3. 自适应滤波基础：LMS算法原理、NLMS算法及其归一化策略、自适应滤波器的收敛性与稳定性
好，咱们进入正题。自适应滤波，说白了就是让滤波器自己学会怎么干活。你给它一个目标，它自己调整参数去逼近。在助听器声反馈抑制里，这东西就是核心中的核心。
我刚开始接触这行的时候，总觉得自适应滤波很玄乎。后来做多了才发现，它本质上就是个不断试错、不断修正的过程。就像你学骑自行车，歪了就往反方向调一下，慢慢就稳了。
3.1 LMS算法：最朴素的迭代思路
LMS，全称Least Mean Square，最小均方。名字听着挺唬人，其实思想特别简单。
想象一下，你有一个输入信号x(n)，通过一个滤波器得到输出y(n)。我们希望这个输出尽量接近一个期望信号d(n)。误差e(n) = d(n) - y(n)。LMS干的事就是：每次来一个新样本，根据误差大小，稍微调整一下滤波器的系数，让下一次的误差变小。
数学上，系数更新公式长这样：
w(n+1) = w(n) + 2 * μ * e(n) * x(n)这里w(n)是当前滤波器系数，μ是步长因子，e(n)是误差，x(n)是输入信号。
嗯，这里要注意：μ的选择非常关键。它决定了你学得快还是学得稳。
核心要点：LMS算法不需要计算梯度，直接用瞬时误差的平方作为代价函数的估计。这就是它计算量小的原因。
我在项目中遇到过一个问题：用固定步长的LMS，刚开始收敛挺快，但到了稳态阶段，系数一直在最优值附近晃荡，降噪效果上不去。后来我才意识到，这就是LMS的固有缺陷——收敛速度和稳态精度是矛盾的。
3.2 NLMS算法：归一化解决大问题
LMS有个明显的毛病：它对输入信号的幅度特别敏感。如果输入信号突然变大，比如用户突然说话声音大了，那更新步长相当于被放大了，滤波器可能直接发散。
你想想看，这在实际场景中多要命。助听器用户可能从安静环境走到嘈杂街道，信号幅度变化几十倍。如果算法扛不住，啸叫声瞬间就出来了。
NLMS，Normalized LMS，就是来解决这个问题的。它在更新公式里加了一个归一化因子：
w(n+1) = w(n) + (μ / (||x(n)||² + δ)) * e(n) * x(n)其中||x(n)||²是输入信号的功率估计，δ是一个很小的正数，防止分母为零。
说白了，就是用输入信号的功率去归一化步长。信号强的时候步长自动变小，信号弱的时候步长自动变大。这样不管输入信号怎么变，算法的行为都相对稳定。
| 对比项 | LMS | NLMS |
|---|---|---|
| 步长控制 | 固定μ | μ / (功率 + δ) |
| 对输入幅度敏感度 | 高 | 低 |
| 收敛速度一致性 | 差（随输入变化） | 好（归一化后稳定） |
| 计算量 | 低 | 略高（多一次除法） |
实战建议：在助听器这种资源受限的平台上，我建议直接用NLMS。虽然多了一次除法和一次功率估计，但换来的是稳定性和鲁棒性，这笔账怎么算都划算。
3.3 归一化策略的细节
归一化听起来简单，但实际做起来有不少坑。我踩过最深的坑就是功率估计的方式。
最简单的做法是用当前样本的平方作为功率：||x(n)||² = x(n)²。但这样太粗糙了，单个样本的波动会导致步长剧烈变化。
更好的做法是用滑动平均：
P(n) = α * P(n-1) + (1-α) * x(n)²α通常取0.9到0.999之间。α越大，功率估计越平滑，但响应越慢。我个人习惯取0.95，在平滑度和响应速度之间取个平衡。
还有一个细节：δ的取值。太小了，当输入信号接近零时，步长会变得极大，容易发散。太大了，归一化效果就减弱了。我一般取δ = 0.01 * 信号的最大可能功率，或者干脆取一个固定的小值，比如1e-6。
避坑指南：我曾经在一个项目中，δ设得太小，结果用户摘下助听器放在桌上（输入信号几乎为零），算法直接发散，重新戴上时啸叫不止。后来我把δ改成了自适应阈值，才彻底解决这个问题。
3.4 收敛性与稳定性分析
为什么LMS能收敛？为什么NLMS更稳定？咱们从直觉上理解一下。
LMS的收敛条件很简单：0 < μ < 1/λ_max，其中λ_max是输入信号自相关矩阵的最大特征值。但实际中我们很难知道λ_max，所以通常取一个很小的μ来保证稳定。
NLMS的收敛条件更宽松：0 < μ < 2。只要步长因子在0到2之间，算法理论上就是收敛的。这就是归一化的威力——它把对输入信号特性的依赖去掉了。
但要注意，理论上的收敛和实际中的稳定是两回事。我见过不少算法在仿真里跑得好好的，一上硬件就崩了。为什么？因为硬件有量化误差、有定点数精度问题、有延迟。
影响稳定性的几个关键因素：
- 步长因子μ：越大收敛越快，但稳态误差越大，甚至发散
- 滤波器阶数：阶数越高，收敛越慢，对数值精度要求越高
- 输入信号特性：窄带信号比宽带信号更难收敛
- 数值精度：定点实现时，精度不够会导致系数更新失效
经验之谈：在助听器这种16位定点DSP上，我通常把μ设在0.01到0.1之间。太小了收敛太慢，用户能听到明显的啸叫过渡过程；太大了稳态性能差，残留的反馈信号还是能引起啸叫。
还有一个容易被忽略的点：滤波器的初始状态。如果初始系数离最优值太远，收敛过程会很长。我一般会用一段静音期的数据做预训练，让滤波器先收敛到大概位置，再进入正常工作模式。
好了，这一章的内容就这些。LMS和NLMS是自适应滤波的基石，后面的章节我们会在这个基础上，加入频域处理、双滤波器结构、步长控制等更高级的技巧。这些都是在实际产品中真正能打的东西。