LMS算法的MATLAB实现以及

自适应的最小均方（LMS）算法：只要自适应线性组合器每次迭代运算时都知道输入信号和参考响应，选用LMS算法很合适。

function [ynWen]=LMS（xndnMmuitr）
% LMS（Least Mean Squre）算法
% 输入参数:
%     xn   输入的信号序列      （列向量）
%     dn   所期望的响应序列    （列向量）
%     M    滤波器的阶数        （标量）
%     mu   收敛因子（步长）      （标量）     要求大于0小于xn的相关矩阵最大特征值的倒数    
%     itr  迭代次数            （标量）     默认为xn的长度M% 输出参数:
%     W    滤波器的权值矩阵     （矩阵）
%          大小为M x itr
%     en   误差序列（itr x 1）    （列向量）  
%     yn   实际输出序列             （列向量）

% 参数个数必须为4个或5个
if nargin == 4                 % 4个时递归迭代的次数为xn的长度 
    itr = length（xn）;
elseif nargin == 5             % 5个时满足M    if itr>length（xn） | itr        error（‘迭代次数过大或过小!‘）;
    end
else
    error（‘请检查输入参数的个数!‘）;
end


% 初始化参数
en = zeros（itr1）;             % 误差序列en（k）表示第k次迭代时预期输出与实际输入的误差
W  = zeros（Mitr）;             % 每一行代表一个加权参量每一列代表-次迭代初始为0

% 迭代计算
for k = M:itr                  % 第k次迭代
    x = xn（k:-1:k-M+1）;        % 滤波器M个抽头的输入
    y = W（:k-1）.‘ * x;        % 滤波器的输出
    en（k） = dn（k） - y ;        % 第k次迭代的误差
    
    % 滤波器权值计算的迭代式
    W（:k） = W（:k-1） + 2*mu*en（k）*x;
end

% 求最优时滤波器的输出序列
yn = inf * ones（size（xn））;
for k = M:length（xn）
    x = xn（k:-1:k-M+1）;
    yn（k） = W（:end）.‘* x;
end

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1461  2009-10-11 16:17  LMS.m
     文件       16384  2009-10-11 16:18  一个实例.doc