基于经验模态分解的子带自适应声学回声消除算法

基于经验模态分解的子带自适应声学回声消除算法李娜;陆晓明;陈盛云【摘要】在语音通信中,声学回声消除技术用于消除扬声器与麦克风之间耦合产生的回声干扰.在声学回声抵消系统的实现过程中,可以通过子带技术来提高系统的性能,并减小算法本身的运算量.常见的子带算法多是基于组合滤波器、小波变换实现的.本文基于经验模态分解提出一种新的自适应回声消除算法EMD-APNLMS,它克服了基于组合滤波器算法收敛慢的缺点以及基于小波变换算法需要选择小波基的问题.计算机仿真结果表明,该算法实现了回声的消除,收敛速率较快,非常适用回声这种非平稳信号的处理.【期刊名称】《三峡大学学报（自然科学版）》【年(卷),期】2010(032)003【总页数】5页(P85-89)【关键词】回声消除;自适应算法;经验模态分解【作者】李娜;陆晓明;陈盛云【作者单位】昆明理工大学,信息与自动化学院,昆明,650051;昆明理工大学,信息与自动化学院,昆明,650051;昆明理工大学,信息与自动化学院,昆明,650051【正文语种】中文【中图分类】TP202+.719世纪70年代至今,通信领域发生了翻天覆地的变化.传输方式上由最初的无线电报发展到后来的电话网,再到如今的移动通信网络；传输媒介由最初的无线电波,发展到同轴电缆,甚至光纤；交换技术也从电路交换的方式发展为现在的分组交换.人们在享受通信带来的便捷生活时,也一直受到回声现象的困扰,对于回声消除的研究一直以来都是科学家和技术家们探讨的课题.随着无线电话的广泛应用以及无线运营商之间的竞争,话音传输质量和客户服务成为用户评价运营商网络的关键因素.因此看来,对回声消除进行研究不仅具有理论意义,还能产生巨大的经济效益.在学术研究上,国内外很多大学和研究机构都致力于自适应算法和滤波器结构的研究,并取得了很多成果.其中子带自适应滤波是当前研究的一个热点[1-2].Hallack[3]等人验证了子带方法应用在回声消除中较之全带方法能减少计算量、提高收敛速率；向赛辉[4]等人基于组合滤波器提出的组合算法实现两路回声的消除,合理分配了有限的资源；作者[5]基于小波变换提出的WL-APNLMS算法提高了收敛速率,计算复杂度较低.但是上述算法各有缺点,基于组合滤波器的组合算法收敛速率较慢,而基于小波变换的WL-APNLMS算法又要面临选择小波基的问题.近年来经验模态分解（EMD）已被引入自适应滤波器[6-7],EMD先对自适应滤波器的输入进行正交变换[8],减小了自适应滤波器输入向量自相关阵特征值的分散程度,大大增加了算法的收敛步长,提高收敛速度.较之于小波变换,EMD是一种采用自适应基的时频局部化分析方法,克服了小波变换需要选择小波基的问题.信号经EMD分解后每个IMF所包含的频率成分不仅与采样率有关,而且更为重要的是它还随着信号本身的变化而变化.因此,EMD是一种自适应的时频局部化分析方法,比小波变换更适用于回声这种非平稳信号的处理[9].1 声学回声的产生及其消除原理1.1 声学回声的产生声学回声是由于扬声器与麦克风之间的耦合形成的,如图1所示.在无线电话,有线电话,以及扬声器电话的免提设备中都会出现声学回声.这些问题是由低质量的手机、周围环境中的回声（例如在汽车、旅馆或工厂中）或者电话听筒串话造成的.甚至高质量的手机也会出现声学回声,因为话音信号会通过用户的脸颊反射回麦克风. 图1 声学回声的产生1.2 声学回声消除原理声学回声消除的原理如图2所示,图中的回声估计器和加法器是自适应滤波器的两个组成部分.h为回声路径的单位脉冲响应向量,输入信号x（n）在传输过程中产生回声信号d（n）为图2 声学回声消除的原理y（n）是模拟回声路径产生的回声信号,其表达式为式中,x（n）=[x（n）,x（n-1）,x（n-2）,…,x（n-M+1）]T表示n时刻的输入信号矢量,由最近M个信号采样值构成,w（n）=[w0（n）,w1（n）,…,wM-1（n）]T表示n时刻自适应滤波器的系数矢量估值.模拟的回声信号y（n）与真实的回声信号d（n）之差记为e（n）:若自适应滤波器的单位脉冲响应向量h能很好地模拟回声通道的传递函数时,残留的回声信号e（n）就能达到最小,此时的声学回声就被抵消了.2 子带自适应滤波2.1 子带自适应滤波因为语音信号是相关性很强的信号,很多实践证明用NLMS算法进行回声消除时,收敛速率较慢[10],而基于子带自适应滤波器的回声消除器设计则成为当前解决声学回声消除问题的主流方向.子带自适应滤波器的原理是将输入信号被滤波器组划分成若干个子带,这些子带具有不同的频段[11],最后的误差信号是各个子带的回声误差信号的累加.图3是子带自适应滤波器的结构图.图3 子带自适应滤波器的结构图如图 3所示,H0、H1、…、HM-1构成子带分析滤波器组；G0、G1、…、GM-1构成子带合成滤波器组；F0、F1、…、FM-1构成自适应滤波器组；子带的个数为M,抽取因子为D,D＜M.子带自适应滤波相对于全带自适应滤波的好处有以下几点:（1）在各个子带的自适应滤波过程中,滤波器长度是减少的,这使得子带滤波比全带滤波具有更大的计算效率.（2）由于在子带内语音信号的谱动态范围减少了,因而子带滤波将获得更大的收敛速率.（3）这种独立的结构使得所有的子带处理都能够并行实现,使系统性能更优.基于以上所提出的优点,本文提出的新算法也采用子带自适应滤波器用于消除回声.2.2 基于组合滤器的组合算法[4]该算法将语音信号分成5个频率段,H0（n）部分包含0～1000 Hz,H1（n）部分包含 1000～2000 Hz,H2（n）部分包含2000～3000Hz,H3（n）部分包含3000～ 4000 Hz,H4（n）部分包含 4000～ 8000 Hz,分段进行自适应回声消除,结构中用到3个分析滤波器组,在每个滤波器组的每个通道中进行了抽样,并在两路回声路径中分别加入了40dB的噪声,结构框图如图4所示.图4 基于组合滤波器的组合算法的结构图2.3 基于小波变换的WL-APNLMS算法[5]将输入信号进行小波分解重构成低频（a5）和高频（d1～ d5）部分,再对 a5、d5 、d4 应用 APA 算法,而针对相对而言的高频部分d3、d2、d1则使用NLMS 算法.最后将处理后的不同频段的信号相加即可得最终处理的结果.该算法的总体设计图如图5所示.2.4 仿真结果回声抵消效果一般采用回声返回衰减增益（ERLE）来评价[12],其定义如下:图5 基于小波变换的WL-APNLMS算法在回声消除中的总体设计ERLE值越大,则表明e（n）越小,回声抵消效果越好,收敛快,一般要求ERLE＞6dB. （1）输入信号波形.本文所采用的输入信号是用音频软件cool edit截取的一段wav格式的语音信号.信号长度N=5000,其波形如图6所示.图6 输入的语音信号（2）组合算法、WL-APNLMS 、NLMS 、FAP 算法收敛速率的比较.仿真中,回声路径用式（5）脉冲响应来模拟,其中长度L=64,r（n）为幅度在-0.5～0.5之间均匀分布的随机向量,其值为rand（L,1）-0.5.针对图6中的输入信号分别采用组合算法、NLMS、FAP算法,得到 ERLE曲线如图7所示.从图7可以看出,组合算法的收敛速率虽然已经达到了FAP算法的收敛速率,但较之WL-APNLMS算法则速率较低.WL-APNLMS算法虽然收敛速率较快,但它面临选择小波基的麻烦.这是因为小波分析是通过选择小波基进行分解的,其分解结果与所选的小波基密切相关.经验模态分解是一种采用自适应基的方法,可以避免选择小波基的麻烦,因此基于经验模态分解的自适应算法具有一定的优势.图7 组合算法、NLMS、FAP算法 ERLE性能比较3 基于经验模态分解的自适应算法（EMD-APNLMS）3.1 新算法（EMD-APNLMS）在回声消除中的总体设计如图8所示,将输入信号进行EMD分解为低频c1（n）、c2（n）、c3（n）、c4（n）、c5（n）、c6（n）和高频 c7（n）、c8（n）、c9（n）、c10（n）、c11（n）、res（n）部分.信号的频率高,采样率则低,导致采样点数少,算法的计算量就少.反之,信号的频率低,采样率则高,采样点数就多,计算量则大.为了降低算法的计算复杂度,本文对于不同的频段子带信号采用不同的自适应算法.为此,对于计算量少的较高频信号c1（n）、c2（n）、c3（n）、c4（n）、c5（n）、c6（n）采用计算复杂但收敛快的APA算法；对于计算量多的较高频信号c7（n）、c8（n）、c9（n）、c10（n）、c11（n）、res（n）采用计算简单但收敛慢的NLMS算法.那么整个处理过程中相对单独使用APA、NLMS算法,计算量较低.图8 新算法（EMD-APNLMS）在回声消除中的总体设计3.2 仿真结果（1）将图6中的语音信号用经验模态分解.如图9 所示 .其中c1（n）、c2（n）、c3（n）、c4（n）、c5（n）、c6（n）频率较高,c7（n）、c8（n）、c9（n）、c10（n）、c11（n）、res（n）频率较低.图9 经验模态分解信号（2）EMD-APNLMS算法的ERLE特性.根据结构图图 8,对 c1（n）、c2（n）、c3（n）、c4（n）、c5（n）、c6（n）子带信号采用APA 算法；对c7（n）、c8（n）、c9（n）、c10（n）、c11（n）、res（n）子带信号采用 APA 算法.其中抽样因子D=8.仿真结果如图10所示.图10 EMD-APNLMS算法ERLE性能（3）EMD-APNLMS、WL-APNLMS 、组合算法的ERLE特性比较,仿真结果如图11所示.由此可见,提出的EMD-APNLMS算法的收敛速率在0～1500时刻快于WL-APNLMS算法,1500时刻以后,与WL-APNLMS算法相当,又避免了 WL-APNLMS算法选择小波基的麻烦；新算法的收敛速率高于组合算法,克服了组合算法收敛较慢的缺点.图11 EMD-APNLMS、WL-APNLMS、组合算法的ERLE特性比较4 结语基于经验模态分解（EMD）的子带自适应滤波算法-EMD-APNLMS,实现了回声的良好消除,克服了NLMS遇到语音信号收敛速率慢的缺点,体现了子带滤波算法的优势.该算法较之组合算法有更好的收敛速率,并且该算法克服了WL-APNLMS算法选择小波函数的麻烦.参考文献:[1]M ayyas T,Aboulnasr T.A Fast Exact Weighted Subband Adaptive Algorithm and Its Application to Mono and Stereo Acoustic Echo Cancellation[J].Journal of The Franklin Institute,2005,342:235-253.[2]Myllyla V.Residual Echo Filter for Enhanced Acoustic EchoControl[J].Signal Processing,2006,86:1193-1205.[3]Hallack F S,Petraglia M R.Performance Comparison of Adaptive Algorithms Applied to Acoustic Echo Canceling[C].IEEE International Symposium on Industrial Electronics,2003（2）:1147-1150.[4]向赛辉.电话会议系统中多路回声消除理论与应用研究[D].昆明:昆明理工大学,2008:12.[5]李娜,陈盛云,马涛.一种新的基于小波变换的自适应算法在声学回声消除中的应用[J].四川师范大学学报:自然科学版,2009,32（1）:32-34.[6]孔国杰,张培林,徐龙堂等.基于经验模态分解的自适应滤波算法及其应用[J].信号处理,2009,25（6）:958-962.[7]钱勇,黄成军,戚伟.基于经验模态分解的自适应滤波算法在局部放电窄带干扰抑制中的应用[J].继电器,2006,34（22）:27-31.[8]万建.基于HHT语音识别技术研究[D].哈尔滨:哈尔滨工程大学,2006.[9]徐双,刘增力,丁锐.基于希尔伯特黄变换方法的非平稳信号仿真与分析[J].昆明理工大学学报:理工版,2009,34（1）:108-112.[10]Breining C,Drescitcl P,Hansler E,et al.Acoustic Echo Control:An Application of Very-High-Order Adaptive Filters[M].IEEE Signal Processing Magazine,1999:42-69.[11]Sheila S,Hemami,Robert M.Gray.Subband Filters Optimized for Lost Coefficient Reconstroction[J].IEEE Trans on Signal Processing,1997,45（3）:10-14.[12]Gansler T,Gays L,Sondhi M,et al.Doubletalk Robust Fast Converging Algorithms for Network Echo Cancellation[J].IEEE Trans.On Speech and Audio Processing,2000,8（6）:656-663.。

自适应回声消除算法的仿真研究乐彦杰;陈隆道;祁才君【摘要】介绍几种自适应回声消除算法:NLMS,PNLMS,PNLMSDU,IPNLMS,MPNLMS,并在Matlab环境下进行了仿真比较.采用高斯噪声作为输入,分别在回声路径稀疏、回声路径中等稀疏、回声路径完全非稀疏的条件下进行仿真.仿真结果表明,PNLMS算法是针对稀疏回声路径的有效快速算法,MPNLMS算法做了进一步的优化.IPNLMS算法和PNLMSDU算法融合了NLMS算法和PNLMS算法的优点,既保证有较快的初始收敛速度,又保证后阶段收敛速度不明显下降.【期刊名称】《电声技术》【年(卷),期】2012(036)002【总页数】6页(P67-71,74)【关键词】回声消除;NLMS;PNLMS;PNLMSDU;IPNLMS;MPNLMS【作者】乐彦杰;陈隆道;祁才君【作者单位】浙江大学电气工程学院,浙江杭州310027;浙江大学电气工程学院,浙江杭州310027;浙江大学电气工程学院,浙江杭州310027【正文语种】中文【中图分类】TN9111 引言在语音传输业务中广泛存在回声消除问题。

目前，自适应滤波是解决回声消除问题的最有效方法。

回声消除的基本思想是:用自适应FIR滤波去估计回声路径脉冲响应h，产生回声估计信号(n)，与真实的回声y(n)相互抵消，即可实现回声抵消［1－2］。

由Widrow和Hoff提出的LMS算法［3］在回声消除领域被广泛运用，它具有结构简单，性能稳定，计算复杂度低，易于硬件实现的优点。

但是，当信号相关性较大时，LMS算法的收敛性很差，稳定性不如NLMS算法［4］。

当回声路径脉冲响应稀疏时，PNLMS算法的初始收敛速度快于NLMS算法［5］。

PNLMS算法的优点是初始阶段的收敛速度较快，但是经过该阶段后，收敛速度明显减慢，甚至不如NLMS算法。

PNLMSDU 算法［6］、CPNLMS 算法［7］结合了NLMS算法和PNLMS算法的优点，既保证有较快的初始收敛速度，又保证初始阶段后的收敛速度不明显下降，一定程度上克服PNLMS算法的缺点。

针对回声消除应用的自适应算法评价标准研究文昊翔;乐彦杰【摘要】为确定一种较优的自适应算法评价标准,以回声消除应用为背景,对残余噪声(RN)、回声返回损耗(ERL)与失调(MIS)3种评价标准进行比较分析.指出RN、ERL只考虑残余噪声功率,忽略了自适应算法的辨识精度,当残余噪声存在频域起伏等缺陷时,RN、ERL无法反映该缺陷,并以子带分解算法为例对各评价标准进行系统仿真.结果表明失调可有效反映子带分解算法辨识精度低的缺陷.最后提出与RN、ERL相比较,失调应为更严谨的评价标准.%Three evaluation standards for adaptive algorithm, Residual Noise (RN), Echo Return Loss (ERL) and Misalignment (MIS) were studied theoretically to ascertain a positive one. RN and ERL were found to be disadvantageous since they only focused on the residual noise power instead of identification precision. Consequently, they could not reflect the serious defect of spectral peaks concealed in residual echo. Then various standards were simulated with sub-band adaptive algorithm. The simulation result demonstrated that MIS could effectively reveal the low identification precision of sub-band adaptive algorithm. Compared with RN and ERL, MIS was found to be a rigorous evaluation standard.【期刊名称】《韶关学院学报》【年(卷),期】2015(036)010【总页数】5页(P21-25)【关键词】自适应算法;评价标准;残余噪声;回声返回损耗;失调【作者】文昊翔;乐彦杰【作者单位】韶关学院物理与机电工程学院,广东韶关 512005;国网浙江省电力公司舟山供电公司,浙江舟山 316021【正文语种】中文【中图分类】TM714通信回声现象严重影响通话质量,应在通信设备中内置回声消除（EchoCance11ation,EC）系统以抑制回声能量,提高通信质量［1］.通信回声的产生和消除原理为∶远端语音信号X（k）与回声路径Wo卷积,卷积结果受近端噪声v（k）干扰,形成回声信号d（k）［2］.为消除d（k）,用滤波器W （k）.通过自适应算法辨识回声路径Wo,以X（k）与W（k）的卷积结果作为d （k）的估计值,两者相减以抑制回声能量［3］.EC系统的核心是自适应算法.EC系统的实现可归纳为自适应理论中的系统辨识问题.为提高EC系统的效率,对自适应算法进行改进后,必然要对新算法的性能,如收敛速度与辨识精度进行评价.现有的评价标准主要有残余噪声（Residua1Noise,RN）［4］、回声返回损耗（Echo Return Loss,ERL）［5］与失调（Misa1ignment,MIS）［6］等.利用不同的标准对自适应算法进行评价的结果往往存在矛盾之处,多种标准并存的现状为自适应算法的评价引入极大的混乱.以归一化子带自适应算法（Norma1ized subband adaPtive fi1ters,NSAF）为例,讨论RN、ERL与失调3种评价标准［7］.NSAF算法在严格抽取条件下,其残余噪声在频域将出现较大的起伏；从人听觉角度,频域起伏的噪声即为令人生厌的音乐噪声［8］；从自适应算法角度,则表现为滤波器未能精确辨识回声路径.通过理论研究与实验仿真,得出结论∶RN,ERL只以EC系统最后的残余噪声输出功率作为评价标准,忽略了自适应滤波器的辨识精度,未能发现NSAF算法导致音乐噪声的严重缺陷.与RN、ERL相比较,失调应为更严格的自适应算法评价指标.自适应算法的评价标准主要有RN,ERL与失调.以dB为单位,3者分别定义如下∶式（3）的为求取向量的二次范数.由式（1）、（2）得,RN、ERL主要以EC系统残余噪声功率作为评价标准；由式（3）得,失调主要以滤波器辨识目标系统的精度为评价标准.式（1）～（3）中的k表示迭代次数.以k为自变量,绘制评价标准随迭代次数的变化关系,可得自适应算法的收敛曲线.因残余噪声包含大量随机噪声,使得根据RN,ERL绘制的收敛曲线受随机噪声干扰,难以分辨自适应算法的收敛速度与稳态失调.因此需使e2（k）、d2（k）通过一个低通滤波器,滤除宽频噪声干扰,获得e （k）、d（k）的功率估计最后式（1）、（2）分别修正为∶用于获得功率估计的低通滤波器,若截止频率设置过高将导致无法有效滤除宽频噪声中的高频分量；截止频率设置过低将导致功率估计精度下降,不能灵敏反映功率变化.实际应用中常用的功率估计低通滤波器有1/（0.99＋0.01Z-1）与N点求平均（N为滤波器长度）［9］.失调曲线本身已足够平滑,无需经过低通滤波器处理.以NSAF为例能清晰地反映RN,ERL、失调3种评价标准的优劣,此处先简要介绍NSAF算法.NSAF的核心思想是利用子带分解［9］,通过滤波器组将输入信号、期望信号在频域进行分割,形成子带信号,然后自适应算法在子带进行.最后子带信号通过重构滤波器组合成为期望信号的估计值.子带分解原理为［10］∶输入信号先通过分解滤波器组Hi（Z）（0<i<M-1）在频域进行分解,然后在时域进行降采样,形成子带信号yi（k）.对子带信号yi（k）进行自适应算法,处理后的子带信号通过重构滤波器组Gi（Z）合成,最后形成重构信号.理想的子带分解滤波器组,是在频域对信号进行M等分.当输入信号为有色噪声或强相关的语音信号时,每个子带的信号频谱比初始的全频段信号更接近高斯白噪声,因此理论上可提高自适应算法收敛速度.分解、重构滤波器组的设计方法主要是先设计一个线性相位的低通原型滤波器.然后对原型滤波器进行余弦调制,扩展为分解、重构滤波器组［11］.设原型滤波器冲激响应序列为f（n）（0<n<N,N为序列长度）,序列f（n）的Z变换形式记为F（Z）.当子带个数M＝2时,分解滤波器组H0（Z）、H1（Z）与重构滤波器组G0（Z）、G1（Z）的Z变换公式分别如下［12］∶当M＞2时,常用余弦调制设计滤波器组.记第i频段的分解滤波器组冲激响应序列为hi（n）,重构滤波器组为gi（n）,则其计算公式如下［13］∶当子带个数与降采样间隔相等时称为严格抽取（Critica1 SamP1ing）.此时既可无失真地重构输入信号,且抽取后的信号与原输入信号数据量相等,无信息冗余.本文仅针对严格抽取条件进行研究.将子带分解与自适应算法相结合,有NSAF算法提出.NSAF算法的原理见图1.其系数更新方程为∶式（10）的μ为全局收敛步长,取值范围为0<μ<2.本节以Mat1ab对归一化最小均方（Norma1ized Least Mean Square,NLMS）算法与NSAF算法（M＝2、M＝8）进行仿真,比较RN、ERL、失调3种评价标准的有效性.NLMS算法的系数更新方程为∶式（11）的δ为正则化参数,取δ＝0；μN为NLMS算法的收敛步长,NSAF与NLMS算法的收敛步长均设为μ＝μN＝0.5.对于NSAF算法,当M＝2、M＝8时,原型滤波器冲激响应序列分别为［0.009 387 15,-0.070 651 83, 0.069 428 27,0.489 980 8,0.489 980 8,0.069 428 27,-0.070 651 83,0.009 387 15］［14］、［0,0,0,0,0,0.018 4, 0.032 9,0.051 3,0.070 4,0.085 4,0.094 0,0.097 9,0.099 6,0.099 6,0.097 9,0.094 0,0.085 4,0.0704,0.051 3, 0.032 9,0.018 4,0,0,0,0,0］［15］.EC系统参数设置如下∶回声路径Wo已知,长度为512.激励信号X（k）为一段真实语音信号,采样频率8k Hz,平均功率（k）＝0.565.X（k）与Wo的卷积作为回声信号y（k）,功率约为（k）＝0.002 1,以高斯白噪声模拟背景噪声v（k）,y （k）、v（k）信噪比为SNR＝20 dB.各算法的滤波器长度均为N＝512.3.1 算法残余噪声频谱分析子带分解算法的主要缺陷是EC系统的残余回声存在令人生厌的音乐噪声现象,严重影响降噪效果.因子带分解算法存在明显缺陷,在实现EC系统时,使用NLMS比使用子带分解算法更普遍.音乐噪声产生的原因是信号在频域存在起伏.对于子带分解算法,输入信号必须通过分解滤波器组Hi （Z）分为不同频段的子带信号.因滤波器组通带与阻带间不可避免存在过渡带,两个相邻的滤波器,其过渡带存在重叠部分,该重叠部分将导致输入信号经过分解、重构后在频域存在起伏.通过改进滤波器组或原型滤波器的设计并不能避免该缺陷,改进的唯一方法是减小子带信号重采样的间隔［16］,但又将导致数据量与计算复杂度的大幅增加.3种算法收敛后残余噪声功率（k）的频谱图见图2～图4.频域起伏的峰谷数量与子带分解数成正比.子带分解数量越多,音乐噪声特征越明显.当M＝2时用户已能觉察到音乐噪声,但尚能忍受.当M＝8时受音乐噪声干扰,通信已无法继续进行.3.2 评价标准研究计算RN、ERL时使e2（k）、d2（k）通过1/（0.99＋0.01Z-1）低通滤波器获得功率估计σ2 e（k）、σ2 d（k）.三种算法的RN、ERL、失调随时间变化关系见图5～图7.为更清晰地显示3种指标的特点,图中的横坐标量程不一致.由3图可得,根据不同标准,各算法性能按优劣排序并不一致.以RN作为评价标准（见图5）,无论是收敛速度还是稳态失调,均有NSAF（M＝8）优于NSAF（M＝2）优于NLMS.以ERL为评价标准（见图6）,有NSAF（M＝8）与NSAF（M＝2）性能相似,二者优于NLMS算法.以失调为标准（见图7）,则评价更为复杂,NSAF（M＝8、M＝2）前期收敛速度明显快于NLMS,但收敛后NSAF的稳态失调高于NLMS.残余噪声在频域存在起伏,其时域表现则为自适应滤波器未能精确辨识回声路径.失调作为评价标准,可灵敏地反映NSAF辨识精度低的缺陷,而RN、ERL仅以残余噪声输出功率作为评价标准,未能反映NSAF算法辨识精度低的缺陷.综合上述,与RN、ERL相比,失调应为更严谨的自适应算法评价标准,原因有3个方面.（1）失调以滤波器与回声路径向量差的二次范数为评价标准,因多点求和,无需引入低通滤波器,可避免由此额外引入的误差.（2）因自适应滤波器与回声路径误差部分峰谷相互抵消,在滤波器尚未精确辨识系统前,误差信号e（k）已先行收敛,图5～7的横坐标充分表明该特点.用于反映自适应算法所处的收敛状态时,RN、ERL并不是严谨的评价标准.（3）在自适应算法辨识精度极低的条件下,算法仍可获得较低的残余噪声功率.对于RN、ERL,低的残余噪声功率掩盖了算法辨识精度低的现象,导致未能发现音乐噪声等严重降低通信质量的缺陷,而失调则能敏锐地捕捉到该缺陷.使用失调作为自适应算法评价标准的主要实现难点是需要获得回声路径的先验信息,而在EC系统的实际应用时,是无法获得回声路径的.但在进行算法仿真时,回声路径通常是已知的,此时可用失调作为标准,更严格地评估算法的性能.本文介绍3种自适应算法的评价标准RN、ERL、失调.并以NSAF算法与NLMS 算法为例比较3种评价标准.因RN、ERL只注重残余噪声功率,而低的残余噪声功率掩盖自适应滤波器辨识精度低的缺陷,导致RN、ERL无法发现音乐噪声等严重影响通信质量的现象.失调的计算方式为滤波器向量与回声路径向量之差的二次范数,以辨识精度作为评价指标,与RN、ERL相比,失调应为更严谨的自适应算法评价标准.【相关文献】［1］文昊翔,陈隆道,蔡忠法.解相关仿射投影算法及应用［J］.浙江大学学报∶工学版,2014,48（1）∶136-140.［2］徐茂.基于IPNLMS算法的回声抵消器的设计［J］.电声技术,2014,38（6）∶35-43. ［3］TogamiM,Kawaguchi Y.Simu1taneous OPtimization of Acoustic Echo Reduction,SPeech Dereverberation,and Noise Reduction againstMutua1Interference ［J］.IEEE Transactions on Audio,SPeech and Language Processing,2014,22（11）∶1612-1623.［4］Shimauchi S,Ohmuro H.Accurate adaPtive fi1tering in square-root Hann windowed short-time fourier transform domain［C］. 2014 IEEE Internationa1Conference on Acoustic,SPeech and Signa1Processing,2014∶1305-1309.［5］Contan C,ToPa M.Variab1e steP size adaPtive non1inear echo cance11er［C］.2012 10th Internationa1SymPosium on E1ectronics and Te1ecommunications,2012∶267-270. ［6］Bekrani M,Khong A W H,Lotfizad M.A 1inear neura1 network-based aPProach to stereoPhonic acoustic echo cance11ation［J］. IEEE Transactions on Audio,SPeech and Language Processing,2011,19（6）∶1743-1753.［7］倪锦根,商慧亮,李锋.归一化子带自适应滤波器步长控制［J］.电子与信息学报,2009,31（11）∶2606-2609.［8］Gi11oire A.ExPerimentswith sub-band acoustic echo cance11ers forte1econferencing［C］.1987 IEEE Internationa1Conference on Acoustic,SPeech and Signa1Processing,1987∶2141-2144.［9］Nesta F,Wada T S,Biing-Hwang J.Batch-on1ine Semi-B1ind source seParationaPP1ied to mu1ti-channe1 acoustic echo cance11ation［J］.IEEE Transactions onAudio,SPeech and Language Processing,2011,19（3）∶583-599.［10］王侠,梁瑞宇,王青云,等.应用于助听器反馈抑制系统的变步长归一化子带自适应滤波算法［J］.东南大学学报：自然科学版, 2015,45（3）∶417-422.［11］赵越,越晓军,董婧.基于子带分解的自适应回声抵消算法［J］.吉林大学学报∶工学报,2009,39（1）∶198-203.［12］谭方青,张天骐,黄烈超,等.基于QPSO的两通道正交镜像滤波器组的优化设计［J］.计算机应用研究,2011,28（9）∶3432-3442.［13］赵艳,罗胜恩,万坚.余弦调制子带滤波器组迭代设计的改进算法［J］.数据采集与处理,2013,28（1）∶110-116.［14］Johnston J.A fi1ter fami1y designed foruse in quadraturemirror fi1ter banks ［C］.1980 IEEE Internationa1Conferenceon Acoustic, SPeech andSigna1Processing,1980∶291-294.［15］Yuan-Pei L,Vaidyanathan P P.Linear Phase cosinemodu1ated maxima11y decimated fi1ter banks with Perfect reconstruction ［J］.IEEE Transactions onSigna1Processing,1995,42（11）∶2525-2539.。

注释表注释表AEC Acoustic Echo Cancellation，声学回声消除LMS Least Mean Square，最小均方算法RLS Recursive Least Squares，最小二乘法APA Affine Projection Algorithm，仿射投影算法FIR Finite-Impulsive Response，有限长度冲激响应滤波器WebRTC Web Real-Time Communication，网页实时通信DTD Double Talk Detection，双端讲话检测NCC Normalized Cross-Correlation，归一化互相关算法SS Spectral Subtraction，谱减法MMSE-STSA MMSE Short-Time Spectrum Amplitudes，最小均方误差短时幅度谱估计MMSE-LSA MMSE Log spectral Amplitudes，最小均方误差短时对数幅度谱OMLSA Optimal Modified Log Spectral Amplitude，最优改进的对数幅度谱PNLMS Proportionate Normalized Least Mean Square，比例归一化最小均方算法IPNLMS Improved Proportionate Normalized Least Mean Square，改进比例归一化最小均方MPNLMS mu-law Proportionate Normalized Least Mean Square， 准则比例归一化最小均方算法ZA Zero Attraction，零吸引力BS-LMS Block-sparse LMS，块稀疏最小均方算法SAF Subband Adaptive Filter，子带自适应算法MSAF Multiband Structured SAF，多带结构式自适应滤波器VSSM-NSAF Variable Step Size Matrix- Normalized Subband Adaptive Filter，变步长矩阵多带自适应算法注释表AP-NSSAF Affine Projection Normalized Sign Subband Adaptive Filter，仿射投影归一化符号子带自适应算法P-NSSAF Proportionate Normalized Sign Adaptive Filter，比例归一化子带自适应滤波算法CC Covex Combination，凸组合技术NLMS-SAF Normalized Least Mean Square Subband Adaptive Filter，子带归一化最小均方算法BS-NLMS Block Sparse-Normalization Least Mean Square，块稀疏归一化最小均方算法MCC Maximum Correntropy Criterion，最大相关熵准则SNR Signal-to-Noise Ratio，输入信噪比NMSD Normalized Mean Square Deviation，归一化均方偏差第1章绪论第1章绪论本章首先简单阐述声学回声消除的研究背景与意义。