本發(fā)明涉及一種基于連續(xù)混合P范數(shù)的子帶結(jié)構(gòu)回聲消除方法，屬于通信中的回聲消除
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：自適應(yīng)信號(hào)處理作為信息技術(shù)的重要分支，在通信領(lǐng)域得到廣泛的應(yīng)用。而在通訊領(lǐng)域中，回聲消除是一個(gè)頗具關(guān)注度和挑戰(zhàn)性的熱點(diǎn)。聲音在封閉空間中經(jīng)過多次反射會(huì)形成回聲，由于傳輸介質(zhì)中阻抗不匹配也會(huì)在信號(hào)傳輸中形成回聲。通信回聲可以通過系統(tǒng)辨識(shí)模型來消除：所辨識(shí)系統(tǒng)為回聲信道，系統(tǒng)辨識(shí)的輸出為回聲信號(hào)的估計(jì)，通過含回聲信號(hào)的語音信號(hào)與回聲信號(hào)的估計(jì)相減便可實(shí)現(xiàn)回聲的消除，這就是自適應(yīng)回聲消除器的原理。歸一化最小均方算法(NLMS)作為經(jīng)典算法而得到廣泛應(yīng)用，原因在于這種算法具有較低計(jì)算復(fù)雜度和容易實(shí)現(xiàn)的優(yōu)點(diǎn)。然而當(dāng)輸入信號(hào)具有較高的相關(guān)度時(shí)，NLMS算法的性能就會(huì)變的很差。為此，針對(duì)相關(guān)輸入信號(hào)，KongA.Lee提出了歸一化子帶自適應(yīng)濾波器算法(K.A.LeeandW.S.Gan,“ImprovingconvergenceoftheNLMSalgorithmusingconstrainedsubbandupdates,”IEEESignalProcess.Lett.,vol.11,no.9,pp.736–739,Sep.2004)，簡(jiǎn)稱為NSAF法，該算法是基于拉格朗日乘子法推導(dǎo)的，子帶結(jié)構(gòu)具有降低相關(guān)度的功能，相關(guān)輸入信號(hào)經(jīng)過子帶結(jié)構(gòu)之后可以近似得到高斯白色信號(hào)，因此該算法能夠獲得快速的收斂性以及較低的穩(wěn)態(tài)失調(diào)。然而，在我們實(shí)際生活中，一些回聲信道存在沖擊噪聲這類的情況。如果用上述所提及的NLMS和NSAF算法來進(jìn)行回聲消除，效果并不理想，原因在于這兩種算法并不能適應(yīng)沖擊噪聲的環(huán)境。為此，HadiZayyani提出了一種變步長(zhǎng)的連續(xù)混合P范數(shù)自適應(yīng)算法(H.Zayyani,“Continuousmixedp-normadaptivealgorithmforsystemidentification,”IEEESignalProcess.Lett.,vol.21,no.9,pp.1108–1110,2014)，簡(jiǎn)記為VSS-CMPN。該算法雖然對(duì)產(chǎn)生沖擊噪聲時(shí)具有較好的效果，但是當(dāng)沖擊噪聲消失后、具有較高相關(guān)度的遠(yuǎn)端信號(hào)，VSS-CMPN算法的性能又會(huì)變差。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的就是提供一種基于連續(xù)混合P范數(shù)的子帶結(jié)構(gòu)回聲消除方法，該方法具有良好的魯棒性，它在輸入具有較高相關(guān)度以及沖擊噪聲的情況下，均能獲得較快的收斂速度和較低的穩(wěn)態(tài)失調(diào)。本發(fā)明實(shí)現(xiàn)其發(fā)明目的所采用的技術(shù)方案是，一種基于連續(xù)混合P范數(shù)的子帶結(jié)構(gòu)回聲消除方法，其步驟如下：基于連續(xù)混合P范數(shù)的子帶結(jié)構(gòu)回聲消除方法，其步驟如下：A、信號(hào)采樣將遠(yuǎn)端傳來的遠(yuǎn)端信號(hào)采樣得到當(dāng)前時(shí)刻n的輸入信號(hào)序列U(n)＝[u(n),u(n-1),…,u(1)]，對(duì)近端的麥克風(fēng)信號(hào)采樣得到當(dāng)前時(shí)刻n帶有回聲的期望信號(hào)序列D(n)＝[d(n),d(n-1),…,d(1)]；B、信號(hào)分割將步驟A中得到的輸入信號(hào)序列U(n)通過分析濾波器組分割成I個(gè)當(dāng)前時(shí)刻n的子帶輸入信號(hào)序列Ui(n)，同時(shí)將期望信號(hào)序列D(n)通過分析濾波器組分割成I個(gè)子帶期望信號(hào)序列Di(n)；其中i為子帶輸入信號(hào)序列Ui(n)或子帶期望信號(hào)序列Di(n)的序號(hào)，i＝1,2，…,I；I的取值為2，4，8；C、子帶信號(hào)抽取對(duì)步驟B中得到的子帶輸入信號(hào)序列Ui(n)每隔I個(gè)采樣時(shí)刻進(jìn)行抽取，得到當(dāng)前時(shí)刻n的子帶輸入信號(hào)抽取序列Ui(k)＝[ui(k),ui(k-1),…,ui(1)]；對(duì)子帶期望信號(hào)序列Di(n)，每隔I個(gè)采樣時(shí)刻進(jìn)行抽取得到當(dāng)前時(shí)刻n的子帶期望信號(hào)抽取序列Di(k)＝[di(k),di(k-1),…,di(1)]；其中k代表抽取時(shí)段序號(hào)，k＝n/I；D、輸入向量構(gòu)成將子帶輸入信號(hào)抽取序列Ui(k)中的前M個(gè)元素組成當(dāng)前時(shí)刻n的輸入向量M代表自適應(yīng)濾波器抽頭長(zhǎng)度；M的取值為64，128，256，512；E、回聲信號(hào)消除將步驟D中的子帶輸入向量通過FIR濾波器得到子帶輸出信號(hào)yi(k)，其中w(k)＝[w1(k)w2(k),…,wM(k)]T為kI時(shí)刻的自適應(yīng)濾波器的抽頭權(quán)向量，其初始值為零向量，上標(biāo)T表示轉(zhuǎn)置；再用步驟C中的子帶期望信號(hào)抽取序列Di(k)＝[di(k),di(k-1),…,di(1)]中的第一個(gè)子帶期望信號(hào)di(k)減去子帶輸出信號(hào)yi(k)，得到當(dāng)前時(shí)刻n的子帶誤差信號(hào)ei(k)，即ei(k)＝di(k)-yi(k)；E、更新濾波器抽頭權(quán)系數(shù)E1、計(jì)算FIR濾波器的子帶誤差信號(hào)影響因子γi(k)，其中，|·|表示取絕對(duì)值運(yùn)算，ln|·|表示自然對(duì)數(shù)運(yùn)算；E2、更新k+1時(shí)刻的FIR濾波器抽頭權(quán)向量，更新公式如下：其中sign[·]表示符號(hào)函數(shù)，μ表示FIR濾波器的固定步長(zhǎng)，其取值范圍為0.01～0.1，表示歐幾里得范數(shù)；F、令k＝k+1，重復(fù)步驟A、B、C、D、E，直至通話結(jié)束。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：一、收斂速度快，穩(wěn)態(tài)誤差小本發(fā)明將子帶誤差信號(hào)的連續(xù)混合P范數(shù)構(gòu)成的積分函數(shù)作為一種新的步長(zhǎng)(濾波器抽頭權(quán)向量更新速度)影響因子γi(k)。因此本發(fā)明本質(zhì)上屬于變步長(zhǎng)一類的方法。每個(gè)子帶都有各自對(duì)應(yīng)的步長(zhǎng)影響因子γi(k)，且該步長(zhǎng)依賴于當(dāng)前時(shí)刻對(duì)應(yīng)的子帶誤差ei(k)；當(dāng)子帶誤差較大時(shí)，該算法會(huì)獲得較大的步長(zhǎng)，濾波器抽頭權(quán)向量更新速度更快，從而獲得較快的收斂速度；當(dāng)子帶誤差較小時(shí)，該算法就會(huì)獲得較小的步長(zhǎng)，從而獲得較低的穩(wěn)態(tài)失調(diào)。和VSS-CMPN算法相比，本發(fā)明在初始階段能夠收斂快速，而在穩(wěn)態(tài)階段能夠放緩收斂速度，從而降低穩(wěn)態(tài)失調(diào)。二、魯棒性強(qiáng)本發(fā)明的權(quán)向量更新公式中含有符號(hào)函數(shù)式這一項(xiàng)，而符號(hào)函數(shù)具有良好的抗沖擊噪聲的能力，在算法的更新過程中，符號(hào)函數(shù)的抗沖擊能力可以有效保證算法的穩(wěn)定性。因此與傳統(tǒng)的NLMS和NSAF算法相比，本發(fā)明具有較強(qiáng)的抗沖擊噪聲能力?？傊景l(fā)明在輸入具有較高相關(guān)度以及沖擊噪聲的情況下，均能獲得較快的收斂速度和較低的穩(wěn)態(tài)失調(diào)。附圖說明圖1是在含沖擊噪聲環(huán)境下，NLMS算法、NSAF算法、VSS-CMPN算法和本發(fā)明的歸一化穩(wěn)態(tài)失調(diào)曲線。具體實(shí)施方式下面詳細(xì)說明本發(fā)明在實(shí)際應(yīng)用中的實(shí)現(xiàn)步驟。實(shí)施例本發(fā)明的一種具體實(shí)施方式是，基于連續(xù)混合P范數(shù)的子帶結(jié)構(gòu)回聲消除方法，其步驟如下：A、信號(hào)采樣將遠(yuǎn)端傳來的遠(yuǎn)端信號(hào)采樣得到當(dāng)前時(shí)刻n的輸入信號(hào)序列U(n)＝[u(n),u(n-1),…,u(1)]，對(duì)近端的麥克風(fēng)信號(hào)采樣得到當(dāng)前時(shí)刻n帶有回聲的期望信號(hào)序列D(n)＝[d(n),d(n-1),…,d(1)]；B、信號(hào)分割將步驟A中得到的輸入信號(hào)序列U(n)通過分析濾波器組分割成I個(gè)當(dāng)前時(shí)刻n的子帶輸入信號(hào)序列Ui(n)，同時(shí)將期望信號(hào)序列D(n)通過分析濾波器組分割成I個(gè)子帶期望信號(hào)序列Di(n)；其中i為子帶輸入信號(hào)序列Ui(n)或子帶期望信號(hào)序列Di(n)的序號(hào)，i＝1,2，…,I；I的取值為2，4，8；C、子帶信號(hào)抽取對(duì)步驟B中得到的子帶輸入信號(hào)序列Ui(n)每隔I個(gè)采樣時(shí)刻進(jìn)行抽取，得到當(dāng)前時(shí)刻n的子帶輸入信號(hào)抽取序列Ui(k)＝[ui(k),ui(k-1),…,ui(1)]；對(duì)子帶期望信號(hào)序列Di(n)，每隔I個(gè)采樣時(shí)刻進(jìn)行抽取得到當(dāng)前時(shí)刻n的子帶期望信號(hào)抽取序列Di(k)＝[di(k),di(k-1),…,di(1)]；其中k代表抽取時(shí)段序號(hào)，k＝n/I；D、輸入向量構(gòu)成將子帶輸入信號(hào)抽取序列Ui(k)中的前M個(gè)元素組成當(dāng)前時(shí)刻n的輸入向量M代表自適應(yīng)濾波器抽頭長(zhǎng)度；M的取值為64，128，256，512；E、回聲信號(hào)消除將步驟D中的子帶輸入向量通過FIR濾波器得到子帶輸出信號(hào)yi(k)，其中w(k)＝[w1(k)w2(k),…,wM(k)]T為kI時(shí)刻的自適應(yīng)濾波器的抽頭權(quán)向量，其初始值為零向量，上標(biāo)T表示轉(zhuǎn)置；再用步驟C中的子帶期望信號(hào)抽取序列Di(k)＝[di(k),di(k-1),…,di(1)]中的第一個(gè)子帶期望信號(hào)di(k)減去子帶輸出信號(hào)yi(k)，得到當(dāng)前時(shí)刻n的子帶誤差信號(hào)ei(k)，即ei(k)＝di(k)-yi(k)；E、更新濾波器抽頭權(quán)系數(shù)E1、計(jì)算FIR濾波器的子帶誤差信號(hào)影響因子γi(k)，其中，|·|表示取絕對(duì)值運(yùn)算，ln|·|表示自然對(duì)數(shù)運(yùn)算；E2、更新k+1時(shí)刻的FIR濾波器抽頭權(quán)向量，更新公式如下：其中sign[·]表示符號(hào)函數(shù)，μ表示FIR濾波器的固定步長(zhǎng)，其取值范圍為0.01～0.1，表示歐幾里得范數(shù)；F、令k＝k+1，重復(fù)步驟A、B、C、D、E，直至通話結(jié)束。仿真實(shí)驗(yàn)為了驗(yàn)證基于連續(xù)混合P范數(shù)的子帶結(jié)構(gòu)回聲消除方法的有效性，我們進(jìn)行了仿真實(shí)驗(yàn)，并與NLMS算法、NSAF算法以及VSS-CMPN算法做了性能對(duì)比。仿真實(shí)驗(yàn)中自適應(yīng)濾波器抽頭長(zhǎng)度M為512，遠(yuǎn)端的輸入信號(hào)采用四階自回歸(AR(4))信號(hào)，在房間為長(zhǎng)6.25m，寬3.75m，高2.5m，溫度20℃，濕度50％的安靜密閉房間內(nèi)，將接收到的遠(yuǎn)端信號(hào)經(jīng)揚(yáng)聲器播放后，在房間中用麥克風(fēng)按采樣頻率為8000Hz，取出100000時(shí)刻點(diǎn)的近端信號(hào)d(n)，回聲信道中沖擊噪聲產(chǎn)生形式z(k)＝q(k)h(k)，其中q(k)是白色高斯序列，h(k)表示一個(gè)概率質(zhì)量函數(shù)為P(q)＝1-Pr的伯努利過程，Pr表示沖擊噪聲發(fā)生的概率，仿真實(shí)驗(yàn)中Pr取值0.001，實(shí)驗(yàn)中各算法的參數(shù)具體取值如下表。各算法仿真實(shí)驗(yàn)的參數(shù)NLMSμ＝0.6NSAFμ＝0.02,I＝4VSS-CMPNμ＝0.00005本發(fā)明μ＝0.02,I＝4仿真結(jié)果通過獨(dú)立運(yùn)行50次平均得到。圖1是NLMS算法、NSAF算法、VSS-CMPN算法和本發(fā)明的歸一化權(quán)值均方誤差仿真結(jié)果。從圖1中可以看出在沖擊噪聲環(huán)境下，NLMS算法和NSAF算法性能變得很差，二者的歸一化穩(wěn)態(tài)失調(diào)高達(dá)-5dB,VSS-CMPN算法的收斂速度和穩(wěn)態(tài)失調(diào)有所改善，但其歸一化穩(wěn)態(tài)失調(diào)仍在-20dB以上，而本發(fā)明的收斂速度不低于這三種算法，但是其歸一化穩(wěn)態(tài)失調(diào)大幅降低，僅為-33dB左右。當(dāng)前第1頁1 2 3