本发明涉及一种基于连续混合P范数的子带结构回声消除方法，属于通信中的回声消除
技术领域：
。
背景技术：
：自适应信号处理作为信息技术的重要分支，在通信领域得到广泛的应用。而在通讯领域中，回声消除是一个颇具关注度和挑战性的热点。声音在封闭空间中经过多次反射会形成回声，由于传输介质中阻抗不匹配也会在信号传输中形成回声。通信回声可以通过系统辨识模型来消除：所辨识系统为回声信道，系统辨识的输出为回声信号的估计，通过含回声信号的语音信号与回声信号的估计相减便可实现回声的消除，这就是自适应回声消除器的原理。归一化最小均方算法(NLMS)作为经典算法而得到广泛应用，原因在于这种算法具有较低计算复杂度和容易实现的优点。然而当输入信号具有较高的相关度时，NLMS算法的性能就会变的很差。为此，针对相关输入信号，KongA.Lee提出了归一化子带自适应滤波器算法(K.A.LeeandW.S.Gan,“ImprovingconvergenceoftheNLMSalgorithmusingconstrainedsubbandupdates,”IEEESignalProcess.Lett.,vol.11,no.9,pp.736–739,Sep.2004)，简称为NSAF法，该算法是基于拉格朗日乘子法推导的，子带结构具有降低相关度的功能，相关输入信号经过子带结构之后可以近似得到高斯白色信号，因此该算法能够获得快速的收敛性以及较低的稳态失调。然而，在我们实际生活中，一些回声信道存在冲击噪声这类的情况。如果用上述所提及的NLMS和NSAF算法来进行回声消除，效果并不理想，原因在于这两种算法并不能适应冲击噪声的环境。为此，HadiZayyani提出了一种变步长的连续混合P范数自适应算法(H.Zayyani,“Continuousmixedp-normadaptivealgorithmforsystemidentification,”IEEESignalProcess.Lett.,vol.21,no.9,pp.1108–1110,2014)，简记为VSS-CMPN。该算法虽然对产生冲击噪声时具有较好的效果，但是当冲击噪声消失后、具有较高相关度的远端信号，VSS-CMPN算法的性能又会变差。技术实现要素：本发明的目的就是提供一种基于连续混合P范数的子带结构回声消除方法，该方法具有良好的鲁棒性，它在输入具有较高相关度以及冲击噪声的情况下，均能获得较快的收敛速度和较低的稳态失调。本发明实现其发明目的所采用的技术方案是，一种基于连续混合P范数的子带结构回声消除方法，其步骤如下：基于连续混合P范数的子带结构回声消除方法，其步骤如下：A、信号采样将远端传来的远端信号采样得到当前时刻n的输入信号序列U(n)＝[u(n),u(n-1),…,u(1)]，对近端的麦克风信号采样得到当前时刻n带有回声的期望信号序列D(n)＝[d(n),d(n-1),…,d(1)]；B、信号分割将步骤A中得到的输入信号序列U(n)通过分析滤波器组分割成I个当前时刻n的子带输入信号序列Ui(n)，同时将期望信号序列D(n)通过分析滤波器组分割成I个子带期望信号序列Di(n)；其中i为子带输入信号序列Ui(n)或子带期望信号序列Di(n)的序号，i＝1,2，…,I；I的取值为2，4，8；C、子带信号抽取对步骤B中得到的子带输入信号序列Ui(n)每隔I个采样时刻进行抽取，得到当前时刻n的子带输入信号抽取序列Ui(k)＝[ui(k),ui(k-1),…,ui(1)]；对子带期望信号序列Di(n)，每隔I个采样时刻进行抽取得到当前时刻n的子带期望信号抽取序列Di(k)＝[di(k),di(k-1),…,di(1)]；其中k代表抽取时段序号，k＝n/I；D、输入向量构成将子带输入信号抽取序列Ui(k)中的前M个元素组成当前时刻n的输入向量M代表自适应滤波器抽头长度；M的取值为64，128，256，512；E、回声信号消除将步骤D中的子带输入向量通过FIR滤波器得到子带输出信号yi(k)，其中w(k)＝[w1(k)w2(k),…,wM(k)]T为kI时刻的自适应滤波器的抽头权向量，其初始值为零向量，上标T表示转置；再用步骤C中的子带期望信号抽取序列Di(k)＝[di(k),di(k-1),…,di(1)]中的第一个子带期望信号di(k)减去子带输出信号yi(k)，得到当前时刻n的子带误差信号ei(k)，即ei(k)＝di(k)-yi(k)；E、更新滤波器抽头权系数E1、计算FIR滤波器的子带误差信号影响因子γi(k)，其中，|·|表示取绝对值运算，ln|·|表示自然对数运算；E2、更新k+1时刻的FIR滤波器抽头权向量，更新公式如下：其中sign[·]表示符号函数，μ表示FIR滤波器的固定步长，其取值范围为0.01～0.1，表示欧几里得范数；F、令k＝k+1，重复步骤A、B、C、D、E，直至通话结束。与现有技术相比，本发明的有益效果是：一、收敛速度快，稳态误差小本发明将子带误差信号的连续混合P范数构成的积分函数作为一种新的步长(滤波器抽头权向量更新速度)影响因子γi(k)。因此本发明本质上属于变步长一类的方法。每个子带都有各自对应的步长影响因子γi(k)，且该步长依赖于当前时刻对应的子带误差ei(k)；当子带误差较大时，该算法会获得较大的步长，滤波器抽头权向量更新速度更快，从而获得较快的收敛速度；当子带误差较小时，该算法就会获得较小的步长，从而获得较低的稳态失调。和VSS-CMPN算法相比，本发明在初始阶段能够收敛快速，而在稳态阶段能够放缓收敛速度，从而降低稳态失调。二、鲁棒性强本发明的权向量更新公式中含有符号函数式这一项，而符号函数具有良好的抗冲击噪声的能力，在算法的更新过程中，符号函数的抗冲击能力可以有效保证算法的稳定性。因此与传统的NLMS和NSAF算法相比，本发明具有较强的抗冲击噪声能力。总之，本发明在输入具有较高相关度以及冲击噪声的情况下，均能获得较快的收敛速度和较低的稳态失调。附图说明图1是在含冲击噪声环境下，NLMS算法、NSAF算法、VSS-CMPN算法和本发明的归一化稳态失调曲线。具体实施方式下面详细说明本发明在实际应用中的实现步骤。实施例本发明的一种具体实施方式是，基于连续混合P范数的子带结构回声消除方法，其步骤如下：A、信号采样将远端传来的远端信号采样得到当前时刻n的输入信号序列U(n)＝[u(n),u(n-1),…,u(1)]，对近端的麦克风信号采样得到当前时刻n带有回声的期望信号序列D(n)＝[d(n),d(n-1),…,d(1)]；B、信号分割将步骤A中得到的输入信号序列U(n)通过分析滤波器组分割成I个当前时刻n的子带输入信号序列Ui(n)，同时将期望信号序列D(n)通过分析滤波器组分割成I个子带期望信号序列Di(n)；其中i为子带输入信号序列Ui(n)或子带期望信号序列Di(n)的序号，i＝1,2，…,I；I的取值为2，4，8；C、子带信号抽取对步骤B中得到的子带输入信号序列Ui(n)每隔I个采样时刻进行抽取，得到当前时刻n的子带输入信号抽取序列Ui(k)＝[ui(k),ui(k-1),…,ui(1)]；对子带期望信号序列Di(n)，每隔I个采样时刻进行抽取得到当前时刻n的子带期望信号抽取序列Di(k)＝[di(k),di(k-1),…,di(1)]；其中k代表抽取时段序号，k＝n/I；D、输入向量构成将子带输入信号抽取序列Ui(k)中的前M个元素组成当前时刻n的输入向量M代表自适应滤波器抽头长度；M的取值为64，128，256，512；E、回声信号消除将步骤D中的子带输入向量通过FIR滤波器得到子带输出信号yi(k)，其中w(k)＝[w1(k)w2(k),…,wM(k)]T为kI时刻的自适应滤波器的抽头权向量，其初始值为零向量，上标T表示转置；再用步骤C中的子带期望信号抽取序列Di(k)＝[di(k),di(k-1),…,di(1)]中的第一个子带期望信号di(k)减去子带输出信号yi(k)，得到当前时刻n的子带误差信号ei(k)，即ei(k)＝di(k)-yi(k)；E、更新滤波器抽头权系数E1、计算FIR滤波器的子带误差信号影响因子γi(k)，其中，|·|表示取绝对值运算，ln|·|表示自然对数运算；E2、更新k+1时刻的FIR滤波器抽头权向量，更新公式如下：其中sign[·]表示符号函数，μ表示FIR滤波器的固定步长，其取值范围为0.01～0.1，表示欧几里得范数；F、令k＝k+1，重复步骤A、B、C、D、E，直至通话结束。仿真实验为了验证基于连续混合P范数的子带结构回声消除方法的有效性，我们进行了仿真实验，并与NLMS算法、NSAF算法以及VSS-CMPN算法做了性能对比。仿真实验中自适应滤波器抽头长度M为512，远端的输入信号采用四阶自回归(AR(4))信号，在房间为长6.25m，宽3.75m，高2.5m，温度20℃，湿度50％的安静密闭房间内，将接收到的远端信号经扬声器播放后，在房间中用麦克风按采样频率为8000Hz，取出100000时刻点的近端信号d(n)，回声信道中冲击噪声产生形式z(k)＝q(k)h(k)，其中q(k)是白色高斯序列，h(k)表示一个概率质量函数为P(q)＝1-Pr的伯努利过程，Pr表示冲击噪声发生的概率，仿真实验中Pr取值0.001，实验中各算法的参数具体取值如下表。各算法仿真实验的参数NLMSμ＝0.6NSAFμ＝0.02,I＝4VSS-CMPNμ＝0.00005本发明μ＝0.02,I＝4仿真结果通过独立运行50次平均得到。图1是NLMS算法、NSAF算法、VSS-CMPN算法和本发明的归一化权值均方误差仿真结果。从图1中可以看出在冲击噪声环境下，NLMS算法和NSAF算法性能变得很差，二者的归一化稳态失调高达-5dB,VSS-CMPN算法的收敛速度和稳态失调有所改善，但其归一化稳态失调仍在-20dB以上，而本发明的收敛速度不低于这三种算法，但是其归一化稳态失调大幅降低，仅为-33dB左右。当前第1页1 2 3