简介：这份资源是南京航空航天大学电子信息工程学院硕士课程「自适应滤波器设计及应用」的完整论文文档，面向通信、电子与通信工程等专业学生及需要完成相关毕业设计的学习者。论文系统梳理了自适应滤波器的理论基础、实现结构与核心算法，重点对比了最小均方误差（LMS）算法与递推最小二乘（RLS）算法的性能差异，并配有完整的MATLAB仿真代码，涵盖滤波器系数演化、均方误差曲线、从噪声中提取正弦信号、协方差矩阵迹变化及Bode图频率响应分析等实验。资源包为1个doc文档，压缩包大小约1.67MB，目录包含绪论、基础理论、滤波算法、MATLAB仿真实现与应用、总结展望及附录等章节，结构完整。目前已有382人学习下载，适合需要参考论文框架、算法推导与仿真代码实现的自适应滤波方向学习者。
1. 从一份论文包说起：自适应滤波器到底能跑出什么结果
很多人第一次接触自适应滤波器，是在课程设计或毕业设计里被要求“用 MATLAB 仿真 LMS 和 RLS 算法”。但真正拿到一份完整的论文包时，面对的是几十页理论推导、一堆公式和几段零散的代码，反而不知道从哪里下手跑通。这份资源就是围绕这个痛点整理的：它包含自适应滤波器的理论基础、LMS 与 RLS 两种核心算法的推导与对比，以及可直接运行的 MATLAB 仿真脚本，覆盖自回归预测和噪声中提取信号两个典型场景。适合正在做信号处理方向毕业设计、需要快速复现仿真结果并在此基础上做二次开发的人。如果你手里有 MATLAB 但不知道论文里的图是怎么出来的，这份东西能帮你把“纸上的公式”变成“屏幕上的曲线”。
2. 项目结构与技术栈：论文包里到底有什么
2.1 文档与代码的组织方式
这份资源本质上是一份完整的毕业设计论文包，结构上分为理论文档和仿真代码两部分。理论文档按章节推进：绪论交代自适应滤波器的应用背景和国内外研究现状，基础理论部分从模拟滤波器讲到数字滤波器再到自适应滤波器，算法章节重点推导 LMS 和 RLS，最后是 MATLAB 仿真实现与结果分析。仿真代码则集中在第四章对应的脚本里，主要包含两个可独立运行的 MATLAB 程序：一个是基于 LMS 算法的自回归预测器，另一个是基于 RLS 算法的信号增强器。
从技术栈来看，核心工具就是 MATLAB，没有用到额外的工具箱依赖，基础版本即可运行。代码风格偏教学和验证性质，变量命名直接对应论文中的数学符号，比如h表示滤波器权系数、e表示误差信号、delta表示步长因子。这种命名方式对读论文的人来说很友好，因为可以对照公式逐行理解代码在做什么。
提示：如果你本地没有 MATLAB，用 Octave 也能跑大部分脚本，但
gtext和bode这类绘图函数可能需要微调。
2.2 两个仿真场景的定位差异
资源里的两个程序分别对应自适应滤波器的两类典型应用。第一个程序做的是自回归预测，用 LMS 算法去逼近一个一阶自回归过程，观察不同步长下均方误差的收敛曲线和权系数的演化过程。第二个程序做的是信号增强，用 RLS 算法从被噪声污染的正弦信号中恢复原始信号，同时输出误差曲线和合成滤波器的频响特性。
这两个场景的选择不是随意的。LMS 算法结构简单、鲁棒性强，但收敛速度慢，适合用在自回归预测这种对实时性要求不极端、但对稳定性要求高的场合。RLS 算法收敛快，但每次迭代的计算量大，适合信号增强这种需要快速跟踪信号变化的应用。论文里对这两种算法的优缺点做了详细对比，代码则用实验数据把这种对比可视化出来。
2.3 运行前的环境准备
跑通这份代码不需要复杂的配置。MATLAB 版本建议 R2015b 及以上，因为脚本里用到了tf和bode这些控制系统工具箱的函数。如果你的 MATLAB 没有安装控制系统工具箱，第二个程序的最后一部分会报错，但前面的信号处理部分不受影响。
把论文包里的.m文件放到同一个文件夹下，直接运行即可。第一个程序会弹出两个图窗：一个是均方误差随样本数的变化曲线，另一个是滤波器权系数随样本数的演化曲线。第二个程序会弹出五个图窗，分别显示输入信号、参考信号、误差与输出对比、权系数演化以及合成滤波器的伯德图。所有图窗都是独立绘制的，不需要额外配置。
3. 核心算法拆解：LMS 与 RLS 的代码实现
3.1 LMS 算法的逐行解读
第一个程序的核心是 LMS 算法的迭代更新过程。先看完整代码：
N=500; % 总样本数 M=20; % 蒙特卡洛实验次数 n=1; % 滤波器阶数 a1=-0.8; % 自回归系数 h=zeros(M,n+1,3); % 权系数矩阵，第三维对应三种步长 e=zeros(M,n,3); % 误差矩阵 for d=1:3 if d==1 delta=0.01; % 步长1 else delta=0.05*(d-1); % 步长2和3：0.05和0.1 end; for k=1:M % 蒙特卡洛循环 b=0.2*randn(1,N); % 生成高斯白噪声 y(1)=1; for i=2:N y(i)=-a1*y(i-1)+b(i); % 生成自回归过程 end for i=n+1:N e(k,i,d)=y(i)-h(k,i,d)*y(i-1); % 计算误差 h(k,i+1,d)=h(k,i,d)+delta*y(i-1)*e(k,i,d); % 权系数更新 end end end这段代码的逻辑分三层。最外层是步长循环，分别取 0.01、0.05 和 0.1 三个值，用来对比不同步长对收敛性能的影响。中间层是蒙特卡洛循环，重复 20 次实验取平均，目的是消除单次实验中随机噪声带来的偶然性。最内层是时间迭代，从第 2 个样本开始生成自回归信号，从第 2 个样本开始做 LMS 更新。
关键参数delta就是步长因子，它控制权系数每次调整的幅度。步长越大，收敛越快，但稳态误差也越大；步长越小，收敛越慢，但稳态误差更小。代码里用三个步长做对比，就是为了把这个 trade-off 直观地展示出来。a1=-0.8是自回归模型的系数，决定了信号的相关性。M=20是蒙特卡洛次数，次数越多曲线越平滑，但计算时间也越长。
后面的绘图部分把 20 次实验的均方误差和权系数分别取平均，然后用semilogy画出对数坐标下的收敛曲线。gtext函数用来在图上手动标注不同步长对应的曲线，这个函数需要鼠标点击定位，如果批量跑脚本可能会卡住，可以改成legend自动标注。
3.2 RLS 算法的逐行解读
第二个程序的核心是 RLS 算法的迭代更新。先看完整代码：
N=1000; % 总样本数 n=200; % 滤波器阶数 k=12; % 正弦信号频率因子 Ts=1e-1; % 采样周期 b=0.8*randn(1,N); % 噪声 for i=1:N xr(1,i)=sin(k*2*pi*i/N); % 原始正弦信号 x(1,i)=xr(1,i)+b(i); % 加噪后的观测信号 end Cxx=10000*eye(n); % 逆相关矩阵初始化 g=zeros(N,n); % 增益向量 h=zeros(N,n); % 权系数 e=zeros(1,N); % 误差 y=zeros(1,N); % 输出 tr=zeros(1,N); % 逆相关矩阵的迹 for i=n+1:N g(i,:)=(Cxx*x(i-n+1:i)'./(1+x(i-n+1:i)*Cxx*x(i-n+1:i)'))'; e(1,i)=xr(i)-h(i-1,:)*x(i-n+1:i)'; h(i,:)=h(i-1,:)+e(1,i)*g(i,:); Cxx=Cxx-g(i,:)'*x(i-n+1:i)*Cxx; y(1,i)=h(i,:)*x(i-n+1:i)'; tr(1,i)=trace(Cxx); endRLS 算法的核心在于逆相关矩阵Cxx的递归更新。初始化时Cxx设为单位矩阵的 10000 倍，这个较大的初始值相当于给算法一个“高不确定性”的起点，让它在初期能快速调整。增益向量g的计算用到了矩阵求逆引理，避免了直接对相关矩阵求逆，把每次迭代的计算复杂度从 O(n³) 降到 O(n²)。
权系数更新公式h(i,:)=h(i-1,:)+e(1,i)*g(i,:)和 LMS 的形式类似，但增益向量g不是简单的输入信号，而是包含了逆相关矩阵信息的修正项。这就是 RLS 收敛速度比 LMS 快得多的原因：它利用了历史所有样本的信息，而 LMS 只用了当前样本。
参数n=200是滤波器阶数，这个值取得比较大，因为正弦信号需要足够的阶数才能准确建模。k=12控制正弦信号的频率，N=1000是总样本数。代码最后用tf和bode画出合成滤波器的频响，用来验证滤波器是否真的学到了信号的频率特性。
3.3 两种算法的性能对比
从代码结构就能看出两种算法的差异。LMS 的更新公式只有一行，每次迭代只需要一次乘法和一次加法，计算量是 O(n)。RLS 的更新涉及矩阵运算，每次迭代的计算量是 O(n²)。但 RLS 的收敛速度明显更快，在同样的样本数下，RLS 的误差曲线下降得更陡。
论文里的实验数据也印证了这一点：LMS 算法在步长 0.01 时需要几百个样本才能收敛，而 RLS 算法在几十个样本内就能达到稳态。但 RLS 的稳态误差不一定比 LMS 小，因为 RLS 对初始参数和数值精度更敏感，在有限精度运算下可能出现数值不稳定。
注意：RLS 算法里的
Cxx矩阵在迭代过程中可能失去正定性，导致数值不稳定。实际工程中通常会加入一个小的正则化项，或者定期重置Cxx。
4. 避坑与排查：跑通这份代码容易翻车的几个地方
4.1 现象：运行第一个程序时提示“索引超出矩阵维度”
原因：h=zeros(M,n+1,3)定义的权系数矩阵第三维大小是 3，对应三种步长。但循环里d从 1 到 3，h(k,i+1,d)的索引i+1在i=N时会达到N+1，超出了矩阵第二维的大小n+1。实际上n=1，所以第二维大小是 2，而i从 2 到 500，i+1最大到 501，远远超出。
解决：把h的第二维大小改成N+1，即h=zeros(M,N+1,3)。或者把权系数更新放在i从n+1到N-1的循环里，避免越界。
4.2 现象：第二个程序跑完后伯德图是空的
原因：bode函数需要控制系统工具箱支持。如果 MATLAB 没有安装这个工具箱，tf和bode会报错或返回空图。
解决：检查ver命令的输出里有没有 Control System Toolbox。如果没有，可以用freqz代替bode来画频响，freqz是信号处理工具箱的函数，一般都有安装。
4.3 现象：蒙特卡洛循环跑得特别慢
原因：第一个程序里M=20，每次蒙特卡洛都要重新生成 500 个样本的自回归信号，并且做 500 次迭代。如果步长循环和蒙特卡洛循环嵌套不当，总计算量是 3×20×500=30000 次迭代，在老旧机器上可能要跑几十秒。
解决：把M减小到 5 或 10，先验证代码逻辑是否正确，确认无误后再改回 20 跑最终结果。另外可以把N从 500 降到 200，收敛曲线的大致形状不会变。
4.4 现象：RLS 程序的误差曲线在后期突然发散
原因：Cxx矩阵在迭代过程中可能失去正定性，导致增益向量g的计算出现数值问题。特别是当输入信号相关性很强时，Cxx的条件数会变得很大。
解决：在Cxx更新后加一个小的对角加载，即Cxx=Cxx+1e-6*eye(n)。或者把初始值10000*eye(n)改成100*eye(n)，减小初始不确定性，让矩阵更新更稳定。
4.5 现象：gtext标注时鼠标点击没反应
原因：gtext是交互式函数，需要手动在图上点击定位。如果脚本是批量运行的，或者图窗没有获得焦点，点击可能无效。
解决：把gtext改成legend自动标注，或者用text函数指定坐标。比如text(50,0.1,'\leftarrow d=0.01')可以在指定位置添加标注。
5. 二次开发与改造：从跑通到用起来
跑通代码只是第一步，真正有价值的是在这份资源基础上做二次开发。我一般会从三个方向入手：换信号、换算法、换评价指标。
换信号是最容易上手的改造。第一个程序里的自回归过程可以换成实际采集的传感器数据，比如振动信号或音频信号。只需要把y(i)=-a1*y(i-1)+b(i)替换成实际数据的读取和预处理，后面的 LMS 更新逻辑完全不用改。第二个程序里的正弦信号可以换成多频信号或调制信号，观察 RLS 在不同信号类型下的收敛表现。
换算法是进阶改造。LMS 和 RLS 之外，还可以试试归一化 LMS（NLMS）和仿射投影算法（APA）。NLMS 的改动最小，只需要把步长delta改成delta/(epsilon+norm(y(i-1))^2)，其中epsilon是一个很小的常数，防止除零。APA 的改动稍大，需要维护一个投影矩阵，但收敛速度比 NLMS 更快。
换评价指标是验证改造效果的关键。原始代码只画了均方误差和权系数演化，可以加上失调量（misadjustment）和收敛速度的定量计算。失调量的公式是J_excess/J_min，其中J_excess是稳态 excess MSE，J_min是维纳误差。收敛速度可以用达到稳态误差 1.1 倍所需的样本数来衡量。
改造过程中最容易翻车的地方是参数不匹配。比如把滤波器阶数n从 1 改成 10，但步长delta没跟着调小，结果算法直接发散。血泪经验是：阶数增加时，步长要按比例减小，经验公式是delta < 1/(n*sigma_x^2)，其中sigma_x^2是输入信号功率。我每次改完参数都会先跑 100 个样本看误差曲线有没有下降趋势，确认不发散再跑完整数据。
还有一个实用技巧是把仿真结果导出成 CSV 文件，方便在 Python 或 Excel 里做进一步分析。MATLAB 里用writematrix或csvwrite就能实现，比如writematrix(em,'mse_results.csv')把均方误差矩阵存成 CSV。这样即使没有 MATLAB 环境，也能用其他工具查看和分析结果。
从那以后我每次改自适应滤波器的参数，都强制走一遍“小样本验证→全样本运行→结果导出”的流程，避免直接跑全量数据浪费时间。希望这份论文包和上面的改造思路能帮到你，拿到手之后先跑通两个脚本，再按自己的课题需求换信号、换算法、换指标，逐步把这份资源变成自己的东西。
本文还有配套的精品资源，点击获取
