一种重用权系数指数型误差自适应回声消除方法与流程

本发明涉及一种重用权系数指数型误差自适应回声消除方法。
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。回声信道均具有稀疏的特性，即信道(系统)的大部分系数接近于零或等于零，仅有少数系数具有较大的幅值。现有回声消除的自适应滤波方法，主要有：nlms(归一化最小均方)算法，它不考虑目标冲激响应的结构，为所有的滤波器抽头权系数分配相同的步长参数，对于小系数其使用的步长可能偏大，能够在较少的迭代后收敛，但其辨识出的小系数精度低；对于大系数其使用的步长可能偏小，需要更多的迭代次数才能收敛，使该算法的收敛时间及辨识精度均有待提高；同时传统的nlms(归一化最小均方)算法在有冲击噪声的情况下辨识精度会受到冲激噪声的干扰而变差。在针对稀疏系统时，y.,chen,y.,hu,anda.o.hero首先在‘sparselmsforsystemidentification’,proc.ieeeicassp,2009,pp.3125–3128(文献1).中提出在最小均方算法(lms)中引入1范数形成零吸引因子(za)的lms算法和重用权系数(rza)的lms算法，虽然零吸引因子一定程度上加快了向零或较小的非零权系数的收敛速度；而重用权系数方法略微提高了最小均方算法的稳定性，但算法的稳态误差还有待于提高，随后c.,boukis,d.,p.,mandic.,anda.,g.,constantinides又在‘aclassofstochasticgradientalgorithmswithexponentiatederrorcostfunctions’,digit.signalprocess.2009,19,(2),pp.201–212(文献2).中提出了le2算法中使用指数型误差来提高算法的速度，同时具有抵抗冲激噪声的能力，但是在稀疏系统的环境下该算法的作用就会降低，所以在针对稀疏系统时其辨识精度还有待于提高。技术实现要素：本发明的目的是提供一种重用权系数指数型误差自适应回声消除方法，该方法能够获得更快的收敛性，回声消除效果更好，且抗冲激能力强。本发明实现其发明目的所采用的技术方案是，一种重用权系数指数型误差自适应回声消除方法，其步骤如下：a、远端信号采样将当前时刻n到前l-1个时刻的远端采样信号x(n),x(n-1),…,x(n-l+1)，组成当前时刻n的输入信号向量x(n)，x(n)＝[x(n),x(n-1),…,x(n-l+1)]t，上标t表示转置，l为自适应滤波器的抽头长度，其取值为16、32、128；b、回声信号估计将当前时刻n的输入信号向量x(n)通过自适应滤波器得到当前时刻n的回声信号的估计值即其中，w(n)＝[w1(n),w2(n),...,wl(n),...wl(n)]t为当前时刻的自适应滤波器抽头权系数向量，其初始值为零，wl(n)为当前时刻n的自适应滤波器的第l个抽头权系数；c、回声信号消除将当前时刻n的近端采样信号d(n)，减去步骤b获得的当前时刻n的回声信号的估计值得到已消除回声的当前时刻n的有用信号s(n)，d、滤波器抽头权系数更新d1、p范数限制的滤波器抽头权系数向量计算由当前时刻n的自适应滤波器的第l个抽头权系数wl(n)，得到当前时刻n第l个抽头权系数的p范数fl(n)，fl(n)＝(1+β)exp(-β|wl(n)|)sgn[wl(n)]；其中β为范数的幂次，其取值为5；exp[·]为自然对数的指数运算，|·|为绝对值运算，sgn[·]为符号运算；将当前时刻n的所有抽头权系数的p范数f1(n),f2(n),...fl(n)...,fl(n)，构成当前时刻n的抽头权系数向量的p范数f(n)，f(n)＝[f1(n),f2(n),...fl(n)...,fl(n)]t；d2、重用权系数向量的计算算出当前时刻n的第l个重用权系数sl(n)，sl(n)＝sgn[wl(n)]/(1+ε|wl(n)|)；其中，ε为重用权系数值的阈值，其取值为10；将当前时刻n的所有的重用权系数s1(n),s2(n),...sl(n)...,sl(n)，构成当前时刻n的重用权系数向量s(n)，s(n)＝[s1(n),s2(n),...sl(n)...,sl(n)]t；d3、抽头权系数向量的更新由下式得出下一时刻n+1的自适应滤波器抽头权系数向量w(n+1)，其中，α为误差陡度控制参数、其取值范围为(0，1)，δ为正则化因子、其取值为0.0001，μ为步长因子，其取值范围为(0，2)；γ是抽头权系数的p范数的权值、其取值范围为(0，1)，γ'是重用权系数向量的权值，取值范围为(0，1)；e、重复令n＝n+1，重复步骤a、b、c、d的操作，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，稳态误差小本发明中抽头权系数向量的更新中采用了自然对数的指数运算，其收敛速度相比于传统的线性运算更快；本发明使用一个相似数简化运算，fl(n)＝(1+β)exp(-β|wl(n)|)sgn[wl(n)]简便的得到了抽头权系数向量的p范数f(n)；并在权系数向量更新公式推导中加入了权系数向量的p范数f(n)，即权系数向量更新时产生了一个差值，当权系数向量较大时差值也较大，从而获得了较快的初始收敛速度，而接近稳态时差值变小，使得抽头权系数更新速度在接近稳态时也相应变小，保持了较好的稳定性；抽头权系数向量的更新中还考虑了重用权系数，进一步提高了非零抽头权系数的作用，加强了处理稀疏系统的能力，相比于一些现存的算法在处理稀疏系统上具有更低的稳态误差。二、抗冲激能力好与常规的za-lms和rza-lms算法相比，本发明抽头权系数向量的更新中采用了自然对数的指数运算，这种高次运算有效地减缓了冲激信号对误差的突变，使得背景噪声含有冲击噪声时，本发明具有更好的抗冲激的能力，得到更好的稳定性。下面结合附图和具体实施方式对本发明进行详细的说明。附图说明图1是文献2的le2算法、文献1的zalms算法、rzalms算法和本发明方法的归一化稳态失调曲线。图2是文献2的le2算法、文献1的zalms算法、rzalms算法和本发明方法在冲激噪声时的归一化稳态失调曲线。具体实施方式实施例本发明的一种具体实施方式是，一种重用权系数指数型误差自适应回声消除方法，其步骤如下：a、远端信号采样将当前时刻n到前l-1个时刻的远端采样信号x(n),x(n-1),…,x(n-l+1)，组成当前时刻n的输入信号向量x(n)，x(n)＝[x(n),x(n-1),…,x(n-l+1)]t，上标t表示转置，l为自适应滤波器的抽头长度，其取值为16、32、128；b、回声信号估计将当前时刻n的输入信号向量x(n)通过自适应滤波器得到当前时刻n的回声信号的估计值即其中，w(n)＝[w1(n),w2(n),...,wl(n),...wl(n)]t为当前时刻的自适应滤波器抽头权系数向量，其初始值为零，wl(n)为当前时刻n的自适应滤波器的第l个抽头权系数；c、回声信号消除将当前时刻n的近端采样信号d(n)，减去步骤b获得的当前时刻n的回声信号的估计值得到已消除回声的当前时刻n的有用信号s(n)，d、滤波器抽头权系数更新d1、p范数限制的滤波器抽头权系数向量计算由当前时刻n的自适应滤波器的第l个抽头权系数wl(n)，得到当前时刻n第l个抽头权系数的p范数fl(n)，fl(n)＝(1+β)exp(-β|wl(n)|)sgn[wl(n)]；其中β为范数的幂次，其取值为5；exp[·]为自然对数的指数运算，|·|为绝对值运算，sgn[·]为符号运算；将当前时刻n的所有抽头权系数的p范数f1(n),f2(n),...fl(n)...,fl(n)，构成当前时刻n的抽头权系数向量的p范数f(n)，f(n)＝[f1(n),f2(n),...fl(n)...,fl(n)]t；d2、重用权系数向量的计算算出当前时刻n的第l个重用权系数sl(n)，sl(n)＝sgn[wl(n)]/(1+ε|wl(n)|)；其中，ε为重用权系数值的阈值，其取值为10；将当前时刻n的所有的重用权系数s1(n),s2(n),...sl(n)...,sl(n)，构成当前时刻n的重用权系数向量s(n)，s(n)＝[s1(n),s2(n),...sl(n)...,sl(n)]t；d3、抽头权系数向量的更新由下式得出下一时刻n+1的自适应滤波器抽头权系数向量w(n+1)，其中，α为误差陡度控制参数、其取值范围为(0，1)，δ为正则化因子、其取值为0.0001，μ为步长因子，其取值范围为(0，2)；γ是抽头权系数的p范数的权值、其取值范围为(0，1)，γ'是重用权系数向量的权值，取值范围为(0，1)；e、重复令n＝n+1，重复步骤a、b、c、d的操作，直至通话结束。仿真实验为了验证本发明方法的有效性，我们进行了仿真实验，并与文献2的le2算法、文献1的zalms算法、rzalms算法做了性能对比。仿真实验中自适应滤波器抽头长度l为16，远端的输入信号采用一阶自回归(ar(1))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，按采样阶数l为16共拾取出1000时刻点的近端信号d(n)；第二个实验中在背景噪声中加入冲激噪声，冲击噪声由伯努利-高斯过程产生，伯努利过程由二项分布定义，高斯过程是零均值和方差为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le2μ＝0.78,α＝0.93zalmsμ＝0.48,ρ＝0.0021rzalmsμ＝0.48,ρ＝0.011本发明μ＝0.78,α＝0.93,γ＝1.48×10-3,γ'＝6.4×10-6,δ＝1×10-4,ε＝10仿真结果通过独立运行200次平均得到。图1是文献2的le2算法、文献1的zalms算法、rzalms算法和本发明方法的归一化稳态失调曲线。图2是文献2的le2算法、文献1的zalms算法、rzalms算法和本发明方法在冲激噪声时的归一化稳态失调曲线。从图1中可以看出在稀疏系统环境中，同时在相同收敛速度的情况下le2算法大约稳定在-17db处，zalms算法大约稳定在-21db处，rzalms算法大约稳定在-23db处，本发明算法大约稳定在-26db处。说明本发明的稳态误差明显低于现有的le2算法、zalms算法和rzalms算法。从图2中可以看出在稀疏系统和冲击噪声环境下，同时在相同收敛速度的情况下，le2算法大约稳定在-16db处，zalms算法大约稳定在-12db处，rzalms算法大约稳定在-14db处，本发明算法大约稳定在-22db处。可见，本发明的稳态误差明显低于le2算法、zalms算法和rzalms算法，同时本发明的稳定性明显优于le2算法、zalms算法和rzalms算法。当前第1页12