1.基于adaline模型输入数据重用个数可变的声学回音抵消方法，该方法采用adaline神经网络模型来完成声学回音抵消，其特征在于，步骤如下：
2.如权利要求1所述的基于adaline模型输入数据重用个数可变的声学回音抵消方法，其特征在于，所述步骤k1具体包括：在i时刻，对远端输入的语音信号进行采样处理，获得i时刻的语音信号离散值s(i)，并将s(i)作为adaline神经网络的输入样本信号；同时，对近端麦克风拾取的信号采样，得到adaline神经网络的期望样本信号h(i)即包括远端输入样本信号s(i)经过回音路径产生的回音信号。
3.如权利要求1所述的基于adaline模型输入数据重用个数可变的声学回音抵消方法，其特征在于，所述步骤k2具体包括：收集步骤k1中s(i)从i到i-l+1时刻的离散值样本，将其组合成adaline神经网络当前i时刻的输入数据重用样本向量s(i)，记为s(i)＝[s(i),s(i-1)...,s(i-l+1)]t，其中，l表示adaline神经网络的长度，并且符号t表示向量的转置；
4.如权利要求1所述的基于adaline模型输入数据重用个数可变的声学回音抵消方法，其特征在于，所述步骤k3具体包括：在i时刻，将声学回音预测信号g(i)取反，再与期望样本信号h(i)叠加，从而消除期望样本信号h(i)中含有的声学回音，实现声学回音抵消，其中c(i)＝h(i)-g(i)表示残留回音信号。
5.如权利要求1所述的一种基于adaline模型输入数据重用个数可变的声学回音抵消方法，其特征在于，所述步骤k4具体包括以下子步骤：
6.如权利要求1所述的基于adaline模型输入数据重用个数可变的声学回音抵消方法，其特征在于，所述步骤k5具体包括以下子步骤：
7.如权利要求1所述的基于adaline模型输入数据重用个数可变的声学回音抵消方法，其特征在于，所述步骤k6具体包括：
8.如权利要求1-7任一项所述方法在adaline神经网络中进行应用，重新执行adaline神经网络的k1到k6步骤，通过训练更多的样本，使得声学回音能够完全去除，adaline神经网络训练过程将贯穿整个通话过程。