下载文档原格式
自适应滤波器的原理与设计
1.确定误差信号：首先需要根据期望信号和滤波器输出信号，计算得到误差信号。
误差信号是计算滤波器参数修正的基础。
2.确定滤波器模型：根据输入信号和输出信号的特点，选择适当的滤波器模型。
滤波器模型可以是线性滤波器、非线性滤波器或者是神经网络模型等。
3.确定自适应算法：选择适当的自适应算法来修正滤波器的参数。
常用的自适应算法包括最小均方差（LMS）算法、最小二乘（LS）算法、递归最小二乘（RLS）算法等。
4.初始化滤波器参数：在开始滤波处理之前，需要对滤波器的参数进行初始化。
初始化的方法可以是随机初始化或者根据经验进行设定。
5.更新滤波器参数：根据误差信号和自适应算法，计算得到修正值，用于更新滤波器的参数。
这个过程通常采用迭代的方式，不断地根据误差信号进行修正，直到滤波器的输出与期望信号达到最优匹配为止。
6.调试和验证：最后，需要对自适应滤波器进行调试和验证。
可以通过对已知输入信号进行滤波处理，并与期望输出进行比较，来评估滤波器的性能和效果。
一些经典的自适应滤波器模型包括LMS滤波器和RLS滤波器。
LMS滤波器通过调整滤波器的权值来最小化输入信号与期望信号之间的均方差。
RLS滤波器通过递推方式更新滤波器的权值，能够更好地适应非平稳信号和时间变化的信号。
数字降噪耳机中自适应滤波器的设计实现
刘拿;杨红官;程亚奇;姚胜南
【期刊名称】《微计算机信息》
【年(卷),期】2010(026)020
【摘要】随着社会工业生产的不断进步,各种噪声污染越来越严重.目前普遍采用的模拟降噪方法已不能满足要求,未来的研究将朝着以数字信号处理器及相关算法为技术支撑的数字降噪技术发展,其中一个重要应用则为数字降噪耳机的设计.数字降噪耳机设计主要是通过自适应滤波器来实现的.文中采用LMS算法在MATLAB中实现了自适应滤波器的设计与实现.在MATLAB中建立了数字降噪耳机系统模型,并且针对该模型利用MATLAB语言进行编程及C语言编程.模型以及程序仿真结果表明此设计实现了对信号中混有的环境噪声进行降噪,并且效果远远高于模拟降噪技术.
【总页数】3页(P206-208)
【作者】刘拿;杨红官;程亚奇;姚胜南
【作者单位】410082,湖南长沙,湖南大学;100029,北京,中国科学院微电子研究所;528403,广东中山,广东装备制造工业研究院;410082,湖南长沙,湖南大
学;100029,北京,中国科学院微电子研究所;528403,广东中山,广东装备制造工业研究院
【正文语种】中文
【中图分类】TN713+.7
【相关文献】
1.一种数字有源降噪耳机控制器设计方法 [J], 张振超;安峰岩;吴鸣;杨军
2.静谧的数字诱惑索尼MDR-NC500D数字降噪耳机 [J],
3.静谧的数字诱惑——索尼MDR-NC500D数字降噪耳机 [J],
4.一种实用的数字有源降噪耳机设计方法 [J], 郭剑锋; 曹寅; 杨飞然; 杨军
5.一种实用的数字有源降噪耳机设计方法 [J], 郭剑锋;曹寅;杨飞然;杨军
因版权原因，仅展示原文概要，查看原文内容请购买。
自适应滤波器的设计与实现毕业论文首先，我们来介绍一下自适应滤波器的基本原理。
自适应滤波器的核心思想是根据当前输入信号和期望输出信号的差异来调整滤波器的参数。
它能够根据输入信号的动态变化来适应不同的环境和应用需求，提高滤波器的性能。
自适应滤波器的设计与实现主要包括以下几个方面的内容：首先是自适应滤波器的模型建立。
在设计自适应滤波器之前，我们需要建立一个合理的数学模型来描述输入信号和输出信号之间的关系。
常用的自适应滤波器模型包括LMS（最小均方）模型、RLS（递推最小二乘）模型等。
其次是自适应滤波器的性能评估准则。
在设计自适应滤波器的时候，我们需要选择一种度量标准来评估滤波器的性能，以便进行参数的优化。
常用的性能评估准则包括均方误差、信噪比、误差平均值等。
第三是自适应滤波器的参数估计算法。
根据所选定的性能评估准则，我们需要设计相应的参数估计算法来优化滤波器的参数。
常用的参数估计算法包括LMS算法、RLS算法、Newton算法等。
最后是自适应滤波器的实现与优化。
自适应滤波器通常是通过数字信号处理器（DSP）或者专用的ASIC芯片来实现的。
在实际应用中，我们需要对自适应滤波器的计算复杂度进行优化，以提高滤波器的实时性和性能。
综上所述，自适应滤波器的设计与实现是一个非常复杂且具有挑战性的任务。
它需要深入理解信号处理的基本原理，并结合实际应用需求进行合理设计。
通过本文的介绍，相信读者对自适应滤波器的设计与实现会有更深入的理解，为进一步研究和应用自适应滤波器提供了有价值的参考。
自适应滤波器的设计与实现1. 系统建模与参数估计：首先需要对待处理的信号和滤波器进行建模，可以使用线性波段信号模型或者非线性模型。
然后通过参数估计算法，如最小均方差（least mean squares，LMS）算法或最小均方（recursive least squares，RLS）算法，估计滤波器的参数。
2.误差计算与权重调整：根据实际输出和期望输出的差异，计算滤波器的误差。
在LMS算法中，通过误差梯度下降的方法，对滤波器的权重进行调整，使误差最小化。
在RLS算法中，通过计算误差协方差矩阵的逆矩阵，更新滤波器的权重。
3.收敛判据：为了使自适应滤波器能够收敛到期望的滤波效果，需要设置适当的收敛判据。
常用的收敛判据包括均方误差的变化率、权重变化率等。
当收敛判据满足一定条件时，认为滤波器已经收敛，可以停止调整权重。
4.实时更新：自适应滤波器通常需要在实时系统中应用，因此需要实现数据流的处理和滤波参数的更新。
可以使用中断或循环运行的方式，根据实时输入信号，计算滤波输出，并更新滤波器的参数。
在自适应滤波器实现的过程中，还需要考虑一些问题，例如滤波器的稳定性、收敛速度、选择合适的算法和参数等。
稳定性是指滤波器的输出是否会发散或发生振荡，可以通过控制步长和增加限制条件等方式来保证滤波器的稳定性。
收敛速度可以通过选择合适的学习因子或更新参数等方式来提高。
总结起来，自适应滤波器的设计与实现需要进行系统建模、参数估计、误差计算与权重调整、收敛判据的设置以及实时更新等步骤。
同时需要考虑滤波器的稳定性和收敛速度等问题。
随着数字信号处理和控制技术的不断发展，自适应滤波器在实际应用中发挥着重要的作用，具有广阔的应用前景。
滤波器设计中的自适应高斯滤波器在滤波器设计中，自适应高斯滤波器是一种常用的滤波器类型。
它的设计理念是基于高斯分布的特性来对信号进行滤波，以提取出所需的信息。
本文将介绍自适应高斯滤波器的原理、设计方法以及应用领域。
一、自适应高斯滤波器的原理自适应高斯滤波器是一种非线性滤波器，其原理是基于高斯函数的卷积操作。
高斯函数是一种常见的数学函数，具有平滑的特性。
在信号处理中，如果信号中存在噪声或者干扰，可以使用高斯滤波器来降低这些干扰的影响。
自适应高斯滤波器的特点是在滤波过程中可以自动调整滤波器参数，以适应不同的信号特性。
这是通过计算信号的局部统计特征来实现的。
通过对信号局部统计特性的分析，可以确定适合该信号的高斯滤波器参数，从而实现自适应滤波。
二、自适应高斯滤波器的设计方法设计自适应高斯滤波器需要确定以下几个关键参数：1. 高斯函数的标准差（sigma）：标准差决定了高斯曲线的宽度，也与滤波器的频率响应有关。
一般情况下，标准差越大，滤波器的频率响应越宽，能够更好地保留信号中的细节信息。
2. 滤波器窗口大小（window size）：窗口大小决定了滤波器的局部范围。
通常情况下，窗口大小应该足够大，能够包含足够多的信号点，以准确地计算出信号的局部统计特性。
3. 自适应参数（adaptive parameter）：自适应参数用于调整滤波器参数的权重。
通过对信号局部统计特性的分析，可以确定相应的自适应参数，以实现对不同信号特性的适应。
根据以上参数，可以使用以下步骤进行自适应高斯滤波器的设计：1. 首先，确定滤波器的窗口大小。
一般情况下，窗口大小应该足够大，能够包含足够多的信号点。
2. 然后，计算信号在窗口内的局部统计特性，例如均值和方差。
3. 根据信号的局部统计特性，计算适合该信号的高斯滤波器参数，例如标准差。
4. 使用计算得到的高斯滤波器参数，对信号进行滤波操作。
5. 重复步骤2到步骤4，直到对整个信号进行滤波。
自适应滤波器的设计与实现毕业论文语句要清晰准确，请根据题目要求完成毕业论文，望投稿者仔细核实内容摘要自适应滤波器是一种最先进的信号处理器。
它通过调整滤波器的参数，使滤波器自动根据环境和信号的变化作出反应。
在本文中，我们研究和实现了一个自适应滤波器。
这个滤波器基于频域信号处理和经典的自适应滤波器方法，如空间卡尔曼滤波和抗谐波滤波。
首先，我们建立了一个基于频率响应的模型，用于描述滤波器的传输函数。
其次，我们使用空间卡尔曼滤波器和抗谐波滤波器来估计和控制滤波器的参数。
最后，我们使用Matlab实现了这个自适应滤波器，并验证了它的可靠性和有效性。
关键词：自适应滤波器；空间卡尔曼滤波；抗谐波滤波；Matlab1 IntroductionAdaptive filtering is an important research area in signal processing. It has wide applications in many fields, such as noise suppression [1], blind source separation [2], and echo cancellation [3]. Traditional filtering techniques, such as low-pass filtering, require an operator to manually configure filter settings to achieve desirable effects. With adaptive filtering,a filter can adjust its parameters to achieve desirable effects automatically.In this paper, we study and implement an adaptive filter. This filter is based on frequency-domain signal processing andclassic adaptive filtering methods, such as Kalman filtering and harmonic suppression filtering. First, we build a model based on frequency response to describe the filter’s transf er function. Second, we use Kalman filtering and harmonic suppressionfiltering to estimate and control the filter’s parameters. Finally, we implement this adaptive filter using Matlab and validate its reliability and effectiveness.The rest of this paper is organized as follows. Section 2 introduces the background of this paper. In Section 3, we describe the model of the filter we used. Section 4 presents details of the Kalman filtering and harmonic suppression filtering. The implementation and results of the filter are discussed in Sections 5 and 6. Finally, conclusions and future work are presented in Section 7.2 Background。
自适应滤波器设计分析自适应滤波器是一种能够根据输入信号动态调整滤波器参数的滤波器，可以用于信号处理、通信系统、自适应控制等领域。
其主要思想是根据输入信号与期望输出信号之间的差异来调整滤波器的参数，从而实现对输入信号的有效滤波，提高信号质量和系统性能。
1.自适应滤波器的原理：自适应滤波器的原理是基于自适应信号处理的基本思想，即通过不断调整滤波器参数来使得滤波器的输出与期望输出之间的差异最小化。
常见的自适应滤波器算法有最小均方误差（LMS）算法、最小二乘（LS）算法、递归最小二乘（RLS）算法等。
2.自适应滤波器的性能指标：自适应滤波器的性能可以通过误差信号的均方误差来评价，即滤波器输出与期望输出之间的误差的二次平均值。
此外，自适应滤波器的收敛速度也是一个重要的性能指标，即滤波器能够多快地调整到最佳参数值。
3.自适应滤波器的应用：自适应滤波器可以应用于很多领域，比如智能手机中的降噪算法、语音识别系统中的语音增强算法、智能监控系统中的运动检测算法等。
不同应用场景下，自适应滤波器的设计方法和参数设置也会有所不同。
4.自适应滤波器的设计步骤：自适应滤波器的设计一般可以分为以下几个步骤：首先，确定输入信号和期望输出信号；然后，选择适当的自适应滤波器算法和滤波器结构；接着，初始化滤波器参数，并根据输入信号和期望输出信号来不断调整滤波器参数；最后，检验滤波器的性能，并根据需要进行调整和改进。
5.自适应滤波器的优缺点：自适应滤波器的优点是可以根据输入信号的变化来自动调整滤波器参数，从而适应不同的信号环境和系统要求；缺点是需要大量的计算和存储资源，对处理速度要求高，同时，滤波器的性能也会受到系统误差、信号相关性等因素的影响。
在自适应滤波器设计分析中，需要结合具体的应用场景和需求来选择合适的自适应滤波器算法和参数设置，并进行性能评估和调优。
同时，还需要考虑实际系统的计算和存储资源限制，以及对处理速度和滤波器性能的要求。
数字信号处理中的自适应降噪算法自适应降噪算法在数字信号处理领域中起着重要的作用。
它能够有效地降低信号中的噪声干扰，提高信号的质量和可靠性。
本文将介绍自适应降噪算法的基本原理和常见的应用。
一、自适应降噪算法的原理自适应降噪算法是一种基于统计模型的信号处理技术。
它通过根据信号的特性自动调整滤波器参数，从而实现对噪声的自适应抑制。
其基本原理可以概括为以下几个步骤：1. 估计噪声的统计特性：通过对输入信号进行采样和分析，估计出噪声的统计特性，如均值和方差等。
这些估计值将作为后续步骤中滤波器参数的参考。
2. 估计信号与噪声的相关性：通过对输入信号和噪声进行相关性分析，确定它们之间的关系。
这一步骤有助于进一步准确估计信号和噪声的功率谱密度。
3. 自适应滤波器参数的调整：根据估计的噪声统计特性和信号与噪声的相关性，调整滤波器的参数。
通常，自适应滤波器采用最小均方误差（MMSE）准则来优化参数的选择。
4. 实时滤波处理：根据调整后的滤波器参数对输入信号进行滤波处理，抑制噪声成分。
通过循环迭代，不断更新滤波器参数，以适应信号的动态变化。
二、自适应降噪算法的应用自适应降噪算法在语音信号处理、图像处理、无线通信等领域有着广泛的应用。
以下是其中几个常见的应用场景：1. 语音信号处理：在通信系统中，语音信号常常受到环境噪声的影响，导致语音质量差。
自适应降噪算法可以对语音信号进行实时处理，降低环境噪声的影响，提高语音的清晰度和可懂度。
2. 音频信号处理：音频信号常常包含各种噪声，如电源噪声、信号线干扰等。
自适应降噪算法可以分析音频信号的特性，准确估计噪声的统计特性，并通过滤波处理去除噪声，提高音频的音质和还原度。
3. 图像处理：在数字图像处理中，常常会受到图像采集设备、传输通道等因素的影响，导致图像产生噪点、模糊等问题。
自适应降噪算法可以通过对图像进行分析和建模，准确估计图像中的噪声，并对图像进行滤波处理，提高图像的质量和清晰度。
自适应中值滤波器的实现与在图像降噪中的应用滤波器被广泛地用于图象的预处理,抑制图象噪声,增强对比度,以及强化图象的边沿特征.运用较为广泛的线性滤波器如平均值滤波器,能较好地抑制图象中的加性噪声. 但是,线性滤波器会引起图象的钝化或模糊,使得图象中物体边界产生位移. 特别是,在图象受到乘性噪声或脉冲噪声的干扰,如超声波及雷达成像中普遍存在的斑点噪声,线性滤波器就不能取得预期的效果.中值滤波器，就像其名字一样，是用该像素的相邻像素的灰度中值来代替该像素的值，是一种非线性滤波器。
例如滤波窗口由3×3 个象素组成,则其中5个象素的灰度值会小于等于该滤波器的输出灰度值,同时5 个象素的灰度值会大于等于滤波器的输出. 由此可见,对于离散的脉冲噪声,当其出现的次数小于窗口尺寸的一半时,将被抑制掉同时也能较好地保证图象的边沿特征,而且易于实现. 因此它被广泛地应用于图象处理,尤其是医学图象处理,如超声波图象.但由于其使用的滤窗大小是固定不变的,当窗中噪声像素数超过有用像素之半时（噪声密度较大时）,中值滤波滤波作用大大降低。
多次试验验证:在脉冲噪声强度大于0.2时,中值滤波效果就显得不是令人满意。
而本文介绍的自适应中值滤波器会根据一定的设定条件改变滤窗的大小,即当噪声面积较大时,通过增加滤窗的大小将噪声予以去除,同时当判断滤窗中心的像素不是噪声时,不改变其当前像素值,即不用中值代替。
这样,自适应中值滤波器可以处理噪声概率更大的脉冲噪声,同时在平滑非脉冲噪声图像时能够更好地保持图像细节,这是传统中值滤波器做不到的。
文中首先介绍了自适应中值滤波器的原理，随后分析了实现的关键技术，并给出了程序代码，最后与传统中值滤波进行了试验比较,试验结果验证了自适应中值滤波器的有效性和实用性。
2．自适应中值滤波器的原理介绍及实现技术2.1 算法原理介绍自适应中值滤波器的滤波方式和传统的中值滤波器一样,都使用一个矩形区域的窗口Sxy ,不同的是在滤波过程中,自适应滤波器会根据一定的设定条件改变,即增加滤窗的大小,同时当判断滤窗中心的像素是噪声时,该值用中值代替,否则不改变其当前像素值,这样用滤波器的输出来替代像素(x,y) 处(即目前滤窗中心的坐标的值。
自适应滤波算法与实现自适应滤波算法的核心思想是根据信号自身的特性来调整滤波器的参数。
与传统的固定滤波器相比，自适应滤波器具有更好的性能。
传统的固定滤波器使用事先设定好的参数，无法根据信号的实际情况进行动态调整。
而自适应滤波器可以通过学习信号的统计特性或者通过递推算法来根据实时信号进行参数调整，从而达到更好的滤波效果。
1.信号预处理：首先需要对原始信号进行预处理。
这可能包括去除噪声、增强信号的特征等。
预处理的目的是为了减少滤波器的计算量和提高滤波器的性能。
2.确定滤波器的参数：根据信号的统计特性或者其他方法，确定滤波器的参数。
这些参数决定了滤波器的性能和适应性。
常见的参数包括滤波器的系数、窗口大小等。
3.信号分析：对信号进行分析，获取信号的特征。
这些特征可用于确定滤波器的参数和调整滤波器的性能。
4.定义滤波器函数：根据滤波器的参数和信号的特征，定义自适应滤波器函数。
这个函数可以根据输入信号和滤波器参数计算出滤波后的信号。
5.滤波器更新：根据滤波器的适应性算法，不断更新滤波器的参数。
这可以通过学习信号的统计特性或者通过递推算法来实现。
6.滤波器应用：将自适应滤波器应用于实时信号。
这可以通过实时输入信号和滤波器函数来实现。
自适应滤波算法的实现有多种方法。
其中最常见的是LMS（最小均方）算法和RLS（递归最小二乘）算法。
LMS算法是一种递推算法，通过迭代计算权值更新；RLS算法则是一种递推回归算法，通过计算滤波器的逆矩阵来更新权值。
总结起来，自适应滤波算法是一种根据信号自身特性调整滤波器参数的算法。
它的实现可以分为信号预处理、确定滤波器参数、信号分析、定义滤波器函数、滤波器更新和滤波器应用等步骤。
常用的实现方法包括LMS算法和RLS算法。
自适应滤波算法在信号处理和图像处理中具有广泛应用，能够提高滤波效果和减少计算量。
数字降噪耳机中自适应滤波器的设计实现
1 引言
降噪耳机是降噪技术的一个重要应用。
我国的降噪技术研究始于 80 年代初期，采用的手段主要有三种，其中的动态降噪技术(DNR)又可以分为模拟动态降噪技术和数字动态降噪技术。
目前国内外解决噪声问题最普遍的方法是采用模拟动态降噪技术，数字降噪技术的研究尚处于初期阶段。
数字降噪技术比模拟降噪技术具有更大的优点。
模拟降噪技术全采用硬件实施，修改和调试十分困难，对元器件参数的变化也很敏感，技术指标受元器件的误差影响较大，降噪效果不稳定，不利于产品的批量生产。
而数字降噪技术由于采用计算机技术实现自适应滤波，通过修改软件算法就可以达到不同的降噪效果，不用更改硬件结构，调试和维修都非常方便；数字降噪技术采用自适应滤波技术，可以实时跟踪噪声的变化进一步进行处理，因此降噪效果较好。
另外，数字降噪技术抗干扰能力强，本身具有自恢复能力，并且在整个音频带内降噪比较均衡，而模拟降噪技术偏重于低频段，高频段效果较差。
因此降噪技术未来的发展方向是数字降噪技术，以数字信号处理(DSP)及其相关算法为技术支撑的数字降噪技术代表着当今降噪技术的发展。
目前市场上的降噪耳机产品主要是模拟降噪耳机，数字降噪耳机只有日本 SONY 公司开发的一款产品，因此数字降噪耳机的设计在国内属于领先技术。
数字降噪耳机的系统原理是通过数字降噪耳机中的麦克风装置直接检测出噪声信号和音频信号的混合信号，然后将混合信号通过DSP 数字降噪模块进行噪声分离并产生降噪信号来抵消噪声，因此人耳就可以只听到较纯净的音频信号而不受环境噪声的干扰。
本文采用最小均方误差(LMS)算法，实现了数字降噪DSP 中消除噪声的模块自适应滤波器的设计，介绍了其在MATLAB 中Simulink建模及仿真输出，并通过程序实现了设计。
2 自适应滤波器设计原理和结构
数字降噪耳机中 DSP 数字降噪模块是通过自适应滤波器来实现的，自适应滤波器具有跟踪信号和噪声变化的能力，滤波器的特性也随信号和噪声的变化而变化，以达到最优滤波效果。
自适应滤波器可以利用前一时刻获得的滤波器系数，自动地调节滤波器参数，以适应信号和噪声位置的统计特性，从而实现最优滤波。
自适应滤波器的研究始于20 世纪50 年代末，是关于信号处理方法和技术的滤波器。
自适应滤波器能够得到比较好的滤波性能，当输入信号的统计特性变化时，自适应滤波器能够自动的迭代调节自身的滤波器参数，以满足某种准则的要求，从而实现最优滤波。
自适应滤波器的特性变化是由自适应算法通过调整滤波器的系数实现的。
所以，自适应滤波器一般都由两部分组成：一是参数可调的数字滤波器结构，它是为完成期望的处理功能而设计；二是自适应算法，它调节滤波器系数以改进性能。
自适应滤波器结构图。
图1：自适应滤波器结构图一般形式
图 1 中，噪声信号通过参数可调的滤波器后产生输出信号y(n)，d (n)表示期望信号，由音频信号和噪声混合组成，y(n)与期望信号d (n)进行比较，得到误差信号e(n)。
e(n) 和噪声通过自适应算法对滤波器的参数进行调整，使自适应滤波器输出效果达到最好。
重复上面过程，滤波器逐渐了解到关于输入信号和噪声的统计规律，并以此为根据自动调整自己的参数，从而达到最佳的滤波效果。
一旦输入信号的统计规律发生了变化，滤波器能够自动跟踪输入信号的变化，自动调整滤波器的参数，最终达到滤波效果，实现自适应过程。
当噪声信号和混有噪声的音频信号通过自适应滤波器之后，可以将环境中的噪声分离出来，并且自适应跟踪环境噪声变化，进而产生降噪信号从而实现噪声消除。
3 自适应算法
自适应滤波器除包括按照某种结构设计的数字滤波器外，还有一套自适应的算法。
自适应算法是根据某种判断来设计滤波器的，其目标是使某一特定的函数最小化。
自适应算法的种类很多，根据其优化准则的不同可分为两类最基本的算法：最小均方误差(LMS)算法和递推最小二乘(RLS)算法。
本文采用最常用的著名的最小均方误差算法，即LMS 算法，这是由Widrow 和Hoff 提出的，是一种易于实现、性能稳健、应用广泛的算法，其目标是通过调整系数，使输出误差序列的均方值最小化，并且根据这个判据来修改权系数。
LMS 滤波算法写成矩阵的形式为：
式中，W(n)为n 时刻自适应滤波器的权矢量；，N 为自适应滤波器的阶数； X(n)为n 时刻自适应滤波器的参考输入矢量，由最近N 个信号采样值构成，。
d (n)是期望的输出值；e(n)为自适应滤波器的输出误差调节信号(简称失调信号)；μ 是控制自适应速度与稳定性的增益常数，又叫收敛因子或步长因子。
4 MATLAB 建模及仿真分析
数字降噪耳机可以在很多场合将音频信号中包含的外界环境噪声进行噪声消除。
一个标准音频信号往往包含着许多外界环境中的噪音，而由于噪音的随机性和不可预测性，使得所期望得到的信号不再是周期性的标准信号。
使用LMS 算法的自适应滤波器能够自适应的进行信号分离，分离出信号中的噪声成分，然后对其反相产生抵消噪声的降噪信号与噪声信号对消，以达到去掉噪声的目的。
下面用MATLAB 中的Simulink 工具对数字降噪耳机中DSP 降噪模块自适应滤波器进行建模并仿真。
在建模过程中为了确保噪声的相关性，首先让噪声通过了一个低通FIR 滤波器，然后再将其与标准音频信号混合输入到LMS 自适应滤波器中，MATLAB/Simulink 仿真模型中标准音频信号采用频率0.05Hz 的正弦波，噪声信号为随机信号。
MATLAB/Simulink 仿真模型。
将噪声信号及音频信号输入到数字降噪自适应滤波器之后将产生输出信号和降噪信号，输出信号为自适应的跟踪音频信号，而降噪信号就可以把环境中的噪声信号抵消掉，人的耳朵接收到的信号则变成较纯净的音频信号。
图 2 Simulink 中自适应滤波器仿真
让Simulink 仿真模型运行后，显示结果，通过仿真结果可知自适应滤波器在数字降噪技术应用中对噪声的消除效果非常好，通过自适应的调整滤波器参数，慢慢使降噪误差逐渐减小。
表明了数字降噪技术比模拟降噪技术具有很大的优势，降噪效果更加明显。
3(a)输入信号与输出信号波形
图3(b)噪声信号与降噪信号波形
5 数字降噪自适应滤波器的程序实现
在数字降噪技术研究中，一般用到数字信号处理器(DSP)进行开发研究，而在设计过程中将模型应用到DSP 之前，先将模型应用MATLAB 语言编写m 文件，然后再进一步转换成DSP 所需要的C 语言或汇编语言程序。
本文分别给出了LMS 算法迭代运算部分的MATLAB语言m 文件程序及DSP 开发工具件visualdsp++中的LMS 算法C 序。
MATLAB 语言m 文件LMS 算法部分程序：
6 结论
本文论述了数字降噪技术比模拟降噪技术的优势以及数字降噪技术的典型应用数字降噪耳机的设计。
文中简单介绍了数字降噪耳机降噪模块自适应滤波器设计的原理，自适应LMS 算法。
并且利用MATLAB 中Simulink 工具建立了LMS 自适应噪声消除的模型，实现了数字降噪耳机DSP 降噪模块实现噪声消除功能的自适应滤波器的设计，对其进行了MATLAB 语言程序的编写以及C 预言程序的编写。
仿真结果表明，此设计达到了很好的效果，后期可以实
现了数字降噪耳机的功能设计，弥补了模拟降噪耳机设计中的不足，使降噪技术的发展又上了一个新的台阶。
本文所设计的数字降噪耳机用到的DSP 芯片将采用中科院微电子研究所研发的“同心DSP 芯片”，该芯片为国家科技部“863”超大规模集成电路设计重大专项《32 位高性能嵌入式数字信号处理器（DSP）芯片设计与实现》重点科研项目（“同心1 号”嵌入式DSP 芯片）。
利用本设计开发的产品实现产业化之后预期年产值达到1亿元，年利润达到1000 万元，并且逐年递增。
