低信噪比下的变步长最小均方自适应算法及其在时延估计中的应用

付学志，刘忠，胡生亮，刘志坤

(海军工程大学 电子工程学院，湖北 武汉，430033)

摘要：为提高变步长最小均方(LMS)自适应算法在噪声干扰下的时变时延跟踪性能，提出改进的变步长LMS自适应算法。该算法对MVSS-LMS算法进行误差均值补偿，改步长因子固定范围约束为动态变化约束；使用HB加权突出自适应滤波器权系数峰值，采用滑动窗遗忘加权减小计算复杂度。自适应时延估计仿真实验和消声水池目标被动定位试验表明：相比于参数固定条件下的MVSS-LMS算法和SVS-LMS算法，改进算法能够获得更好的时变时延跟踪性能。

关键词：变步长；自适应滤波；HB加权；时延估计；被动定位

中图分类号：TN911.72              文献标志码：A         文章编号：1672-7207(2012)03-1010-10

Variable step-size LMS adaptive algorithm and its application in time delay estimation for low SNR

FU Xue-zhi, LIU Zhong, HU Sheng-liang, LIU Zhi-kun

(Electronics Engineering College, Naval University of Engineering, Wuhan 430033, China)

Abstract: In order to improve the performance of existing variable step-size LMS-type (least mean square) algorithm for tracking time-varying delay in noise interference was discussed. Based on variable step-size MVSS-LMS algorithm, the time-averaged estimate of error’s autocorrelation was compensated and then the fixed range restrict of step-size was replaced by dynamic change restrict, overcoming fast attenuation of step-size because of less error relativity. Compared to another variable step-size SVS-LMS algorithm, the refrained algorithm was provided with smoother step-size variation and lower steady-state misadjustment. HB weighted method was introduced into the algorithm to give prominence to peaks of adaptive filter’s coefficient and sliding forgetting-weighted window could reduce computational complexity. The results show that, compared to MVSS-LMS and SVS-LMS algorithm being of fixed parameters, the algorithm and its HB weighted method can achieve superior performance for case of Gaussian and impulsive noise interference.

Key words: variable step-size; adaptive filter; HB weighted; time delay estimation; passive localization

时延估计技术随声纳与雷达系统的被动定位而发展，利用时延估计算法输出的同源信号到各传感器之间的时间差得到目标的位置信息。基于最小均方 (LMS)理论的自适应时延估计方法将信号的时延效应等效为信号通过一个自适应FIR滤波器的响应，继而将问题转化为滤波器参数的估计问题。该方法能够不依赖于输入信号和噪声的统计先验知识，根据噪声场的变化不断地调节自适应滤波器本身的参数，从而有效地抑制了干扰^[1]。随着自适应滤波理论的发展，对于LMS自适应时延估计算法的研究不断深入。在各种自适应时延估计算法中，固定步长LMS自适应滤波算法及在此基础上改进得到的归一化LMS(即NLMS)自适应滤波算法因其具有计算量小、易于实现、稳定性好等优点而被广泛采用^[2-4]。但是，LMS算法在收敛速率、跟踪速率和权失调噪声之间的要求是相互矛盾的，不能同时得到满足；NLMS算法在输入信号较大的情况下避免梯度噪声放大的干扰，扩大输入信号的动态范围，具有更好的收敛性能，但受噪声影响较大，仍然无法在收敛速度和稳态误差之间达到折中优化^[5]。针对上述问题，文献[6-13]等给出多种不同的解决方法，其中，变步长算法是目前应用最广泛的改进策略，其改进原则是：在初始收敛阶段或未知系统参数发生变化时，使用大步长调整，以便有较快的收敛速度；而在算法收敛后，不管主输入端干扰信号有多大，保持很小的调整步长以达到很小的稳态失调噪声^[14]。Gitlin等^[15]提出步长随自适应迭代次数n的增加而逐渐减小的策略，该算法可获得很小的稳态失调噪声，但不具有时变跟踪能力^[11]。Kwong等^[6]提出一种VSS-LMS算法，算法的自适应步长通过瞬时误差的功率e²(n)来调节，在低噪声干扰等理想情况下能够同时兼顾收敛速度和稳态失调性能，但在强噪声特别是相关噪声干扰环境下仍然具有较大的失调噪声^[16]。Aboulnasr等^[17]提出的MVSS-LMS算法应用当前误差与上一步误差自相关估计的迭代更新(e(n)e(n-1))代替VSS-LMS算法中瞬时误差的功率e²(n)来控制步长更新，在一定程度上消除噪声中不相关成分的干扰，但由于误差信号在收敛过程中相关性较小，导致算法的步长在收敛前就减小到最小值^[18]。覃景繁等^[7]提出基于Sigmoid函数的变步长LMS算法(SVS-LMS)，能同时获得较快的收敛速度、跟踪速度和较小的稳态误差。但Sigmoid函数过于复杂，在误差接近0时变化太大，不具有缓慢变化的特性，使得SVS-LMS算法在稳态时仍有较大的步长变化。为此，Sristi等^[18-19]提出具有代表性的类Sigmoid函数化改进算法，在稳态时步长因子很小，且变化不大，但此类算法的收敛性能和稳态误差取决于2个固定参数，在干扰噪声下并不具有较强的韧性且跟踪时变信号的能力不强^[20-21]。上述各种变步长LMS自适应滤波算法都可以直接应用于时延估计问题中，由滤波器权系数峰值坐标得到时延估值。为了强化变步长LMS算法在水下声信道等低信噪比条件下对时变时延的跟踪性能，本文在MVSS-LMS算法的基础上对误差自相关时间均值估计做遗忘加权补偿，并改变步长因子的约束方式，HB加权方法^[22]应用到变步长自适应滤波算法中，压低相关噪声功率，突出权系数峰值，进一步改善低信噪比下的时延估计性能。仿真实验和消声水池目标被动定位试验结果表明：在参数固定条件下，新算法与MVSS-LMS算法^[17]和SVS-LMS算法^[8]相比具有较强的时变时延跟踪性能和抗噪声干扰性能。

1  VSS-LMS算法及改进的MVSS- LMS算法

Kwong等提出了VSS-LMS算法^[6]，公式如下：

            (1)

         (2)

           (3)

其中：d(n)为M阶自适应滤波器的期望输出；x(n)为某一时刻的输入向量；为此时刻滤波器权系数向量；e(n)为此时刻的误差；为自适应调整步长，且满足以下步长约束范围：当＜，则=；当＞时，=。一般选择接近固定步长LMS算法的不稳定步长点，以提供最大的可能的收敛速度；在算法稳定收敛的前提下，根据所预期的失调和收敛速度作出  一个合适的选择，关于和的取值可参考文  献[25]。

由的迭代公式可见：自适应步长通过瞬时 误差的功率e²(n)来调节，参数为步长的遗传因子，0＜＜1，决定了算法收敛时的步长；参数＞0，决定步长受瞬时误差功率的影响程度，控制算法的失调和收敛速度。这种变步长LMS算法比固定步长LMS具有显著优势，即在自适应初始阶段，误差较大，则使用大步长调整，加快收敛速度；随着收敛的加快，误差减小，则改用小步长调整，产生较小的失调。

理论分析和仿真试验均表明^{[16, 23-24]}：在噪声环境下，直接使用瞬时误差功率调整步长并不能准确反映收敛前后自适应系统的状态，特别是当接近最佳权向量时，由于噪声的存在，步长围绕有较大的波动，导致较大的失调噪声。MVSS-LMS算法^[17]通过使用误差e(n)和e(n-1)的自相关估计来控制步长更新，其步长更新公式如下：

      (4)

           (5)

其中：p(n)为e(n)e(n-1)的自相关时间均值估计；正常数(0＜＜1)用来控制收敛时间。在迭代开始时p(n)很大，有较快的收敛速度；当达到最佳权值附近时，误差的自相关很小，p(n)很小，则得到一个小的调整步长。单个样本的误差对p(n)的影响由(1-)加权，大大减小了白噪声的干扰。

2  新的变步长自适应LMS算法

2.1  算法表示

尽管MVSS-LMS算法具有比VSS-LMS算法更优异的抗独立噪声干扰性能，但在自适应滤波器的迭代过程中，误差信号e(n)在收敛过程中相关性较小，用e(n)e(n-1)调整步长会使MVSS-LMS算法的步长因子很快变小，从而导致算法的步长在收敛前就减小到最小值^[18]。

针对以上不足，本文在步长的迭代过程中引入历史误差e²(n-i) (i=0, 1, …, n-1)的遗忘加权和，然后补偿到e(n)e(n-1)中，一方面可以减缓由于e(n)相关性较小所导致的步长快速衰减趋势，另一方面也能够获得与MVSS-LMS算法同样的抗独立噪声干扰性能，但与MVSS-LMS算法相比省却了中间变量p(n)的迭代运算。本文提出的新的变步长自适应LMS算法的步长迭代公式为：

; i=0, 1, 2, …, n-1        (6)

 (7)

其中：为遗忘加权因子，其作用是对过去的n个误差功率作指数函数衰减加权，越是过去的误差，对当前步长的影响就越小；参数≥1，控制加权因子的衰减速度。在自适应初始阶段，误差较大，遗忘加权补偿也较大，导致大步长调整；随着收敛的加深，，对步长调整起主导作用的变为补偿项(实际上由于遗忘因子的作用，)，此时本文算法的步长调整方式趋向于VSS-LMS算法。

为避免算法深度收敛时噪声干扰使步长产生较大的幅度变化，使步长的调整紧随时变信号，将VSS-LMS算法和MVSS-LMS算法中原有的定步长约束改为动态约束，即当＜时，= ；当＞时，= 。参数0＜＜1，可以控制步长始终在最佳步长附近变化，增强了算法的鲁棒性。越小，步长对时变信号越敏感，但同时抗干扰能力越弱；越大，抗突变噪声干扰的能力越强，但步长调整对时变信号的响应越滞后，一般可取典型值或。

2.2  算法参数改进

2.2.1  算法复杂度改进

由式(7)可见，本文算法引入所有历史时刻的误差进行遗忘加权补偿，提高了步长跟随精度。但随着收敛的加快，误差e(n)和遗忘因子的拖尾部分将逐渐趋近于0。因此，在实际工程应用中，可只取长度为K(例如当，K＞10时，)的滑动窗遗忘加权，在减小运算量的同时对步长调整精度的影响可以忽略。在固定窗长度下，本文算法与VSS-LMS算法和MVSS-LMS算法的计算复杂度均为O(M)。需要指出的是：相比于VSS-LMS算法，本文的新算法在计算量上仅增加了K次乘法运算，这在并行运算器件如FPGA中实现时可以通过函数的查表实现滑动窗加权运算；在数字信号数延器(DSP)中实现时可以将函数变为，并进一步简化为对误差的移位运算。以上2种实现方式的计算复杂度增加几乎可以忽略。

2.2.2  归一化处理

为使算法能够适应大的动态输入范围，也可以进一步在式(2)中引入信号x(n)的归一化功率，以代替，在输入信号有大范围的动态变化时，系统仍能保持稳定。归一化处理后的变步长算法权系数迭代公式如下：

     (8)

其中：参数c为小的正常数，防止分母为0的情况    发生。

2.2.3  HB加权抑噪

在LMS自适应时延估计算法中，由自适应滤波器权系数的峰值位置即可得到时延估值，即：

             (9)

当信噪比很小时，噪声的存在会导致峰值位置偏移，甚至出现虚假的峰。解决方法之一是寻找1种加权方法，突出峰值并平滑假峰，使噪声项的影响降到最小。由此，在期望信号峰值与输出噪声之比为最大的准则下，Hassab等^[26]导出了HB加权函数为：

        (10)

进一步将HB加权函数表示为2个自适应Roth处理器的组合形式^[22]，并得到加权后的滤波器权向量V(n)为：

         (11)

由V(n)的峰值坐标得到HB加权抑噪后的时延估值。此算法的原理框图如图1所示。

图1  本文算法的HB加权抑噪方法

Fig.1  Schematic diagram of HB weighted algorithm

HB加权对信号和噪声功率谱进行预白化处理，增强了信号中信噪比较高的频率成分。但由图1可知，HB加权需要3次FFT运算和2个并行的LMS自适应滤波器，运算量较大，适用于部署在FPGA等大规模并行运算器件中、对低阶次的变步长LMS算法抗噪声干扰性能进行改进。

3  实验验证

通过自适应时间延迟估计仿真实验验证本文算法的性能。设自适应滤波器的参考输入和基本输入信号序列分别为：

   (12)

        (13)

其中：n为离散时间刻度，自适应滤波器阶数为M；源信号为多个单频信号的叠加，频点分别为f₁=1 kHz，f₂=2 kHz和f₃=5 kHz，信号采样频率为f_s=80 kHz；v₁(n)和v₂(n)为按设定信噪比叠加的高斯白噪声；时延D(n)为模拟目标运动所产生的时变时延；时延估值由自适应滤波器权向量或经HB加权后的最大值坐标得到，并对峰值点做抛物线插值。

3.1  高斯噪声干扰下时变时延跟踪性能仿真实验

图2所示为本文算法、本文算法的HB加权、MVSS-LMS算法^[17]和SVS-LMS算法^[8]在信噪比R_SN= -7 dB和-10 dB下的时变时延跟踪性能对比，各算法的参数设置如表1所示。

表1  各种LMS算法的仿真参数设置

Table 1  Simulation parameters of various LMS algorithms

虽然各算法的参数设置未必与输入信号达到最佳匹配，但各算法在参数固定条件下的时延估计性能对比仍然具有参考价值。由图2可见：

(1) 信噪比越大，各算法对时变时延的跟踪性能越好；

(2) 在时变时延跟踪速度方面，本文算法与SVS-LMS算法性能基本相当，而MVSS-LMS算法的响应时间明显迟滞于时延真值(在图中可见时变时延估值相对真值有“偏移”，且信噪比越小，偏移越明显)；

(3) 在时变时延跟踪精度方面，相同信噪比下本文算法的性能明显优于MVSS-LMS算法和SVS-LMS算法，特别是当R_SN=-10 dB时，MVSS-LMS算法和SVS-LMS算法围绕时变时延真值均出现了较大的迟滞或波动，甚至无法收敛到时延真值；而本文算法带有历史误差的遗忘加权补偿，基本上能够紧随时变时延，鲁棒性较强；

(4) 本文算法及其HB加权改进是一种对噪声干扰具有较强韧性的时延估计算法。加权策略进一步压低时延估值中的噪声成分，突出LMS滤波器权向量的峰值(R_SN=-2 dB，如图3所示)。而且HB滤波器改善输入信号的信噪比，在相同步长因子的前提下可以加快自适应滤波器的收敛速度^[22]，因此，对时变时延的跟踪性能最好。

进一步对比各算法的步长因子调整曲线可见(R_SN=-7 dB，如图4所示)：

(1) 由于误差信号e(n)在收敛过程中相关性较小，MVSS-LMS算法用e(n)e(n-1)来调整步长导致步长因子很快减小为并保持，由此导致时延跟踪速度 较慢。

(2) 对比式(3)和(7)，本文算法的步长调整相当于在MVSS-LMS算法的基础上叠加了补偿项，因此整体步长大于MVSS-LMS算法的步长，对时延的跟踪速度也较快。

图2  高斯噪声干扰下本文算法与MVSS-LMS算法、SVS-LMS算法的时变时延跟踪性能对比

Fig.2  Performance comparison of tracking time-varying delay in Gaussian interference using MVSS-LMS, SVS-LMS and proposed algorithms

图3 不同变步长算法下归一化权系数对比(SNR=-2 dB)

Fig.3  Comparison of filter’s coefficient of various adaptive algorithms for SNR=-2 dB

图4  不同变步长算法下的步长调整曲线(R_SN = -7 dB)

Fig.4  Comparison of adjusting step-size of various adaptive algorithms for R_SN = -7 dB

 (3) 本文算法采用与历史步长有关的动态步长限幅策略，算法收敛后的步长变化相比SVS-LMS算法更“平滑”，一方面提高了时延跟踪速度，另一方面也减小了由于步长快速调整导致的稳态失调噪声。

(4) 大量仿真实验结果表明，尽管可以通过增大SVS-LMS算法的β参数加快其时延跟踪速度，或减小参数提高时延跟踪精度。但由本文的仿真结果可知：随着输入信号噪声的增大，参数固定条件下的SVS- LMS算法对信噪比敏感，难以在跟踪速度和跟踪精度性能上达到折中，且其最大步长调整幅度受参数β的

约束，即；而本文算法的参数设置对

输入信号信噪比并不敏感，是一种韧性较强的算法。

图5  突变噪声干扰下本文算法与MVSS-LMS算法、SVS-LMS算法的时变时延跟踪性能对比

Fig.5  Performance comparison of tracking time-varying delay in impulsive interference using MVSS-LMS, SVS-LMS and proposed algorithms

3.2  抗冲激干扰性能仿真实验

下面模拟存在于输入信号中的突变噪声对时延估计的影响。这种突变干扰在时延估计问题中经常发生，有可能使自适应时延估计算法无法收敛到真值。假设突变噪声模型为d(n)中间点处的单位冲激序列，干扰强度为，各算法的参数设置同上。受干扰后的时延跟踪曲线如图5所示。由图5可知：

 (1) SVS-LMS算法在受干扰的初始阶段偏离时延真值，但最终也将逐步收敛；

(2) 由于MVSS-LMS算法在收敛后以小步长调整，对冲激噪声干扰并不敏感；

(3) 本文算法在深度收敛后以趋向于VSS-LMS算法的方式调整步长，且采用动态步长限幅策略，因此，对冲激噪声干扰也具有较强的鲁棒性。

3.3  消声水池目标被动定位试验

进一步将上述变步长LMS算法应用到基于垂直三阵元的消声水池时延估计和目标被动定位试验中。试验态势和目标被动定位原理如图6所示，图中S为目标声源，H₁，H₂和H₃为等间隔d排列的水听器。通过估计声信号到达H₁和H₂的时延，以及到达H₂和H₃的时延，可求解目标声源的距离与深度^[22]。

在某次试验中各试验态势变量如下：R=3.685 m，N=3 m，L=4.835 m，d=0.605 m，f_s=200 kHz，消声水池中声速c以1 450 m/s计，则可得到以采样周期为单位的时延真值为6.568、16.669，目标斜距离真值为4.883 m，深度真值为3 m。图7所示为上述几种变步长算法下的时延估计和目标定位试验结果。

图6  消声水池目标被动定位态势和原理图

Fig.6  Schematic diagram for passive localization in anechoic tank

(a)      本文算法与MVSS-LMS算法对比；(b) 本文算法的HB加权与SVS-LMS算法对比

图7  消声水池目标被动定位试验结果

Fig.7  Experiment results of passive localization in anechoic tank

由图7可见：与MVSS-LMS和SVS-LMS算法相比，本文算法及其HB加权抑制了一部分由噪声引起的时延野值，目标定位结果的稳态误差也较小。

4  结论

(1) 将LMS自适应滤波器瞬时误差的功率e²(n)予以遗忘加权，补偿到误差的自相关时间均值估计中，并改变步长因子的约束机制，得到改进的、韧性更好的变步长LMS自适应时延估计算法。

(2) 在高斯噪声和突变噪声干扰下，相比于常见的参数固定的MVSS-LMS算法和SVS-LMS算法，本文算法及带有HB加权的改进算法能够获得更好的时变时延跟踪性能。消声水池目标被动定位试验也验证了该算法的有效性。

参考文献：

[1] 马远良, 赵俊渭, 张全. 用FIR数字滤波器实现高精度时延的一种新方法[J]. 声学学报, 1995, 20(2): 121-126.
MA Yuan-liang, ZHAO Jun-wei, ZHANG Quan. A method for high precision time delay implementation by a FIR digital filter[J]. Acta Acustica, 1995, 20(2): 121-126.

[2] 崔怀林, 陈韶华, 李志舜. 自适应FIR高精度时延估计研究[J]. 系统工程与电子技术, 2006, 20(2): 965-968.
CUI Huai-lin, CHEN Shao-hua, LI Zhi-shun. Research on high precision adaptive FIR time delay estimation [J]. Systems Engineering and Electronics, 2006, 20(2): 965-968.

[3] So H C, Ching P C. Comparative study of five LMS-based adaptive time delay estimation[J]. IEEE Proceedings Radar, Sonar Navy, 2001, 148(1): 9-15.

[4] 朱亮, 韩方景. 基于FPGA的定点LMS算法的实现[J]. 国防科技大学学报, 2005, 27(4): 62-65.
ZHU Liang, HAN Fang-jing. FPGA-based implementation of the fixed-point LMS algorithm[J]. Journal of National University of Defense Technology, 2005, 27(4): 62-65.

[5] LIU Jian-feng. A novel adaptation scheme in the NLMS algorithm for echo cancellation[J]. IEEE Signal Processing Letters, 2001, 8(1): 20-22.

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

[7] 覃景繁, 欧阳景正. 一种新的变步长自适应滤波算法[J]. 数据采集与处理, 1997, 12(3): 171-174.
QIN Jing-fan, OUYANG Jing-zheng. A new variable step size adaptive filtering algorithm[J]. Journal of Data Acquisition & Processing, 1997, 12(3): 171-174.

[8] 高鹰, 谢胜利. 一种变步长LMS自适应滤波算法及分析[J]. 电子学报, 2001, 29(8): 1094-1097.
GAO Ying, XIE Sheng-li. A variable step size LMS adaptive filtering algorithm and its analysis[J]. Acta Electronica Sinica,2001,29(8): 1094-1097.

[9] 宋恒, 林雪原, 王红星, 等. 采用SRM准则的盲均衡器[J]. 北京邮电大学学报, 2008, 31(4): 6-9.
SONG Heng, LIN Xue-yuan, WANG Hong-xing, et al. A blind equalizer based on SRM rule[J]. Journal of Beijing University of Posts and Telecommunications, 2008, 31(4): 6-9.

[10] 罗小东, 贾振红, 王强. 一种新的变步长LMS自适应滤波算法[J]. 电子学报, 2006, 34(6): 1123-1126.

LUO Xiao-dong, JIA Zhen-hong, WANG Qiang. A new variable step size LMS adaptive filtering algorithm[J]. Acta Electronica Sinica, 2006, 34(6): 1123-1126.

[11] 张中华, 张端金. 一种新的变步长LMS自适应滤波算法及性能分析[J]. 系统工程与电子技术, 2009, 31(9): 2238-2241.
ZHANG Zhong-hua, ZHANG Duan-jin. New variable step size LMS adaptive filtering algorithm and its performance analysis[J]. Systems Engineering and Electronics, 2009, 31(9): 2238-2241.

[12] Irusta U, Ruiz de Gauna S, Ruiz J, et al. A variable step size LMS algorithm for the suppression of the CPR artifact from a VF signal[J]. Computers in Cardiology, 2005, 18(3): 179-182.

[13] Zhang Y G, Chambers J A, Wang W W, et al. A new variable step-size LMS algorithm with robustness to nonstationary noise[C]//Proc of International Conference on Acoustics, Speech and Signal Processing. Honolulu, Hawaii, 2007: 1349-1352.

[14] Simon Haykin. Adaptive filter theory[M]. 4th ed. Englewood Cliffs, NJ: Prentice Hall, 2002.

[15] Gitlin R D, Weinstein S D. On the design of gradient algorithms for digitally implemented adaptive filters[J]. IEEE Trans on CT, 1973, 10(2): 125-136.

[16] 段正华, 王梓展, 鲁薇. 一种改进的解相关LMS自适应算法[J]. 湖南大学学报, 2006, 33(3): 114-118.

DUAN Zheng-hua, WANG Zi-zhan, LU Wei. A modified uncorrelated LMS adaptive algorithm[J]. Journal of Hunan University, 2006, 33(3): 114-118.

[17] Aboulnasr T, Mayyas K. A robust variable step-size LMS-type algorithm: Analysis and simulation[J]. IEEE Trans on Signal Processing, 1997, 45(3): 631-639.

[18] Sristi P, Lu W S, Antoniou A. A new variable-step-size LMS algorithm and its application in subband adaptive filtering for echo cancellation[C]//Proceedings of International Symposium on Circuits and Systems (ISCAS). 2001, 2: 721-724.

[19] 邓江波, 侯新国, 吴正国. 基于箕舌线的变步长LMS自适应算法[J]. 数据采集与处理, 2004, 19(3): 282-285.
DENG Jiang-bo, HOU Xin-guo, WU Zheng-guo. Variable step adaptive filtering LMS algorithm based on tongue like curve[J]. Journal of Data Acquisition & Processing, 2004, 19(3): 282-285.

[20] 孙恩昌, 李于衡, 张冬英, 等. 自适应变步长LMS滤波算法及分析[J]. 系统仿真学报, 2007, 19(14): 3172-3175.
SUN En-chang, LI Yu-heng, ZHANG Dong-ying, et al. Adaptive variable-step size LMS filtering algorithm and its analysis[J]. Journal of System Simulation, 2007, 19(4): 3172-3175.

[21] 张雯雯, 司锡才, 柴娟芳, 等. 一种新的变步长LMS自适应谱线增强算法[J]. 系统工程与电子技术, 2009, 31(1): 33-35.
ZHANG Wen-wen, SI Xi-cai, CHAI Juan-fang, et al. New variable step size LMS adaptive spectral-line enhancement algorithm[J]. Systems Engineering and Electronics, 2009, 31(1): 33-35.

[22] 王宏禹, 邱天爽. 自适应噪声抵消与时间延迟估计[M]. 大连: 大连理工大学出版社, 1999: 136-142.
WANG Hong-yu, QIU Tian-shuang. Adaptive noise cancellation and time delay estimation[M]. Dalian: Dalian University of Technology Press, 1999: 136-142.

[23] 蒋明峰, 郑小林, 彭承琳. 一种新的变步长LMS自适应算法及其在自适应噪声对消中的应用[J]. 信号处理, 2001, 17(3): 282-286.
JIANG Ming-feng, ZHENG Xiao-lin, PENG Cheng-lin. The new variable step-size LMS type algorithm and its application during adaptive noise cancellation[J]. Signal Processing, 2001, 17(3): 282-286.

[24] 李盈颖, 万建伟, 周良柱. 一种改进的变步长归一化LMS算法[J]. 国防科技大学学报, 1999, 21(1): 94-96.
LI Ying-ying, WAN Jian-wei, ZHOU Liang-zhu. A refrained variable step size normazied LMS algorithm[J]. Journal of National University of Defense Technology, 1999, 21(1): 94-96.

[25] 曾召华, 刘贵忠, 赵建平. LMS和归一化LMS算法收敛门限与步长的确定[J]. 电子与信息学报, 2003, 11(25): 1469-1474.
ZENG Zhao-hua, LIU Gui-zhong, ZHAO Jian-ping. Determining of convergent threshold and step-size for LMS and normalized LMS algorithm[J]. Journal of Electronics and Information Technology, 2003, 11(25): 1469-1474.

[26] Hassab J C, Bouchar R E. Optimum estimation of time delay by a generalized correlation[J]. IEEE Trans on Acoustic Speech and Signal Processing, 1979, 27(4): 1024-1031.

(编辑 邓履翔)

收稿日期：2011-01-25；修回日期：2011-05-18

基金项目：国防预研基金项目

通信作者：付学志(1982-)，男，山东茌平人，博士研究生，从事目标定位、水声信号处理研究；电话：13811917021；E-mail: ddfxz2008@sina.com