【自适应滤波实战】归一化最小均方 (NLMS) 自适应噪声对消全解析：原理推导 + 数值实例 + Python 代码实现

前言

在工业传感、生物医疗、语音通信等领域，信号采集过程中不可避免会受到电磁干扰 (EMI)、环境噪声等污染，如何从含噪信号中有效提取目标信号是信号处理的核心问题之一。自适应噪声对消 (Adaptive Noise Cancellation, ANC) 是一种经典的干扰抑制方案，而归一化最小均方 (Normalized Least Mean Square, NLMS) 算法因其结构简单、鲁棒性强、对输入功率不敏感的优势，成为工程中最常用的自适应滤波算法之一。

本文将从基础原理出发，一步步推导 NLMS 算法的数学公式，通过手动数值实例直观展示迭代过程，最后给出完整可运行的 Python 代码实现 EMI 噪声对消仿真，帮助读者彻底掌握这一经典算法。

1. 自适应噪声对消系统的基本框架

自适应噪声对消的核心思想是利用与干扰相关的参考信号，自适应地估计主信号中的干扰分量并将其抵消，其核心逻辑：通过参考传感器采集 EMI 干扰信号，使用自适应算法实时调整滤波器系数，从主信号中减去估计的干扰分量。

1.1 系统信号模型

系统包含两路独立采集的输入信号：

• 主输入（含噪目标信号）：
  d(n) = s(n) + v_1(n) 
  其中 s(n) 是需要保留的有用目标信号，v_1(n)是叠加在主路径上的干扰 噪声信号（如 EMI 电磁干扰）。
• 参考输入（干扰参考信