專利名稱：具有用于最佳適應的卡爾曼濾波器的回聲消除器的制作方法
技術領域：
該發(fā)明涉及一種在電信系統(tǒng)中自適應濾波器類型的回聲消除方法。

背景技術：
在無線電通信系統(tǒng)中，回聲控制是一個重要的問題。在公共交換電話網(wǎng)(PSTN)中，由于阻抗不匹配，回聲常常在四線到兩線的連接處產(chǎn)生。更精確地，在用戶和交換機之間的本地回路使用兩線連接，而交換機之間的連接使用四線。在兩線和四線連接之間地耦合由一種稱之為混合電路的電氣設備形成。理想地，混合電路應該將所有流入信號能量從遠端(遠處的說話者)直接傳送到近的終端。由于是全雙工的連接，當遠端說話者在講話時，近端說話者也必須可能講話。不幸地是，這意味著由于在混合電路中阻抗不匹配，一些來自于遠端的信號能量會被反射回遠端。這些混合電路的數(shù)目是很多的，因此手動調(diào)整它們是不可行的。這種情況是對稱的，即，當近端說話時，在遠端會產(chǎn)生同樣的效果。
在解決回聲消除問題的嘗試中，曾建議使用自適應濾波器，尤其是相應于NLMS算法修改的濾波器。這種算法由于它的相對低的復雜性而吸引人。然而，該算法的一個缺點是它的慢收斂性。
發(fā)明概要
因此，提供一個具有改進的收斂時間和低復雜度的回聲消除方法是該發(fā)明的一個目標。
這樣一種回聲消除方法其特征在于權利要求1的特征，
附圖簡要描述
該發(fā)明以及進一步的目標和它的優(yōu)越之處可以通過參考下面與附圖一起進行的描述而更好地理解。其中


圖1是說明回聲產(chǎn)生過程的方框圖。
圖2是說明用于回聲消除的一種自適應濾波器方法的方框圖。及
圖3是分別相應于以前技術運行的回聲消除濾波器的收斂時間和相應于該發(fā)明運行的回聲消除濾波器收斂時間的比較。
優(yōu)選實施方案的描述
圖1表示說明回聲產(chǎn)生過程的方框圖。說話者A在兩線連接上講話。在混合電路10，這一連接被變換成四線連接，語音被送到四線傳送路徑上的混合電路12，并具有一個由方塊14表示的延遲。在混合電路12的另一邊的兩線連接上，語音到達聽者B。同樣地，來自B的語音將通過一個四線返回路徑到達A，并具有一個由方塊16表示的延遲。然而，由于在混合電路10，12中的阻抗誤匹配，在返回路徑上，A的回聲也被送回給A。
因此，流入信號能量的一部分通常被反射回發(fā)送方。如果回路延遲較短，即小于10-15ms，說話者不能區(qū)別反射信號和來自他/她的終端旁邊的音調(diào)。然而，當回路延遲大于10-15ms，說話者可以辨別來自回路另一端的回聲。感知上，回聲會聽起來令人討厭。如果(回聲)大，它可以使對話實際上不可進行。注意到，在無線電通信系統(tǒng)中，回聲也會由于其它機構產(chǎn)生。例如，在蜂窩電話的免提設備中，回聲由揚聲器和緊鄰的麥克風之間的聲耦合產(chǎn)生。
混合電路是一種動態(tài)電子電路，即，它必須從數(shù)學上被描述為一種動態(tài)系統(tǒng)，這意味著來自混合電路的反射信號也依賴于以前的流入信號。這對于設計象回聲消除器這樣的回聲控制設備具有重要的意義。
圖2說明了適于采用該發(fā)明方法的回聲消除器的基本原理。這種思想是簡單構造一個電路，該電路在當它被來自遠端的信號激勵時，模擬混合電路的特性。因為混合電路可以由一個線性動態(tài)系統(tǒng)來準確描述，回聲消除器被構造成為一個濾波器。出于實際的原因，采用了一種時間離散有限脈沖響應濾波器(FIR)。在電話系統(tǒng)中，采樣率是8kHz。此外，使得濾波器脈沖響應具有64ms的最長持續(xù)時間是很普通的。這對應于濾波器中的512抽頭。
實驗表明，混合電路具有變化很大的脈沖響應。因此，有必要使得回聲消除器的FIR濾波器自適應。這意味著通過一些測量圖2中殘留回聲y(t)-C(t)
(t)的機制來調(diào)整脈沖響應參數(shù)(它等于FIR濾波器的抽頭值)。調(diào)整機制努力調(diào)整FIR濾波器的階數(shù)，使得殘留回聲的方差最小。在下一部分中，描述了一些普通的自適應算法。
自適應濾波，NLMS和卡爾曼濾波
在[2]中詳細描述了自適應濾波算法。這里給出一個簡略的概括。通常通過一個適當?shù)膿p耗函數(shù)的最小化來引入自適應。因此，復習一下最普通的算法即，最陡梯度降落搜索方法和更復雜的二階牛頓法是有意義的。出于該目的，考慮最小化標量函數(shù)V(x)的問題，其中x是一個矢量。
最陡降落方法基于一種思想，這種思想建立一種迭代，其中對所搜尋的最小值的下一次估計等于前一次估計加上在V(x)負梯度方向上的一個小的修正。(朝著最小值下降)。這里給出迭代
(1)
這里，μ是個常數(shù)，n表示迭代次數(shù)。用戶需提供一個適當?shù)拈_始值。
牛頓法可以開始以估計值xn附近的V(x)的泰勒級數(shù)展開式來理解。因此有
(2)
其中，T表示轉置，在最小值情形下，V(x)/x應該等于零。因此，利用近似式(2)來判定下一個估計值使得這一點保持正確。對(2)式微分并使結果等于零，得到(利用2V(x)/x2的對稱性)
(3)
從迭代式中解出xn+1
(4)
這就是牛頓迭代。
注意到，上述V(x)是一個標量，V(x)/x是一個與x維數(shù)相同的矢量。而2V(x)/x2是一個方陣，它的行數(shù)和列數(shù)等于x的維數(shù)((2V(x)/x2|x＝xn)-1可以被看作為常數(shù)標量μ對依賴于時間的矩陣形式的一個產(chǎn)生式)。因此，眾所周知的是
在每一次迭代中，牛頓迭代要比最陡降落法復雜的多。
然而，牛頓迭代卻有一個重要的有利之處
至少在接近最小值時，牛頓法比最陡降落法收斂的快的多。
下一步是應用上述方法來構造自適應FIR濾波算法。出于該目的，必須構造一個損耗函數(shù)。用y(t)來表示混合電路的輸出，用y＾(t，h)來表示自適應FIR濾波器的輸出。這里，t表示離散時間(此后t代替了上述的迭代索引n)。h表示FIR濾波器的輸出依賴于集中在參數(shù)矢量h中的未知的抽頭值hi(將被自適應算法優(yōu)化)。殘留回聲由下式給出
(5)
為了繼續(xù)，需要確定FIR濾波器，它由下式給出。
(6)
(7) C(t)＝(x(t)...x(t-n))
h＝(ho...hn)T
(8)
現(xiàn)在可以構造一個損耗函數(shù)，根據(jù)該函數(shù)可以構造一種最陡降落類型的算法。該算法被稱作為最小均方算法(LMS)。并普遍用于很多應用。該損耗函數(shù)為
(9)
其中，目標是通過最小化誤差ε(t，h)來估計h。
由于最小化應該采用算法(1)?？梢缘玫较率龅?br> (10)
并且，因此有必要計算V(h)的梯度?？梢岳?5)-(8)來完成這一點?？紤]梯度矢量中的第j個元素
(11)
因此，根據(jù)下式更改第j階抽頭值。
(12)
所有抽頭的梯度等式可以被疊加在每一個之上并公式化為下述矢量見(5)-(8)
(13)
這給出下面定義LMS算法的矢量迭代
(14)
應該注意到，在LMS算法中的更改步長是與C(t)和ε(t，h)|h＝h＾(t)的大小成比例的。尤其是，穩(wěn)定性可以被表示為很大程度上依賴于遠端信號x(t)的能量。為了避免這一點，LMS算法通常以輸入信號的能量來歸一化C(t)CT(t)。這給出廣泛使用的歸一化的最小均值平方算法。
(15)
該算法是現(xiàn)在大多數(shù)回聲消除器中應用的技術。
卡爾曼濾波器可以被理解為一種二階牛頓算法的版本。它的導出式是有些復雜的[5]，并且不在次重新推導。為了這一目的，對于附錄中假設A1中給出的模型，說明卡爾曼濾波器由(16)，(17)，(18)給出是充分的。
(16)，
(17)，
(18)
其中，h＾(t)和C(t)連同假設A1一起在附錄中被解釋。R2(t)是來自近端的附加噪聲的方差(例如，背景噪聲)。R1(t)是技術上所謂的系統(tǒng)噪聲，它說明，在抽頭是常數(shù)的假設中，人們可以有多大的自信度。見附錄假設A1中第三個等式。P(0)是P等式的開始值(Riccati等式)。這個量等于抽頭hi的先驗協(xié)方差。所有這些量被假設為至少在時間t是可以知道。
給定p(0)，卡爾曼濾波器以(18)的一次迭代開始。這產(chǎn)生P(1)，然后可計算出K(1)。此后，假設可得到h＾(1)(由于h＾(0)是用戶提供的，K(0)由P(0)得到)，h＾(2)可被計算出。
注意到，如果FIR濾波器采用512抽頭，卡爾曼濾波器P(t)就是一個512*512階的矩陣，這樣與NLMS算法比較，該算法的復雜度是巨大的。但是它最佳快速收斂。這種快速收斂是由于增益矢量K(t)(對每一抽頭可被看作是一個單個的μ)是時變的。這種時變性是針對小的t的，當對估計的抽頭一無所知時，增益高是為了快速地獲得一個粗略的估計。然后增益逐漸減小以獲得高準確性并抑制擾動。
該發(fā)明的目標在于引入卡爾曼濾波器的簡化，將它的計算復雜度降低到相似于NLMS算法復雜度的水平。
注意到計算復雜度的主要來源是Riccati等式(18)。該目標可以按下面實現(xiàn)。
簡化必須被引入到卡爾曼濾波器，使得對所有t，P(t)簡化為一個對角線矩陣。這樣，對于一個512抽頭長度的濾波器，復雜度降低了大約512倍。這些簡化必須以這樣一種方式來完成，就是在簡化了的算法中，至少保留了一些時間最優(yōu)性。
在附錄中簡要給出了這點的具體做法。其結果是具有近似最優(yōu)時變性的塊NLMS類型算法。
這使算法具有
或者如同NLMS算法一樣，對于同樣的回聲抑制具有降低的收斂時間，或者從初始起在相同的的收斂時間上，具有比NLMS算法更高的回聲抑制。
調(diào)整可以根據(jù)有物理意義的量例如回聲功率，回聲波形，階數(shù)和算法塊來計算出的參數(shù)。
后一個特性給出下述該發(fā)明的第二個優(yōu)點
最初，用一小組調(diào)整參數(shù)使該算法收斂。在收斂之后，可得到回聲能量和回聲波形的更準確的估計。然后可得到該算法的新的，改進的調(diào)整，它繼而產(chǎn)生改進的回聲抑制。
導出式的啟發(fā)性解釋
推導是基于[3]和[4]的。在[3]中，介紹了一種塊NLMS算法，其中，每一塊的調(diào)整增益μ之間的關系遵循一種指數(shù)關系。該想法是脈沖響應的早幾抽頭可能比后幾抽頭更大而且更重要。如果對重要的早幾抽頭施加更大的增益，而對不重要的抽頭施加較小的增益，性能就可以改進。對不重要的小抽頭施加較小增益的原因是，否則的話它們對由背景噪聲造成的所謂的誤調(diào)所起的作用與重要的早幾抽頭相等。但是，它們對回聲作用不大，因此它們的等價SNR很低。因此，在模擬來自混合電路的回聲時，它們在信號中的加權(壞信息)應該比較小。
為了繼續(xù)附錄中的描述，首先定義濾波器模型和卡爾曼濾波器的數(shù)量。如同注意到的，對(18)簡化的一個主要障礙是C(t)預先不知道。因此，P(t)不能預先計算出。該思想是為了獲得一個可預先計算的量，在Riccati等式上簡單的進行常規(guī)的統(tǒng)計平均。假設A2和A3表達了實現(xiàn)這一點需要什麼，并產(chǎn)生附錄中的(20)。為了繼續(xù)，需要關于流入遠端信號白化的附加假設(A5)，以及技術假設A4。于是，如果用戶選擇R1(t)并根據(jù)A6和A7選擇了P(0)，正如上面想要作的一樣，Riccati矩陣等式(18)簡化為n標量近似Riccati等式。然而，留下一個問題。精確的Riccati等式總是穩(wěn)定的，并具有一些吸引人的特征[5]。由于附錄中的(22)是近似的，引入了變換和另外的條件以得到精確的(23)。然后，對應于(26)，附錄計算平均卡爾曼增益，并引入歸一化，參照上面關于LMS和NLMS的討論。
之后，附錄給出用于圖2中濾波器18中的詳細的算法(AKFA)，并討論怎樣選取各個參數(shù)以獲得好的性能。首先考慮算法，第一行初始化能量估計和濾波器估計。第二行引入標量Riccati等式的初始化。第三行是流入的遠端信號功率的估計器，該功率是第五行中卡爾曼功率增益的歸一化所必須的?？柭鲆嬗嬎阋残枰恳粋€抽頭不同Riccati等式值。如果需要，這些可以被預先計算并存儲在存儲器中。對應于上面處理的NLMS算法，該算法最后一行描述了濾波器抽頭的更改。
然后剩下選擇α，pi(0)和γi的值。這在算法以下給予解釋，結果是
可以首先根據(jù)先驗假設的最大回聲功率(Power)來判定pi(0)，在算法中的塊的數(shù)目(m)，先驗假設的回聲脈沖響應的包絡波形(power，δ)及濾波器抽頭數(shù)(n)。
然后根據(jù)p1(0)，濾波器抽頭數(shù)及一個穩(wěn)定因子(f1)判定α。
最后，可以根據(jù)另一個穩(wěn)定因子α，濾波器抽頭數(shù)和P1(0)判定γ1。然后根據(jù)判定Pi(0)時計算出的量得出γi。
一個非常重要的觀察結果是所有的調(diào)整參數(shù)可以根據(jù)直接關聯(lián)到的物理量如回聲功率，回聲波形，算法塊，濾波器長度和兩個容易判定的穩(wěn)定因子的量值計算出。這使得上面描述的再優(yōu)化過程可能成為該發(fā)明的一個特別的優(yōu)點。
實驗結果表明，與傳統(tǒng)的NLMS算法相比，確定的抑制水平的建立時間可以減小5倍。圖3表示了分別用于該發(fā)明的NLMS算法和卡爾曼算法的誤差信號建立時間的比較。從圖中可以看到，NLMS算法的誤差在近似15秒后收斂到一個穩(wěn)定不變的狀態(tài)，而相應于該發(fā)明方法的誤差在經(jīng)過近似3秒后收斂到一個穩(wěn)定不變的狀態(tài)(該圖根據(jù)15秒8000Hz采樣的語音獲得，但只表示出了每個第100個誤差)。該例以針對給定回聲抑制的收斂時間的形式來比較NLMS算法和AKFA算法。x(t)是一個零均值白信號，均勻分布且方差為1.00。高斯測量噪聲被加在模擬回聲信號上(由一個實際的回聲沖擊響應產(chǎn)生)。使得y(t)的SNR為10db。NLMS算法使用一個自適應增益0.01954且n＝512。通過利用P功率＝0.25(-60db)，n＝512，m＝16，δ＝0.001，f1＝1，fc＝0.07815及N＝512，AKFA被應用于同樣的數(shù)據(jù)。
另一種方法，保持建立時間不變，回聲抑制可以提高大約7db。
兩種可選方法都可以以計算復雜度的少量百分比增加為代價來實現(xiàn)。
該領域的技術人員會明白，可以不叛離由附加權利要求定義的該發(fā)明的思想和范圍而對該發(fā)明做各種的修正和改變。
附錄
一個在回聲消除方面廣泛討論的問題是回聲消除器的最初收斂時間。這個問題涉及到一個事實，就是傳統(tǒng)的NLMS算法的收斂時間受到回聲產(chǎn)生信號的譜特性和估計FIR濾波器長度的限制。該附錄的目的是獲得具有減小的最初收斂時間的，低復雜度時變矩陣步長的NLMS類型算法。
平均的卡爾曼濾波
用h(t)來表示自適應FIR濾波器的未知參數(shù)矢量，其中t是離散時間?；芈暜a(chǎn)生系統(tǒng)的輸入x(t)被集中到矢量C(t)中。為了模擬濾波器初始化，假設x(t)＝0，t＜0，由y(t)來表示反射回聲的測量值。這些測量值被摻雜了噪聲e(t)。其中e(t)是具有零均值和協(xié)方差E[e(t)e(s)]＝δt，sR2R2＞0的高斯白噪聲。這里E表示期望。該討論是基于描述h(t)的展開的一種隨機移動模型。系統(tǒng)噪聲w(t)被假設為具有零均值及協(xié)方差矩陣E[w(t)wT(s)]＝δt，sR1(t)，R1(t)＞＝0的高斯白噪聲。卡爾曼濾波器的推導因此基于假設
A1回聲產(chǎn)生系統(tǒng)由下式描述h(t)＝(h1(t)...hn(t))T
C(t)＝(x(t-1)...x(t-n))，x(t)＝0，t＜0
h(t)＝h(t-1)+w(t)
y(t)＝C(t)h(t)+e(t)
E[e(t)e(s)]＝δt.sR2，E[w(t)wT(s)]＝δt.sR1(t)現(xiàn)在給出下面的最佳一步預測器
(19)
這里K(t)是根據(jù)Riccati等式[5]計算出的卡爾曼增益。C(t)預先不知道。因此有必要實時迭代全Riccati等式。然而，根據(jù)[4]，如果不同的信號實現(xiàn)之間P(t)的展開沒有太大差別，應該可能以一個對應的集平均來代替P(t)。因此，假設
A2P(t)是一個具有現(xiàn)存集平均E[p(t)]＝P(t)的矩陣值隨機過程。
A3ΔP(t)＝p(t)-P(t)很小。
利用A2計算Riccati等式左邊和右邊的平均值，并如同在[4]中一樣準確地使用A3，給出下面的近似平均等式。
(20)
在[4]中使用了x(t)的常數(shù)系數(shù)特性以進一步簡化(20)。在回聲消除情況中，這一點是不可能的，需要一種新的方法。注意到R1(t)/R2→0意味著當t→∞時，P(t)→0。因此，如果R1(t)/R2很小，要求R2＞＞C(t)P(t)CT(t)是合理的，如下式表示的
A4A4R2＞＞C(t)P(t)CT(t) t.
這將(20)變換為一個期望表達式的分母被簡化為標量R2的等式，該標量R2可以被從期望表達式中提出來。由于獲得了低的計算復雜度，E[CT(t)C(t)]的對角線型的可預計算近似式現(xiàn)在成為優(yōu)選的。這一點由下式保證
A5x(t)是E[X(t)S(t)]＝S(t)δt，sσ2的零均值信號。
這里，S(t)是在t＝0時的單位步長函數(shù)，參照A1。當包括用于預白化和x(t)的偏差補償?shù)难b置時，A5是合理的。這將(20)簡化為
(21)
為了降低復雜度，通過下式，(21)被簡化為一系列的標量Riccati等式。
A6…R1(t)＝diag{ri(t)}i＝1，...，n＝diag{S(t-1)ri}i＝1，...，n.
A7…P(0)＝diag{Pi(0)}i＝1，...，n＝diag{Pi(0)}i＝1，...，n＝P(0).
A6和A7表明P(t)＝diag{Pi(t)}i＝1，…n，.t，其中Pi(t)遵從標量等式
(22)
由于(22)不是Riccati等式，可能不會保持Pi(t)＞0，t。并且(22)會變的不穩(wěn)定。然而，如果(22)中的R2可以由R2+S(t-i)σ2Pi(t)替換，(22)的結構將成為Riccati類型，它將保證穩(wěn)定性及Pi(t)＞0，t[4]。考慮A4。注意到由于P(t)＝diag{Pi(t)}i＝1…n，它保持C(t)P(t)CT(t)＜supi，t|Pi(t)|nσ2。因此，如果R2＞＞supi，t|pi(t)|nσ2，那麼A4為真并且R2＞＞S(t-i)Pi(t)nσ2。在進一步簡化R2＞＞supi，t|Pi(t)nσ2以得到A4’之前，產(chǎn)生的Riccati等式被表示為
(23)
通過注意到當t-＞∞時，(23)有穩(wěn)定不變的解(24)，上面的假設現(xiàn)在可以被進一步的修改
(24)
從(23)也可直接看出，對于t≥i
(25)
因此，Riccati等式(23)的穩(wěn)定性和正值性，連同R2＞＞supi，t|pi(t)|nσ2，(24)和(25)一起促使了為什麼以下式替換A4是合理的。
A4′
現(xiàn)在，平均的卡爾曼增益矢量可以根據(jù)A1而計算出(參照[2]，[4])。利用A2-A4’和(23)得到
(26)
由于涉及到幾個近似，平均的卡爾曼濾波器要求穩(wěn)定性檢查?？梢允褂肔MS分析中的技術來進行這種穩(wěn)定性分析，在LMS分析中，t-＞∞并且得到了(23)的穩(wěn)定不變的解。對于大的t，(24)和(26)給出
(27)
然而，通過利用(24)計算
及LMS穩(wěn)定性理論，產(chǎn)生了條件A8
A8
算法和調(diào)整
通過將R2看作為一個設計變量并根據(jù)(28)選取R2，現(xiàn)在可以得到一種NLMS類型的算法。
(28) R2＝ασ2
如果Nσ2被在線估計，根據(jù)A1，(19)，(23)，(26)可獲得下面NLMS樣的方案
平均的卡爾曼濾波器算法(AKFA)該算法概括為以下各式。
pi(0)＝pi(0)，i＝1，...，n
C(t)＝(x(t-1)...x(t-n))T，x(t)＝0，t＜0
如果需要，Pi(t)可以被預先計算并存儲。對σ2N(t)([]＞ε)的正值檢測防止在卡爾曼增益計算中可能被零除的情況。
現(xiàn)在可以討論pi(0)的選擇。由于沒有關于脈沖響應的詳細的先驗信息，傳統(tǒng)的卡爾曼濾波器理論[5]，和A7表明E[h(0)-1]＝0并且pi(0)＝E[hi2(0)-1]，作為一個例子，作為i的函數(shù)，下面pi(0)的分段常指數(shù)分解式如在[3]中被引入。
(29)
其中m等于分段常數(shù)間隔的數(shù)目。[(I-1)/l]表示(I-1)/l的整數(shù)部分。如果由Power來表示回聲脈沖響應功率的一個先驗上界，它遵循Power等于pi(0)，I＝1.…n的和。將根據(jù)(29)產(chǎn)生的幾何級數(shù)相加并解出β得到
(30)
其中γ可以利用(29)通過確定與抽頭1相比抽頭n的殘留功率來判定。如果該殘留功率由因子確定，它遵循βe-γ(m-1)＝pn(0)＝δp1(0)＝δβ這給出
(31)
通過選擇δ，n，m和Power，相應的Pi(0)可以被計算出。這里有m個不同的Pi(0)值。如果根據(jù)與Pi(0)相同的原則來選取γi這意味著只有m個Riccati等式需要被迭代，見下面。通過注意到如果Pi(0)＝Pi+1(0)且如果γi＝γI+1則Pi+1(t)＝Pi(t-1)來處理乘以S(t-1)的操作。這可以將復雜度從與3n成比例降到與(2n+m)成比例(NLMS算法復雜度為2n)。由于通常n＞＞m，這表示接近50％的降低。考慮到Pi(t)的存儲，在規(guī)定的ROM中，這種降低更大。
現(xiàn)在(28)將第一條件A4’變換為
(32)
其中f1是穩(wěn)定因子。為了判定γi，首先注意到P+i(γI，R2，σ)是γi的單調(diào)遞增函數(shù)。下面的必要條件用于判定允許的γi的范圍，于是根據(jù)A4′，(28)和(29)產(chǎn)生
(33)
由于E[hi(t)-hi(0)]＝tri，通過隨機移動模型A1，γi涉及第I個濾波器抽頭的平均變化率。相應的時間因此是t＝pi(0)/γi。有理由假設對于所有抽頭，pi(0)有同樣的平均漂移時間。且(29)意味著
(34)
穩(wěn)定條件A8也必須滿足。利用(28)來推導A8很簡單。其結果，連同(33)和(34)一起可以被集中在(35)。
(35)
其中f2是一個穩(wěn)定因子。最終結果是
(36)
參考文獻E.Hansler，“免提電話問題——帶注釋的參考書目”，信號處理，vol.27，no.3，pp.259-271，1992.H.Schutze和R.Zen，“快速遞歸最小平方正割自適應算法的數(shù)字特性——一種比較研究”信號處理，vol.27，no.3，pp.317-332，1992。S.Makino，Y.Kaneda和N.Koizumi，“基于一種房間脈沖響應統(tǒng)計的指數(shù)加權步長NLMS自適應濾波器”，IEEETrans.聲學，語音，音頻處理，vol.1，no.1，pp.101-108，1993.L.Lindbom，“衰減移動無線電通道的簡化的卡爾曼估計在LMS計算負載下的高性能”，inProc.ICASSP，Pt.III，pp.352-355，1993.S.Haykin，現(xiàn)代濾波器，Macmillan出版，1989.
權利要求
1.在電信系統(tǒng)中的回聲消除方法，其特征在于用卡爾曼濾波器來消除輸入信號x(t)中所說的回聲，該卡爾曼濾波器有一個與下面矢量成比例的時變卡爾曼增益矢量K(t)
(p1(t)x(t-l)...pn(t)x(t-n))T
其中pi(t)是滿足Riccati等式的對角線矩陣P(t)中的對角線元素。
I表示P(t)的第I個對角元素。
t表示離散時間
n表示濾波器抽頭
T表示轉置
2.權利要求1的方法，其特征在于每一個對角線元素Pi(t)滿足標量Riccati等式，其中γi和α是常數(shù)S(·)是單位步長函數(shù)。
3.權利要求2的方法，其特征在于由對角塊矩陣形成所說的矩陣P(t)，所說的對角元素Pi(t)在每一個塊矩陣中相同。
全文摘要
卡爾曼濾波器被應用來獲得一種快速收斂,低復雜度的回聲(y(t))消除器(18)。一種平均的對角線Riccati等式允許以少量的標量Riccati等式來預先計算或在線計算最佳時變自適應增益K(t)。
文檔編號H03H21/00GK1180460SQ9619307
公開日1998年4月29日 申請日期1996年2月12日 優(yōu)先權日1995年2月15日
發(fā)明者T·維格倫 申請人:艾利森電話股份有限公司