简介：针对LMS与RLS自适应均衡算法，资源包提供MATLAB 2021a及更高版本下的仿真对比实现。面向通信工程、信号处理方向的学生与工程师，可用于理解多径信道与频率选择性衰落下的均衡器设计，比较两种算法在收敛速度、稳态误差和计算复杂度上的差异，也适用于无线通信基带处理、水声通信等需要自适应均衡的场景。包内共4个文件，包括2个MATLAB脚本、1份算法分析文档和1份FPGA与MATLAB协同设计说明，整体压缩包约74KB，结构简洁，便于直接运行与查阅。目前已有271人学习下载。通过仿真源码可调整信道参数与滤波器阶数，直观对比两类算法在不同信噪比下的误码率与收敛曲线；配套文档补充了LMS与RLS的数学推导、滤波器阶次与步长因子的参数优化建议，以及从MATLAB仿真模型到FPGA硬件实现的映射方法，适合从仿真走向实际部署时参考。

1. 为什么拿 LMS 和 RLS 比：自适应均衡器的“收敛-稳态”天平

信道衰落和多径造成的码间干扰（ISI）是通信系统里绕不开的黑匣子。要把它压下去，最经济的做法就是在接收端挂一个自适应均衡器，用已知训练序列让抽头系数自动收敛到逆信道响应。LMS 结构简单、每步只需两次乘法，但步长选小了收敛慢、选大了稳态误差大；RLS 借助矩阵递推，收敛速度快一个量级以上，但计算量多一个维度，遗忘因子稍微调错就可能发散。这篇内容我用 MATLAB 2021a+ 把两个算法做在同一组信道数据上，给出可直接跑的脚本、收敛曲线对比和参数设置的血泪经验，适合做通信基带仿真、毕业设计或者换算法选型的同学照着复现、对比、改参数。

2. 理论先行：LMS 与 RLS 的迭代公式和收敛特性差异

自适应均衡的核心是把均衡器抽头向量 w 看成待优化的变量，用误差信号 e(n) 驱动更新。LMS 和 RLS 的区别在于更新方向和步长怎么算。一个用的是瞬时梯度，一个用的是递推最小二乘；一个只需要几个标量运算，一个要维护一个矩阵。这两种不同的更新策略，直接决定了它们在收敛速度、稳态误差和复杂度上的表现。

2.1 LMS 的最小均方误差迭代：μ 是唯一的步长旋钮

LMS 对代价函数 J(w)=E[|e(n)|^2] 做最陡下降，实际实现时用瞬时梯度代替统计梯度，更新式写为：

w(n+1) = w(n) + μ · e(n) · x(n)

这里 x(n) 是均衡器输入向量，e(n)=d(n)-y(n)，d(n) 是期望符号，y(n) 是均衡器输出。μ 是步长因子，它同时决定收敛速度和稳态波动。为了保证均方意义下收敛，μ 需要满足 0 < μ < 2/λ_max，λ_max 是输入自相关矩阵的最大特征值。实际工程中不会去算特征值，而是从输入信号二阶矩粗略估计，通常取 μ 为 0.001～0.05 这个量级。

LMS 的优点是每一轮迭代只有一次矩阵乘向量和一次向量乘标量，存储量只有抽头个数 M。缺点也很明显：当输入信号自相关矩阵的特征值扩展度较大时，收敛速度会被拉得很慢。均匀谱的信道还好，若信道深度衰落导致频谱出现凹点，LMS 要跑几千步才能达到稳态。这个“慢”不是实现问题，而是算法本身对输入信号二阶统计量的敏感——这也就是为什么在信道失真严重的场景下，人们更愿意考虑 RLS。

2.2 RLS 的递推最小二乘：遗忘因子 λ 与逆相关矩阵 P

RLS 的目标是最小化带指数加权的最小二乘累积误差：

J(n) = Σᵏ₌₁ⁿ λⁿ⁻ᵏ |e(k)|²

其中 0 < λ ≤ 1，λ 称为遗忘因子。当 λ=1 时，所有历史误差权重相同，就是标准最小二乘；λ 越小，过去误差衰减得越快，算法越能跟踪信道变化，但也会被噪声牵着走。RLS 的迭代可以写成：

g(n) = P(n-1)·x(n) / (λ + xᴴ(n)·P(n-1)·x(n))

w(n) = w(n-1) + g(n)·e(n)

P(n) = (P(n-1) - g(n)·xᴴ(n)·P(n-1)) / λ

这里的 P(n) 是输入自相关矩阵逆的估计，g(n) 是增益向量，形式上跟卡尔曼滤波类似。由于它直接估计了二阶统计量并用于更新，RLS 对输入相关矩阵的特征值扩展不敏感，所以即使在严重 ISI 信道下也能快速收敛。代价是每一轮要更新一个 M×M 矩阵，计算量约 O(M²)，存储量也是 O(M²)。在抽头数 M=32 以上时，RLS 的乘法次数会比 LMS 多一个量级，实时硬件实现时要特别注意资源占用。

P 矩阵的初值 δI 也会影响收敛过程。δ 取得大，代表初始信任输入自相关逆很大，算法前期收敛激进，但可能带来较大振荡；δ 取太小，前期冲得慢。一般实数 BPSK 场景可以取 δ=1 或更大的值，复杂调制或低信噪比时再根据仿真结果调整。

2.3 两者核心参数与代价对比：一张表说清选谁

从这张表可以看出，LMS 适合信道变化不快、算力受限的场景；RLS 适合信道时变、要求快速跟踪的场景。标题里的对比仿真，核心就是把这种差异用同一套路数据量化出来：让一个静态信道和一个突变信道分别跑两种算法，看它们收敛速度差多少，稳态误差差多少，最后落脚到“什么时候该用哪种算法”。

3. 用 MATLAB 2021a+ 搭建一个最小可跑的对比仿真

3.1 仿真模型：BPSK 信道、横向均衡器与训练序列

我这里用的模型是基带等效收发：发送端产生 BPSK 符号（+1/-1），经过一个三抽头 FIR 信道产生 ISI，再加高斯白噪声。接收端用一个 M 阶横向均衡器，期望信号是已知的训练序列。整个过程是符号间隔采样，不考虑定时恢复和过采样。

信道我设成h_chan = [0.8, 0.3, 0.1]，其中 0.8 是主径，后面两个是反射路径。这样接收信号rx(n)主要包含了当前符号tx(n)，但也混入了前两个符号的能量，正好制造了可移除的码间干扰。均衡器输入向量取当前接收采样和它之前的 M-1 个采样，即rx(n:-1:n-M+1)，目标是从这一段观察向量里把tx(n)恢复出来。

训练序列用 2000 个 BPSK 符号。前 200 个符号足够两种算法进入收敛区，后面一段用于统计误码率。为了让对比公平，两种算法共享同一组发送符号、同一组信道增益、同一组噪声样本，唯一区别是算法本身。

3.2 主脚本：完整可运行代码与参数说明

下面这个脚本直接放到 MATLAB 2021a 及以上版本即可运行，我用rng(2024)固定了随机种子，每次运行结果一致，方便你调参数时做横向对比。

% LMS vs RLS 自适应均衡仿真（MATLAB R2021a+） clear; close all; clc; rng(2024); % 固定随机种子，结果可复现 % ---------- 系统参数 ---------- N = 2000; % 训练段符号数 M = 4; % 均衡器抽头数 mu = 0.01; % LMS 步长 lambda = 0.98; % RLS 遗忘因子 delta = 1; % RLS P 矩阵初始化系数 SNRdB = 20; % 信噪比 dB h_chan = [0.8, 0.3, 0.1]; % 三抽头基带信道 % ---------- 发送与接收 ---------- tx = 2 * randi([0 1], N, 1) - 1; % BPSK: -1 / +1 rx_no_noise = filter(h_chan, 1, tx); % 经信道，含 ISI signal_power = mean(abs(rx_no_noise).^2); noise_power = signal_power / 10^(SNRdB/10); noise = sqrt(noise_power) * randn(N, 1); rx = rx_no_noise + noise; % 加噪声后接收信号 % ---------- 初始化 ---------- w_lms = zeros(M, 1); % LMS 抽头向量 w_rls = zeros(M, 1); % RLS 抽头向量 P = delta * eye(M); % RLS 逆相关矩阵初值 e_lms = zeros(N, 1); e_rls = zeros(N, 1); y_lms = zeros(N, 1); y_rls = zeros(N, 1); % ---------- 训练循环 ---------- for n = M:N x = rx(n:-1:n-M+1); % 当前接收向量，M×1 % ---- LMS ---- y_lms(n) = w_lms.' * x; e_lms(n) = tx(n) - y_lms(n); w_lms = w_lms + mu * e_lms(n) * x; % ---- RLS ---- y_rls(n) = w_rls.' * x; e_rls(n) = tx(n) - y_rls(n); gain = P * x / (lambda + x' * P * x); w_rls = w_rls + gain * e_rls(n); P = (P - gain * x' * P) / lambda; end % ---------- 后段误码率统计（最后500个符号） ---------- idx = N-499:N; sym_lms = sign(real(y_lms(idx))); sym_rls = sign(real(y_rls(idx))); ber_lms = mean(sym_lms ~= tx(idx)); ber_rls = mean(sym_rls ~= tx(idx)); fprintf('LMS 后500符号误码率: %.4f\n', ber_lms); fprintf('RLS 后500符号误码率: %.4f\n', ber_rls); % ---------- 误差平方学习曲线（100点滑动平均） ---------- e2_lms = e_lms.^2; e2_rls = e_rls.^2; win = 100; sm_lms = movmean(e2_lms, win); sm_rls = movmean(e2_rls, win); % ---------- 绘图 ---------- figure; semilogy(1:N, sm_lms, 'b', 'LineWidth', 1.2); hold on; semilogy(1:N, sm_rls, 'r', 'LineWidth', 1.2); grid on; xlabel('迭代次数 n'); ylabel('误差平方（滑动平均）'); legend('LMS', 'RLS'); title('LMS vs RLS 自适应均衡收敛曲线');

这段代码的逻辑说明如下：tx是发送的 BPSK 符号，filter(h_chan,1,tx)得到无噪接收序列rx_no_noise，再按信噪比折算噪声功率后叠加噪声。训练循环从n=M开始，因为输入向量要用到当前及前 M-1 个接收样点，前 M-1 个样点无法凑满向量。LMS 部分就是最基本的三个公式：输出、误差、更新。RLS 部分则额外维护P矩阵，增益向量gain的计算里lambda + x'*P*x是一个标量，保证除法安全。

参数说明：M=4是抽头数，对三抽头信道来说足够覆盖 ISI 径，设少了均衡能力不足，设太多会放大噪声；mu=0.01是 LMS 步长，输入信号功率大约在 0.1 量级，这个步长不至于发散，也不会太慢；lambda=0.98是 RLS 遗忘因子，表示 100 个符号前的历史误差权重衰减到约 13.5%，用于静态信道绰绰有余。delta=1是 P 矩阵的初始化加权，BPSK 场景下取 1 比较通用。

3.3 跑通后的输出：收敛曲线与误码率怎么看

运行脚本后，命令行会打印两个误码率，图形窗口会画出两条学习曲线。正常情况下，RLS 的红色曲线会比 LMS 的蓝色曲线更快掉下来，也就是在更小的迭代次数就降到 10⁻² 量级。LMS 因为步长只有 0.01，会经历一个较长的线性收敛区，可能要到 300～500 次迭代才进入稳态。

需要注意的坑是：如果只盯这张图，很容易被“谁先掉下来”带偏。误码率才是最终目标。我调参时见过 LSM 在图上看起来收敛快，但稳态误差高出 RLS 一个数量级，最终误码率反而更差。所以第三部分的代码把最后 500 个符号的误码率也打印出来，就是提醒自己：收敛速度是过程，误码率才是结果。

4. 核心指标怎么量化：收敛速度、稳态误差与抽头系数对比

只是画两条曲线，说服力不够。要把 LMS 和 RLS 的差异写成数字，在论文或项目报告中才能站得住。以下三个指标是我必看的：收敛速度、稳态误差、抽头系数轨迹。它们分别对应“多快到位”“到位后抖多大”“走的什么路径”。

4.1 收敛速度：以误差首次进入阈值所需的迭代次数为准

收敛速度的度量不是看曲线“好像平了”，而是看误差平方滑动平均第一次低于某个阈值。阈值怎么定？我常用绝对阈值，比如误差平方 10⁻²，对应误差幅度 0.1，对 BPSK 来说已经接近可靠判决。如果你想让阈值更自适应，也可以取最终稳态误差的 1.1 倍，但那样前期的判决会牵扯进来，不如下固定阈值直观。

在主脚本后面加这几行：

threshold = 1e-2; % 误差平方阈值 first_lms = find(sm_lms < threshold, 1); first_rls = find(sm_rls < threshold, 1); fprintf('LMS 首次低于阈值: %d 次迭代\n', first_lms); fprintf('RLS 首次低于阈值: %d 次迭代\n', first_rls);

find(..., 1)返回第一个满足条件的索引，也就是首次进入稳态的迭代次数。注意这里的sm_lms和sm_rls是滑动平均后的误差平方，直接用原始误差平方容易被单个噪声尖刺误导。阈值的选择可以结合信噪比调整，信噪比低时稳态误差本身就大，阈值要放宽，否则可能一次都找不到。

4.2 稳态误差：取末尾一段误差平方均值，别被曲线图骗了

稳态误差是收敛之后误差功率的平均，反映算法的最终精度。取主脚本里已经算好的e2_lms和e2_rls，截最后 500 个点：

emse_lms = mean(e2_lms(end-499:end)); emse_rls = mean(e2_rls(end-499:end)); fprintf('LMS 稳态误差(EMSE): %.6f\n', emse_lms); fprintf('RLS 稳态误差(EMSE): %.6f\n', emse_rls);

end-499:end是去掉收敛过程，只看已稳定区域。稳态误差跟参数高度相关：LMS 的 EMSE 大约正比于 μ，μ 翻倍，稳态抖动也接近翻倍；RLS 的 EMSE 大约正比于 1-λ，λ 越接近 1，稳态误差越小，但跟踪信道变化就越慢。这在参数扫描时能直接看到。

另外，稳态误差和误码率不是简单线性关系。在 BPSK 下，误码率主要由误差概率密度在判决边界附近的积分决定，所以单看 EMSE 可能不够，还要结合星座图统计错误数。这也是为什么我在主脚本里同时打印了误码率。

4.3 抽头系数轨迹：看 LMS 和 RLS 的“到达路径”

除了误差曲线，抽头系数的变化轨迹也很有信息量。它告诉你算法是如何逼近最优解的：LMS 往往是一步步爬，RLS 则会先大幅跳变再快速修正。要记录轨迹，在主脚本循环里加上：

w_lms_history = zeros(N, M); % 在循环前分配 w_rls_history = zeros(N, M); % 循环内 LMS 更新后加: w_lms_history(n, :) = w_lms.'; % 循环内 RLS 更新后加: w_rls_history(n, :) = w_rls.';

画图：

figure; plot(1:N, w_lms_history(:, 1:3), 'b', 'LineWidth', 1); hold on; plot(1:N, w_rls_history(:, 1:3), 'r', 'LineWidth', 1); xlabel('迭代次数'); ylabel('抽头系数'); title('抽头系数收敛轨迹（蓝=LMS 红=RLS）');

可以看到几组抽头迅速从 0 逼近最优解。RLS 的轨迹通常在前 50 次迭代就有较大幅度变化，而 LMS 的轨迹则平缓许多。需要注意的是，如果抽头系数在收敛后持续缓慢漂移，说明稳态噪声在持续更新权重，这也是 LMS 稳态误差偏大的直接表现。

5. 仿真中的五个高频坑：从翻车到稳定复现

5.1 现象：LMS 误差不降反升

我见过不少同学把mu直接设成 0.1，结果误差曲线像过山车，越跑越大。原因是步长超过了收敛边界。输入向量 x 的功率大约是几个信道的能量之和，0.1 在低功率时看似安全，但遇到噪声峰值会瞬间破坏权重。解决办法是把步长改成对输入功率归一化的形式，也就是用 NLMS：

mu_eff = mu / (x' * x + 1e-6); % 归一化步长 w_lms = w_lms + mu_eff * e_lms(n) * x;

x'*x是输入向量能量的瞬时估计，加 1e-6 防止除零。这样即使输入幅度突然增大，有效步长也自动缩小。NLMS 的收敛速度对输入功率不敏感，调参比 LMS 好调。

5.2 现象：RLS 的 P 矩阵很快变成 NaN/Inf

RLS 在高信噪比或信道条件较好时，P 矩阵数值容易溢出。原因是P = (P - gain*x'*P)/lambda每次都要做矩阵乘法，反复迭代后舍入误差累积，λ 越接近 1，P 越容易失去正定性，最终出现 Inf。解决思路之一是加对角加载：

P = (P - gain * x' * P) / lambda + 1e-6 * eye(M);

每次更新后在 P 的对角线上加一个极小常数，等价于给最小二乘问题加正则项，能有效阻止 P 病态发散。另一种办法是改用数据域直接传递 RLS 算法（如 QR-RLS），但代码复杂度高，仿真阶段加对角加载已经够用。

5.3 现象：训练序列与均衡输出对不齐，误差始终很大

均衡器输入向量用的是rx(n:-1:n-M+1)，期望用的是tx(n)。如果信道传播导致主径延迟不是 0，比如信道抽头第一位不是主径，那么rx(n)对应的主要符号其实是tx(n-d)，d 为正延迟。此时用tx(n)做期望，误差里永远混着一个符号延迟，算法再怎么调都收不到接近零。解决办法是把期望信号也做延迟：

d = 1; % 需要根据信道主径位置估计 tx_delayed = [zeros(d,1); tx(1:end-d)]; e = tx_delayed(n) - y(n);

多数信道模型的第一个抽头是主径时不需延迟调整，但遇到信道首径很小、次径很大的场景，记得检查max(abs(h_chan))的下标位置。

5.4 现象：随机种子一换，算法优劣排序就变

单次实验里 LMS 可能因为噪声峰值少而显得比 RLS 还好，但换个rng种子结论就反转。自适应均衡的收敛过程是随机的，不能拿一次曲线定结论。我做对比至少跑 50 次独立实验，每次重新生成噪声（对随机信道场景也可以每次重生成信道），然后对收敛曲线和稳态误差取平均：

for trial = 1:50 rng(trial); % 重新生成噪声和信道（可选） % 运行整个训练循环 emse_lms_all(trial) = emse_lms; emse_rls_all(trial) = emse_rls; end mean_emse_lms = mean(emse_lms_all); mean_emse_rls = mean(emse_rls_all);

固定rng(trial)是为了保证试验序列可复现，50 次平均后的曲线会平滑很多，算法优劣势一目了然。

5.5 现象：R2021a 里运行报错，函数版本不一致

主脚本里用了movmean，这个函数在 R2016a 开始就有，正常 R2021a 都能跑。如果遇到旧代码是filter(ones(1,win)/win, 1, e2)，结果会有一点相位延迟，但画学习曲线无伤大雅。更常见的问题是x'与x.'混用。在实数 BPSK 场景两者一样，但一旦以后换成 QPSK，复数信号必须用'做共轭转置，不能省。另外，randi在 R2021a 没问题，老版本 R2011 之前的randint才需要改。总之版本问题优先看函数名是否在“函数浏览器”里能查到，查不到就换成替代写法。

6. 从仿真到验证：信道突变对比与参数调优技巧

静态信道收敛只是第一步，实际信道的多径结构是随时间变化的。要验证两种算法的跟踪能力，我建议在训练序列中段让信道突变：比如第 1000 个符号处把h_chan从[0.8, 0.3, 0.1]换成[0.5, 0.6, -0.2]。注意不能简单在循环里切换滤波器系数，因为rx是提前离线生成的；要做分段滤波，再把两段拼接：

tx1 = tx(1:999); tx2 = tx(1000:end); rx1 = filter([0.8 0.3 0.1], 1, tx1); rx2 = filter([0.5 0.6 -0.2], 1, tx2); rx = [rx1; rx2];

这样前 999 个符号走旧信道，后面走新信道。跑完看误差曲线：RLS 依靠 P 矩阵记忆，突变初期可能因为旧信道统计信息残留而剧烈跳动，但几轮后就能重新收敛；LMS 没有历史累计结构，反而可能更快摆脱旧信道的影响。这个对比能很明显地展现出 RLS“跟踪快但代价大”的实质。

参数调优的关键是扫描。我常见做法是让 mu 在[0.005 0.01 0.02 0.05]里扫，lambda 在[0.9 0.95 0.98 0.99]里扫，每组参数跑 50 次取平均：

mus = [0.005 0.01 0.02 0.05]; lambdas = [0.9 0.95 0.98 0.99]; for i = 1:length(mus) for j = 1:length(lambdas) mu = mus(i); lambda = lambdas(j); % 运行完整仿真，记录 emse_lms 和 emse_rls end end

扫描结果通常会形成一张表：mu 越大，LMS 收敛越快但稳态误差越大；lambda 越大，RLS 稳态误差越小但重新收敛越慢。这个表最终会告诉你，在目标信道下到底牺牲哪一边更划算。

我自己的教训是：一开始只看静态信道曲线，觉得 mu=0.02 收敛快、误码率也低，就定了这个参数。后来做信道突变实验，发现 LMS 在这个参数下重新收敛要 600 多个符号，而 RLS 只用 50 多个符号。从此以后我固定地把“静态稳态误差、突变重收敛时间、后段误码率”三个指标一起列，参数从表格里选，不再靠曲线图拍脑袋。这个习惯帮我躲过了不少论文数据翻车的坑，希望帮到你。

本文还有配套的精品资源，点击获取