīng)的仿真結(jié)果分別如圖5和圖6所示。

表2 不同算法對(duì)應(yīng)參數(shù)

圖5 SNR=40 dB白噪聲仿真結(jié)果

圖6 SNR=13 dB白噪聲仿真結(jié)果

由圖5可見(jiàn)，在高SNR（40 dB）的白噪聲背景下文獻(xiàn)中4種VSSLMS算法收斂速度和穩(wěn)態(tài)失調(diào)誤差性能均優(yōu)于FXSSLMS算法，不過(guò)文獻(xiàn)[10]和文獻(xiàn)[11]中的兩種算法跟蹤調(diào)節(jié)能力較弱，這是因?yàn)槎叩牟介L(zhǎng)因子不能隨誤差信號(hào)的突然增大而迅速變大。文獻(xiàn)[9]中算法的性能比較平穩(wěn)，不過(guò)其穩(wěn)態(tài)失調(diào)誤差與文獻(xiàn)[7]相比較大。通過(guò)對(duì)比可見(jiàn)，本文IVSSLMS算法的收斂速度和穩(wěn)態(tài)失調(diào)誤差性能均優(yōu)于已有的4種方法，且具有良好的跟蹤能力。由圖 6可見(jiàn)，在SNR3 dB較低情況下，幾種VSSLMS算法與FXSSLMS算法相比，收斂速度優(yōu)勢(shì)不再明顯，文獻(xiàn)[9,10]中的兩種算法收斂速度略慢于FXSSLMS算法，但VSSLMS算法的穩(wěn)態(tài)失調(diào)誤差均小于FXSSLMS算法。本文IVSSLMS算法在該信噪比下，能夠達(dá)到的最小穩(wěn)態(tài)失調(diào)誤差比已有VSSLMS算法降低了3 dB以上。

圖7 SNR=40 dB有色噪聲仿真結(jié)果

5.2 有色噪聲干擾

在 5.1節(jié)仿真條件基礎(chǔ)上，將白色噪聲干擾改為有色噪聲。有色噪聲ε（n）產(chǎn)生是白噪聲通過(guò)一個(gè)一階系統(tǒng)使前后序列具有相關(guān)性[15]，1 - 0 .9z-1。同樣以信噪比為40 dB和13 dB兩種情況進(jìn)行仿真，其余所有仿真條件和算法參數(shù)設(shè)置同5.1節(jié)。有色噪聲下，兩種信噪比對(duì)應(yīng)的仿真結(jié)果分別如圖7和圖8所示。

圖8 SNR=13 dB有色噪聲仿真結(jié)果

由圖7可見(jiàn)，有色噪聲高SNR下，文獻(xiàn)[10]的VSSLMS算法性能急劇下降，這是因?yàn)榫哂邢嚓P(guān)性的噪聲對(duì)該算法其步長(zhǎng)變化影響較大。其余幾種VSSLMS算法性能與白噪聲下相近。由圖8知，當(dāng)有色噪聲條件下SNR減小為13 dB時(shí)，文獻(xiàn)[7]的算法受影響最大。此時(shí)，本文 IVSSLMS算法體現(xiàn)出了更為優(yōu)越的性能，在保證收斂速度和跟蹤能力不低于已有VSSLMS算法前提下，穩(wěn)態(tài)失調(diào)誤差降低了7 dB以上。

由本節(jié)的仿真及分析可知，本文 IVSSLMS算法在不同噪聲背景下，均具有快的收斂速度、低的穩(wěn)態(tài)失調(diào)誤差和良好的跟蹤能力，抗干擾能力，尤其是相關(guān)噪聲干擾，明顯優(yōu)于已有VSSLMS算法。

6 總結(jié)

本文在分析了 FXSSLMS算法性能和已有VSSLMS算法特點(diǎn)基礎(chǔ)上，提出了迭代變步長(zhǎng)LMS算法（IVSSLMS），對(duì)其收斂性和穩(wěn)態(tài)失調(diào)誤差進(jìn)行了理論分析。該算法通過(guò)建立迭代次數(shù)與步長(zhǎng)因子間的改進(jìn) Logistic函數(shù)非線性關(guān)系，使得算法初始階段步長(zhǎng)因子值較大變化慢，在收斂階段趨于恒定的最小值，從而獲得快的收斂速度和低的穩(wěn)態(tài)失調(diào)誤差，且不易受噪聲等干擾因素的影響。仿真表明，在白噪聲條件下，本文 IVSSLMS算法的收斂速度和穩(wěn)態(tài)失調(diào)誤差性能略優(yōu)于已有的4種VSSLMS算法，有色噪聲下穩(wěn)態(tài)失調(diào)誤差降低了7 dB。所以，本文所提的迭代變步長(zhǎng) LMS算法具有快的收斂速度，低的穩(wěn)態(tài)失調(diào)誤差和更強(qiáng)的抗干擾的能力，且變步長(zhǎng)方法易于數(shù)字硬件實(shí)現(xiàn)，具有較高的實(shí)際應(yīng)用價(jià)值。

[1] Simon H著. 鄭寶玉譯. 自適應(yīng)濾波器原理[M]. 第4版, 北京:電子工業(yè)出版社, 2010: 206-212.

[2] Huang Bo-yan, Xiao Ye-gui, Sun Jin-wei, et al.. A variable step-size FXLMS algorithm for narrowband active noise control[J]. IEEE Transactions on Audio, Speech and Language Processing, 2013, 21（2）: 301-312.

[3] Xu Ding-jie, Yin Bo, Wang Wei, et al.. Variable tap-length LMS algorithm based on adaptive parameters for TDL structure adaption[J]. IEEE Signal Processing Letters, 2014,21（7）: 809-813.

[4] Choi Y S and Hooman S M. Simultaneous transmission and reception: algorithm, design and system level performance[J].IEEE Transactions on Wireless Communications, 2013,12（12）: 5992-6010.

[5] Harsha I K R and Behrouz F B. Fast LMS/Newton algorithms for stereophonic acoustic echo cancelation[J].IEEE Transactions on Signal Processing, 2009, 57（8）:2919-2930.

[6] Kwong R H and Johnston E W. A variable step size LMS algorithm[J]. IEEE Transactions on Signal Processing, 1992,40（7）: 1633-1642.

[7] Aboulnasr T and Mayyas K. A robust variable step-size LMS-type algorithm: analysis and simulations[J]. IEEE Transactions on Signal Processing, 1997, 45（3）: 631-639.

[8] 羅小東, 賈振紅, 王強(qiáng). 一種新的變步長(zhǎng)LMS 自適應(yīng)濾波算法[J]. 電子學(xué)報(bào), 2006, 34（6）: 1123-1126.Luo Xiao-dong, Jia Zhen-hong, and Wang Qiang. A new variable step size LMS adaptive filtering algorithm[J]. Acta Electronica Sinica, 2006, 34（6）: 1123-1126.

[9] 田福慶, 羅榮, 李克玉, 等. 基于改進(jìn)的雙曲正切函數(shù)變步長(zhǎng)LMS算法[J]. 系統(tǒng)工程與電子技術(shù), 2012, 34（9）: 1758-1763.Tian Fu-qing, Luo Rong, Li Ke-yu, et al.. New variable step-size LMS algorithm based on modified hyperbolic tangent function[J]. Systems Engineering and Electronics,2012, 34（9）: 1758-1763.

[10] Mayyas K and Momani F. An LMS adaptive algorithm with a new step-size control equation[J]. Journal of the Frankin Institute, 2011, 348（4）: 589-605.

[11] Huang Hsu-chang and Lee Jung-hsi. A new variable step-size NLMS algorithm and its performance analysis[J]. IEEE Transactions on Signal Processing, 2012, 60（4）: 2055-2060.

[12] Mayyas K. A variable step-size selective partial update LMS algorithm[J]. Digital Signal Processing, 2013, 23（1）: 75-85.

[13] Zhang Sheng and Zhang Jia-shu. New steady-state analysis results of variable step-size LMS algorithm with different noise distributions[J]. IEEE Signal Processing Letters, 2014,21（6）: 653-657.

[14] Bershad N J, Eweda E, and Bermudez José C M. Stochastic analysis of the LMS and NLMS algorithms for cyclostationary white gaussian inputs[J]. IEEE Transactions on Signal Processing, 2014, 62（9）: 2238-2249.

[15] Hwang Jeng-kuang and Li Yuan-ping. Variable step-size LMS algorithm with a gradient-based weighted average[J].IEEE Signal Processing Letters, 2009, 16（12）: 1043-1046.