本发明属于自适应滤波降噪领域，尤其涉及一种快速迭代、简化计算复杂度、增强误差跟踪能力的自适应滤波方法。
背景技术：
自适应滤波技术可以用来检测平稳和非平稳信号，具有很强的自学习和跟踪能力，算法简单易于实现。在噪声干扰抵消，线性预测编码，回声抵消，通信均衡，未知系统自适应参数辨识等领域有着广发应用。
自适应滤波规则是利用前一时刻捕获的滤波参数，自动调节现时刻的滤波器系数，以适应信号和噪声未知的统计特性，从而实现最优滤波。根据优化准则的不同，自适应滤波器可分为最小二乘均方误差(lms)和递推最小二乘(rls)两类最基本算法。
lms算法最早由维纳针对平稳信号提出，用于处理两路信道的自适应滤波，一路为主信道，一路为参考信道，主信道含有信号和噪声，参考信道只含噪声，通过最小二乘准则，达到把噪声信号从主信道去除的目的。其数学模型为，主信道表示为一时间序列d(n)，噪声信道表示为一时间序列x(n)。基于最速下降法的lms迭代公式如下：
e(n)＝d(n)-w(n)x(n)
w(n+1)＝w(n)+2μe(n)x(n)
在lms的执行中，最难的是μ的选取问题，μ选的太小收敛速度慢，跟踪能力差；μ选的太大，往往不收敛，导致滤波器产生更强的噪声。因此在目前大部分真实应用中，都采用归一化lms，简写为nlms，其迭代公式修改为：
e(n)＝d(n)-w(n)x(n)
w(n+1)＝w(n)+2μe(n)x(n)/||xn||2
不同之处是把输入向量x(n)做归一化处理，虽然收敛条件一样，但μ的选择更容易收敛。
很多学者和专利工作者对μ的选取做了大量的研究，有使用exp函数的，其修正如下：
μ＝β(1-exp(-αe(n)2))
也有使用log函数的，其修改如下：
μ＝βlog(1+αe(n)2)
当然也有很多使用这些函数的变种和其他类似函数，这类技术的出发点都是考虑如何用残差信号更好的控制参数μ的选择，达到参数精度和跟踪能力的提高。本专利研究表明，无论是使用nlms还是控制函数，都增加了算法的复杂度，同时对跟踪能力的提升，带来的变化有限。譬如nlms使用了除法，而除法在很多嵌入式芯片中是不存在的，只能用减法和移位仿真，造成复杂度提升。而基于函数的方法，要么计算速度下降，要么需要使用一张很大的表格，对存贮和计算都是不利的。rls算法虽然收敛速度快，但计算量较大，数据处理不实时，同样不适合嵌入式芯片中的使用。而本发明对这些问题，做了本质上的修正。
技术实现要素：
(1)发明目的
本发明解决了原始lms算法中存在的μ选择不易及常用的改进算法中存在的计算复杂度提升或计算速度下降等方面的问题，不仅收敛速度大大提升，更简化了计算的复杂度，增强了误差跟踪能力，实现了跟踪能力本质上的提升。
(2)技术方案
本发明把lms原始权向量的迭代公式中的e(n)取代为μ(n)，摒除了e(n)作为乘法因子的使用，使μ(n)的绝对值的取值在0.1到1之间，大大提高了收敛速度，同时简化了计算复杂性，增强了误差跟踪能力，具体包括以下步骤：
步骤1：对双信道数字信号进行数据采集，双信道指双组信道，其中一组信道作为原始信号通道，另一组信道作为参考信号通道，其中原始信号包括噪音数字信号和目标数字信号，参考信号作为噪音数字信号处理；
步骤2：采用改进的lms自适应迭代滤波对采集的数据进行滤波降噪处理，消除噪音数字信号对目标数字信号的影响，滤波处理迭代公式如下：
e(n)＝d(n)-w(n)x(n)
w(n+1)＝w(n)+2μ(n)x(n)(1)；
公式(1)中：d(n)为输入的原始信号通道数据，x(n)是输入参考信号通道数据x(n)的记忆片段，为一n阶向量，即x(n)＝(x(n)，x(n-1)，…，x(n-n-1))；w(n)是权重系数，也称为滤波系数，也是一n阶向量；e(n)为残差标量；μ(n)为步长因子，其绝对值可为常量，也可为变量；
步骤3：调节步长因子直至获得最佳目标数字信号。
在本发明较佳的实施例中，所述步骤1中数字信号包括语音信号、图像信号、自动化控制信号、测量信号和无线电信号。
在本发明较佳的实施例中，所述步骤2中μ(n)的绝对值取值为常量时，μ(n)＝μsign(e(n))，其中μ为取值为正的常量，
其中步骤2中e(n)用于决定μ(n)取值的正负，当e(n)≥0时，μ(n)＝μ，为正值，否则μ(n)＝-μ，为负值。
在本发明较佳的实施例中，所述步骤2中μ(n)的绝对值取值为变量时，μ(n)＝γ(n)sign(e(n))，其中γ(n)是由e(n)或x(n)控制的可变正序列，
其中步骤2中e(n)用于决定μ(n)取值的正负，当e(n)≥0时，μ(n)＝γ(n)，为正值，否则μ(n)＝-γ(n)，为负值。
在本发明较佳的实施例中，所述常量μ的取值范围为0.1≤μ≤1，相应的步长因子μ(n)的绝对值取值范围与μ相同，所述步骤3中调节步长因子即调整常量μ，直至获得最佳目标数字信号。
在本发明较佳的实施例中，所述γ(n)＝β(1-exp(-αe(n)2))，其中β和α为大于0的常数，所述步骤3中调节步长因子即调整常数β和α，直至获得最佳目标数字信号。
在本发明较佳的实施例中，所述γ(n)＝βlog(1+αe(n)2)，其中β和α为大于0的常数，所述步骤3中调节步长因子即调整常数β和α，直至获得最佳目标数字信号。
在本发明较佳的实施例中，所述
(3)优点及积极效果
原始迭代lms在μ的选择上非常小，约0.0001以下，nlms的μ在0.005左右，这意味着收敛速度很低，平稳周期很长，需要数千点以上。本发明中的μ(n)的绝对值取值范围在0.1到1之间。因此本发明收敛速度很快，数十点就稳定了，其速度可跟rls媲美。
本发明把lms原始权向量的迭代公式中的e(n)取代为μ(n)，e(n)不再作为乘法因子，仅用于控制方向，使μ(n)取值在0.5左右，提高了收敛速度，简化了计算复杂性，增强了误差跟踪能力。
本发明提供的降噪方法可以在各种16位mcu上实时运行，可以取代目前任何适合lms运行的环境和算法，取代后可获得更高的效率。
附图说明
图1为本发明的步骤框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
本发明的目的在于提供一种快速迭代自适应滤波方法，用于解决原始lms算法中存在的步长μ选择不易及常用的改进算法中存在的计算复杂度提升或计算速度下降等方面的问题。以下以语音信号为例，详细阐述本发明的一种快速迭代自适应滤波方法的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的一种快速迭代自适应滤波方法。
本实施例中，双信道数字信号为双麦克风采集的语音信号，通过本发明提供的一种快速迭代自适应降噪方法，将语音进行降噪处理，步骤如下：
步骤1：对双麦克风组件进行语音数据采集，其中一个麦克风采集的是原始语音数据，另一个麦克风采集的作为参考信号数据，其中原始语音数据包括噪音信号和目标语音信号，参考信号作为噪音信号处理；
步骤2：采用改进的lms自适应迭代滤波对采集的麦克风数据进行滤波降噪处理，消除噪音信号对目标语音信号的影响，滤波处理迭代公式如下：
e(n)＝d(n)-w(n)x(n)
w(n+1)＝w(n)+2μ(n)x(n)(1)；
公式(1)中：d(n)为输入的原始语音数据，x(n)是输入参考信号数据x(n)的记忆片段，为一n阶向量，即x(n)＝(x(n)，x(n-1)，…，x(n-n-1))；w(n)是权重系数，也称为滤波系数，也是一n阶向量；e(n)为残差标量；μ(n)为步长因子，其符号与e(n)有关，当e(n)≥0时，μ(n)取正值，否则取负值，μ(n)绝对值可以是固定的常量，也可以是可变化的变量，为了简化计算复杂度，本发明更倾向于μ(n)采用固定的常量进行实现；
步骤3：调节步长因子直至获得最佳目标语音信号。
其中步骤2中μ(n)可以取常量，μ(n)＝μsign(e(n))，其中μ为一取值为正的常量，
其中步骤2中e(n)用于决定μ(n)取值的正负，当e(n)≥0时，μ(n)＝μ，为正值，否则μ(n)＝-μ，为负值，即μ(n)的绝对值为常量μ，所述步骤3中调节步长因子即调整常量μ，直至获得最佳目标语音信号。
其中常量μ的取值范围为0.1≤μ≤1，相应的步长因子μ(n)的绝对值取值范围与μ相同。
其中步骤2中μ(n)也可以取变量，如μ(n)＝γ(n)sign(e(n))，其中γ(n)是由e(n)或x(n)控制的可变正序列，
其中步骤2中e(n)用于决定μ(n)取值的正负，当e(n)≥0时，μ(n)＝γ(n)，为正值，否则μ(n)＝-γ(n)，为负值。
所述γ(n)＝β(1-exp(-αe(n)2))，其中β和α为大于0的常数，所述步骤3中调节步长因子即调整常数β和α，直至获得最佳目标语音信号。
所述γ(n)＝βlog(1+αe(n)2)，其中β和α为大于0的常数，所述步骤3中调节步长因子即调整常数β和α，直至获得最佳目标语音信号。
所述
以上γ(n)取值仅为示例性说明，本领域技术人员可以采用现有中所有变步长的取值方法，其均属于本发明的范围，故不一一说明。
通过本发明提供的一种快速迭代自适应降噪方法，将麦克风采集的语音进行降噪处理，获得干净的语音。
综上所述，本发明的自适应降噪方法直接修改了原始迭代公式，简化了计算复杂度，对跟踪能力带来了本质的变化，这种修改还增强了μ的收敛范围，而且，本发明很容易用整数乘加实现，大大简化计算复杂性，使用本发明的公式，可以做成各种消噪器，在一般16位mcu上都能实时，经测试，采样频率16k时，可提高信噪比6db以上。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及领域应用，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。