3.1 自适应滤波基础

3.1 自适应滤波基础

本节摘要：自适应滤波解决的问题是：在行情统计特性未知或时变时，让滤波器权值随误差信号自动修正。本节建立误差曲面的几何图像，推导最小均方（LMS）算法的更新律，给出收敛条件与步长折中的量化结论，并用一段可运行代码观察全过程。

第 2 章把路径画像画好了，这一章要造那个"永不闭市的交易员"。造它的第一步不是直接上 ANC，而是先在一个没有声学干扰的干净环境里，把学习机制本身造出来、看清楚——这一节做的就是这件事，它造出的内核叫 LMS。

误差曲面：交易员的盈亏地形

设想一条 FIR 滤波器，权值向量 w 有 L 个系数，任务是从参考信号 x 生成输出 y 去逼近一个期望信号 d，误差 e = d 减 y。对一段给定的参考与期望，均方误差 MSE 是权值的二次函数——在 L 维权值空间里，它是一个开口向上的碗状曲面，俗称误差曲面。曲面的最低点叫维纳解，即统计意义上最优的权值；最低点的深度叫不可消除误差，由噪声本身的相关结构决定，与滤波器无关。

把这个几何图像翻译成交易语言：权值是持仓，MSE 是盈亏，维纳解是最优仓位，误差曲面的坡度是行情对调仓的敏感度。自适应算法的全部工作，就是在不知道曲面精确形状（统计特性未知）的条件下，靠逐采样的盈亏反馈，把持仓一步步挪到碗底。

LMS 的做法朴素到近乎鲁莽：把当前误差乘以当前输入向量再乘一个步长，直接加到权值上。更新律为：新权值 = 旧权值 + 步长乘误差乘输入向量。它用单次采样的瞬时估计代替了统计期望，计算量每采样只有 L 次乘加——便宜到可以每秒跑四万八千次，这正是它能进入实时 ANC 的根本原因。

图：误差曲面上的下降路径

步长折中：收敛速度与稳态残余的对赌

LMS 的所有工程秘密都藏在步长这一个数里。收敛方面，步长必须足够小才能稳定：定量判据是步长小于二除以（输入功率乘滤波器长度），工程上取该上限的十分之一到五分之一起步。速度方面，步长越大收敛越快，这在行情突变（噪声源切换、佩戴姿态改变）后重新锁定的速度上直接可感。残余方面，LMS 在碗底附近不会静止——它用带噪声的瞬时梯度寻路，权值在最优解附近持续小幅游走，游走幅度正比于步长，这叫梯度噪声，表现为稳态残余里多出的一层"算法自噪声"。

三个需求指向三个方向，而步长只有一个。工程的标准解法是分级：收敛阶段用大步长抢速度，锁定后切换小步长保安静；更精致的做法是让步长随误差幅值自动缩放，这就是下一节 3.3 里 NLMS 的动机之一。另一个常被忽视的旋钮是滤波器长度：阶数越高碗越"扁"（各权值方向敏感度差异大），收敛越慢，所以"为精度加阶数"要付出收敛速度的隐性代价——第 2 章说建模预算要花在赚钱的频段，这里补上后半句：阶数预算同理。

动手实验：观察 LMS 的收敛

下面用一段代码在干净环境里复现系统辨识任务：一个未知 FIR 系统当"市场"，LMS 滤波器当"交易员"，观察权值收敛曲线随步长的变化。改步长再跑，能亲眼看到上面的三条折中。

import numpy as np

rng = np.random.default_rng(7)
N = 20000
x = rng.standard_normal(N)                    # 参考信号：白噪声
h_true = np.array([0.8, -0.4, 0.25, 0.1])     # 未知系统的真实脉冲响应
d = np.convolve(x, h_true)[:N]                # 期望信号：市场输出
d += 0.01 * rng.standard_normal(N)            # 观测噪声

def lms(x, d, L, mu):
    w = np.zeros(L); e_hist = np.zeros(N)
    for n in range(N):
        xn = x[n:n-L if n>=L else None][::-1] if n >= L-1 else x[:n+1][::-1]
        y  = w[:len(xn)] @ xn                 # 滤波器输出
        e  = d[n] - y                         # 误差：盯市盈亏
        w[:len(xn)] += 2*mu * e * xn          # 更新：再平衡
        e_hist[n] = e**2
    return w, e_hist

for mu in (0.005, 0.05, 0.2):
    _, eh = lms(x, d, 4, mu)
    # 输出后段平均平方误差，对比稳态残余
    print(mu, round(10*np.log10(np.mean(eh[-2000:])), 1), "dB")
​

典型结果：步长零点二收敛最快（几千个采样内到底）但稳态残余最高；步长零点零零五稳态最安静但收敛慢一个数量级；零点零五居中。把输入换成强相关的信号（比如低通滤波后的噪声）再跑，会发现允许的步长上限明显变小——输入功率与相关性一起决定了稳定域，这正是车载与耳机场景实测步长差异巨大的根源。

案例展开：主动声学支架上的第一次调试

背景。某团队在实验台上搭建一套最简 ANC 验证装置：信号发生器产生三百赫兹正弦，经功率放大器推动一只扬声器；一只误差麦克风在半米外；控制器用开发板跑 FxLMS（下一节的主角），权值数十六。团队先用本节的纯 LMS 直连（不做滤波参考）试水，作为对照基准。

操作。初始步长按稳定判据上限的五分之一设置。上电后观察误差信号的包络：起初几十毫秒误差不降反升，出现短暂啸叫，团队把步长砍半后重新上电，误差包络开始单调下降，约两秒后进入稳态；再把步长降为十分之一，稳态残余又降了约三分贝，但重新收敛时间拉长到十几秒。

结果。纯 LMS 对照组在精心整定下实现了约十五分贝的单频对冲；代价是步长被压得很低，任何扰动（人手碰一下麦克风支架）后需要数秒重新收敛，期间啸叫风险显著。

解读。这次试水把 LMS 在声学环路里的两个短板暴露得很典型。其一，稳定域窄：扬声器和腔体带来的增益把输入功率放大了，按教科书公式算的上限在实际系统里偏乐观，留足余量是硬要求。其二，没有路径补偿的 LMS 梯度方向是失真的——它的"再平衡"部分是逆着真实坡度走的，表现为收敛慢与扰动后易跑飞。这两个短板正是下一节 FxLMS 要开的药方：把路径模型插进更新通路，让梯度方向重获物理一致性。

变式。若实验台上的噪声不是正弦而是窄带随机（带通噪声），同样装置的收敛会明显变慢——随机行情下瞬时梯度的方向噪声更大，需要更小的步长或更长的滤波器。这个变式预告了 3.3 频域方法的价值：按频段分别控制步长，比全局一个步长精细得多。

⚠️ 常见坑：用仿真调好的步长直接上机。仿真里输入功率、路径增益都是理想值，实机的声学增益往往高出数个分贝，照搬步长轻则残余变大，重则首次上电就啸叫。规程是：实机步长从仿真值的四分之一起步，逐次翻倍试探，找到"收敛快且稳态达标"的平衡点后固定下来，并写入产线标定流程。

本节要点回顾

• 误差曲面：均方误差对权值是碗状二次曲面，碗底是维纳解，碗深是不可消除误差。
• LMS 更新律：权值加步长乘误差乘输入，每采样仅 L 次乘加，便宜是它进实时系统的通行证。
• 步长三折中：稳定上限约二除以输入功率乘长度；大步长快收敛高残余，小步长相反。
• 梯度噪声：稳态残余里多出的一层算法自噪声，与步长成正比。
• 声学环路放大短板：稳定域窄、梯度方向失真，药方在下一节。

内核已经会自己走路，下一节把它接入真实的声学环路，解决"梯度方向失真"这个致命伤。