一种基于克罗内克分解的rls声反馈抑制算法
技术领域：
：1.本发明涉及数字信号处理
技术领域：
：，具体为一种基于克罗内克分解的rls声反馈抑制算法。
背景技术：
：：2.扩音系统通常是指对声信号进行实时放大的声学系统，在会议室、多媒体教室、音乐厅等场景中有着广泛应用。在扩音系统中，由于麦克风与扬声器之间的声耦合是不可避免的(严重时会引发啸叫)，因此如何在保证系统稳定工作的情况下有效控制声反馈是扩音系统中的一个核心问题。3.目前已经发展得较为完善的声反馈抑制算法主要包含相位调制法、降低增益法和自适应声反馈抑制法等，其中相位调制法中的经典算法移频法和降低增益法中的经典算法陷波法目前在实际系统中有着广泛应用。这两类算法均能实现反馈抑制并且性能稳定，但是这两类算法对声反馈抑制的能力始终有限，并且容易损伤音质。4.自适应声反馈抑制算法通过估计声反馈路径来估计反馈信号，然后从麦克风接收信号中减去估计的反馈信号，可有效实现反馈抑制。在理想条件下声反馈抑制能力较强，具有广泛研究前景。在扩音系统中，由于输入信号与反馈信号相关，直接采用自适应算法来辨识声反馈路径只能得到一个有偏估计，因此需要对信号进行去相关处理，将信号去相关与自适应算法相结合来实现声反馈抑制。目前常用的去相关方法主要包含时变处理法、非线性处理法和预测误差法等。5.在传统自适应算法中，基于梯度下降的声反馈抑制算法性能稳定，但收敛速度慢，递归最小二乘算法(recursiveleastsquares，rls)反馈抑制能力强，收敛速度快，是一种理想算法，但该算法的计算复杂度较高，难以应用于实际系统中。技术实现要素：6.本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。7.鉴于现有技术中存在的问题，提出了本发明。8.因此，本发明的目的是提供一种结合频移法与克罗内克分解的rls声反馈抑制算法(以下简称为fs-rls-nkp算法)，在弱混响下拥有良好的声反馈抑制效果；与传统rls算法相比，可有效降低计算复杂度。9.为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：10.一种基于克罗内克分解的rls声反馈抑制算法，其特征在于：11.利用对克罗内积将需要估计的滤波器近似分解为子滤波器和利用双线性变换求解子滤波器系数；对麦克风接收信号进行滤波得到估计的反馈信号，将麦克风接收信号减去估计的反馈信号得到误差信号；最后将误差信号利用频移法进行频移实现信号去相关，完成声反馈抑制。12.作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：该方法包括如下步骤：13.步骤1：初始化设置与信号采集14.估计的滤波器初始时为长度为l的全零向量，采集并缓存麦克风接收信号z(n)；15.步骤2：rls-nkp滤波器系数更新16.利用对克罗内积将需要估计的滤波器近似分解为子滤波器和利用双线性变换求解子滤波器系数[0017][0018]其中[0019][0020][0021][0022][0023]其中p为滤波器估计次数；[0024]步骤3：声反馈抑制[0025]根据所估计的滤波器，对麦克风接收信号进行滤波得到估计的反馈信号，将接收信号减去估计的反馈信号得到误差信号，实现声反馈抑制；[0026]步骤4：频移法去相关[0027]误差信号经过希尔伯特变换后得到的解析信号ea(n)可写成如下形式：[0028]ea(n)＝e(n) jeh(n)，[0029]其中j表示虚数，j2＝-1，eh(n)可表示为：[0030][0031]所得频移信号efsa(n)为[0032][0033]其中取efsa(n)的实部可得前向移频量为f0的移频信号efs(n)[0034]efs(n)＝e(n)cos(ω0n)-eh(n)sin(ω0n).[0035]其中[0036]ω0＝2πf0.步骤5：信号扩放与输出：[0037]将误差信号e(n)与扩放因子g相乘实现信号扩放，得到输出信号y(n)；[0038]y(n)＝g·efs(n).[0039]步骤6：查询缓冲区：[0040]如果缓冲区存在数据，重复步骤二到五；如果缓冲区无数据，结束任务。[0041]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：rls-nkp滤波器系数更新的具体步骤如下：[0042]则房间冲激响应可通过克罗内克积近似分解为[0043][0044]其中p为滤波器估计次数，和是长度为l1和l2的滤波器，为克罗内克积，误差信号e(n)可变为以下形式[0045][0046][0047]基于最小二乘ls误差准则的代价函数可定义为[0048][0049][0050]其中λ1(0＜λ1＜1)和λ2(0＜λ2＜1)为遗忘因子。依据双线性优化准则，对和分别进行优化，可得对应的逆相关矩阵递推公式为[0051][0052][0053]则和对应的卡尔曼增益向量为[0054][0055][0056]则子滤波器系数和为[0057][0058][0059]频移法fs实现信号去相关具体步骤如下：[0060]误差信号经过希尔伯特变换后得到的解析信号ea(n)可写成如下形式：[0061]ea(n)＝e(n) jeh(n)，[0062]其中j表示虚数，j2＝-1，eh(n)可表示为：[0063][0064]所得频移信号efsa(n)为[0065][0066]其中取efsa(n)的实部可得前向移频量为f0的移频信号efs(n)[0067]efs(n)＝e(n)cos(ω0n)-eh(n)sin(ω0n).[0068]其中[0069]ω0＝2πf0.[0070]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述算法不仅可应用于单通道扩音系统也可应用于多通道扩音系统。[0071]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述的这种利用克罗内克分解近似估计滤波器系数的方法不仅可应用于递归最小二乘rls声反馈抑制算法，也可应用于最小均方误差lms声反馈抑制算法、归一化最小均方误差nlms声反馈抑制算法等自适应声反馈抑制算法中。[0072]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述算法不仅可应用于扩音系统也可应用于助听器。[0073]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述的这种利用克罗内克分解近似估计滤波器系数的方法，可有效降低滤波器更新时所需的计算量。[0074]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述算法的声反馈抑制能力随着滤波器估计次数的增加而增加。[0075]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述麦克风包含单通道麦克风与麦克风阵列。[0076]与现有技术相比，本发明的有益效果是：本发明将基于克罗内克分解的线性系统辨识方法引入声反馈抑制中，利用克罗内克积对声反馈路径进行分解与近似，实现反馈路径的快速估计，将高维系统辨识问题转换到低维。本发明与传统rls声反馈抑制算法相比，在保证声反馈抑制能力的同时可有效降低计算复杂度，有利于保证系统的实时性，在扩音系统和助听器领域中具有广泛应用前景。附图说明[0077]为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：[0078]图1为本发明技术流程图；[0079]图2为本发明扩音系统信号模型示意图；[0080]图3为本发明fs-rls-nkp算法与传统fs-rls算法在不同混响时间下的最大系统稳定增益增量的性能分布对比。[0081]图4为本发明fs-rls-nkp算法与传统fs-rls算法归一化失调量曲线对比。具体实施方式[0082]为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。[0083]在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。[0084]其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。[0085]为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。[0086]实施例1[0087]1、实施步骤[0088]通过镜像模型产生房间冲激响应，其中房间具体尺寸为：长5m，宽4m，高4m。麦克风和扬声器在房间中的坐标分别为[1m，1.5m，2m]和[2m，1.5m，2m]，调整镜像模型中的房间反射系数，将混响时间设置为200ms到500ms均匀分布，步长为100ms。fs-rls-nkp算法具体参数设置如表2所示。[0089]表2fs-rls-nkp算法参数设置[0090]参数具体数值真实的反馈信道h房间冲激响应(256点)采样率fs16khz输入语音信号x(n)纯净女声，时长12s滤波器长度l256点滤波器长度l116点滤波器长度l216点滤波器初始值∈0.1遗忘因子λ1和λ20.999999初始值δ1和δ2100频移量f05hz[0091](1)初始化设置；[0092][0093][0094][0095][0096][0097](2)输入期望语音信号，麦克风采集得到接收信号；[0098]z(n)＝x(n) yf(n).[0099](3)计算误差信号；[0100][0101](4)计算y1(n)和y2(n)；[0102][0103][0104](5)计算滤波器和对应的误差信号；[0105][0106][0107](6)计算滤波器和对应的卡尔曼增益向量；[0108][0109][0110](7)根据步骤(5)和(6)得到的误差信号与卡尔曼增益向量更新短滤波器和的系数；[0111][0112][0113](8)更新估计的房间冲激响应；[0114][0115](9)更新滤波器和对应的逆相关矩阵[0116][0117][0118](10)对误差信号e(n)进行频移，取其实部获得频移量为5hz的频移信号efs(n)；[0119]efs(n)＝e(n)cos(ω0n)-eh(n)sin(ω0n).[0120]其中[0121]ω0＝2πf0，[0122]eh(n)＝e(n)*hh(n)，[0123][0124](11)通过前向放大因子g对频移后的信号efs(n)进行放大，得到扬声器输出信号y(n)；[0125]y(n)＝g·efs(n).[0126](12)将输出信号y(n)与真实信道h进行卷积，得到反馈信号yf(n 1)；[0127](13)麦克风采集下一时刻的输入信号x(n 1)和反馈信号yf(n 1)，得到接收信号z(n 1)，重复步骤(3)到(13)。[0128]2、发明效果[0129]为了更好的展示本发明的效果，我们给出具体实例来验证本发明的可行性和有效性。通过系统最大稳定增益(maximumstablegain，msg)的增量δmsg、归一化失调量nm(normalizedmisalignment，nm)和计算复杂度对算法性能进行评估。[0130]2.1系统最大稳定增益增量[0131]为评价本发明对声反馈的抑制能力，采用δmsg来进行性能评估，δmsg越大说明算法的声反馈抑制能力越强。其中g为前向放大因子，未加入算法时系统临近啸叫时宽带增益因子记为g0，而将加入算法后系统临近啸叫时宽带增益因子记为g1，则定义δmsg为[0132][0133]为研究改进算法fs-rls-nkp的声反馈抑制性能，将该算法与传统fs-rls算法的δmsg性能进行对比，结果如图3所示，可得以下结论：[0134](1)随着混响时间的增长，两种算法的反馈抑制性能均会降低。说明混响时间对两种算法的反馈抑制性能均存在影响；[0135](2)fs-rls-nkp算法在弱混响下声反馈抑制性能较好，以混响时间200ms的情况为例，在取不同值的情况下，算法的δmsg性能均在10db以上。[0136](3)对比fs-rls和fs-rls-nkp两种算法的性能，可以发现fs-rlsp算法声反馈抑制性能优于fs-rls-nkp算法，但随着值的增加，两种算法声反馈抑制性能不断接近。[0137]2.2归一化失调量[0138]自适应算法的收敛性能采用nm进行评估，nm越小表示算法收敛速度越快，其中nm具体定义如下：[0139][0140]为对比fs-rls-nkp和fs-rls两种算法的收敛速度，将混响时间t60固定为200ms，前向放大因子g设置为25，对比两种算法的归一化失调量曲线，结果如图4所示。由图可得随着p值的增大，fs-rls-nkp算法收敛性能逐渐提升，nm不断减小逐渐逼近fs-rls算法。[0141]2.3算法复杂度[0142]已知rls-nkp算法复杂度取决于短滤波器长度l1和l2与滤波器估计次数p，rls算法复杂度与滤波器长度l有关。表3给出了两种算法滤波器更新时所需乘法和加法量。[0143]表3滤波器更新所需乘法和加法量[0144][0145]为进一步展现两种算法计算量的差距，在房间冲激响应长度l为256的条件下，设置l1和l2为16，以此为例对比两种算法滤波器更新时所需乘法与加法量，结果见表4。由表可见随着p值的增加，rls-nkp算法计算量不断增加，当p值取值较大时(例如p取值为7或8)，rls-nkp计算量约为rls算法计算量的一半。[0146]表4rls-nkp算法与rls算法滤波器更新所需乘法和加法量对比[0147][0148]2.4所得结论[0149](1)fs-rls-nkp算法在弱混响时声反馈抑制能力较好，随着滤波器估计次数p的增加，算法的声反馈抑制能力不断提升；[0150](2)随着p值的增加，fs-rls-nkp算法收敛速度逐渐趋近于fs-rls算法；[0151](3)以p值取7为例，fs-rls-nkp算法与fs-rls算法相比，声反馈抑制性能下降约1db，但计算量约为fs-rls算法的40％[0152]虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。当前第1页12当前第1页12
技术领域：
：1.本发明涉及数字信号处理
技术领域：
：，具体为一种基于克罗内克分解的rls声反馈抑制算法。
背景技术：
：：2.扩音系统通常是指对声信号进行实时放大的声学系统，在会议室、多媒体教室、音乐厅等场景中有着广泛应用。在扩音系统中，由于麦克风与扬声器之间的声耦合是不可避免的(严重时会引发啸叫)，因此如何在保证系统稳定工作的情况下有效控制声反馈是扩音系统中的一个核心问题。3.目前已经发展得较为完善的声反馈抑制算法主要包含相位调制法、降低增益法和自适应声反馈抑制法等，其中相位调制法中的经典算法移频法和降低增益法中的经典算法陷波法目前在实际系统中有着广泛应用。这两类算法均能实现反馈抑制并且性能稳定，但是这两类算法对声反馈抑制的能力始终有限，并且容易损伤音质。4.自适应声反馈抑制算法通过估计声反馈路径来估计反馈信号，然后从麦克风接收信号中减去估计的反馈信号，可有效实现反馈抑制。在理想条件下声反馈抑制能力较强，具有广泛研究前景。在扩音系统中，由于输入信号与反馈信号相关，直接采用自适应算法来辨识声反馈路径只能得到一个有偏估计，因此需要对信号进行去相关处理，将信号去相关与自适应算法相结合来实现声反馈抑制。目前常用的去相关方法主要包含时变处理法、非线性处理法和预测误差法等。5.在传统自适应算法中，基于梯度下降的声反馈抑制算法性能稳定，但收敛速度慢，递归最小二乘算法(recursiveleastsquares，rls)反馈抑制能力强，收敛速度快，是一种理想算法，但该算法的计算复杂度较高，难以应用于实际系统中。技术实现要素：6.本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。7.鉴于现有技术中存在的问题，提出了本发明。8.因此，本发明的目的是提供一种结合频移法与克罗内克分解的rls声反馈抑制算法(以下简称为fs-rls-nkp算法)，在弱混响下拥有良好的声反馈抑制效果；与传统rls算法相比，可有效降低计算复杂度。9.为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：10.一种基于克罗内克分解的rls声反馈抑制算法，其特征在于：11.利用对克罗内积将需要估计的滤波器近似分解为子滤波器和利用双线性变换求解子滤波器系数；对麦克风接收信号进行滤波得到估计的反馈信号，将麦克风接收信号减去估计的反馈信号得到误差信号；最后将误差信号利用频移法进行频移实现信号去相关，完成声反馈抑制。12.作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：该方法包括如下步骤：13.步骤1：初始化设置与信号采集14.估计的滤波器初始时为长度为l的全零向量，采集并缓存麦克风接收信号z(n)；15.步骤2：rls-nkp滤波器系数更新16.利用对克罗内积将需要估计的滤波器近似分解为子滤波器和利用双线性变换求解子滤波器系数[0017][0018]其中[0019][0020][0021][0022][0023]其中p为滤波器估计次数；[0024]步骤3：声反馈抑制[0025]根据所估计的滤波器，对麦克风接收信号进行滤波得到估计的反馈信号，将接收信号减去估计的反馈信号得到误差信号，实现声反馈抑制；[0026]步骤4：频移法去相关[0027]误差信号经过希尔伯特变换后得到的解析信号ea(n)可写成如下形式：[0028]ea(n)＝e(n) jeh(n)，[0029]其中j表示虚数，j2＝-1，eh(n)可表示为：[0030][0031]所得频移信号efsa(n)为[0032][0033]其中取efsa(n)的实部可得前向移频量为f0的移频信号efs(n)[0034]efs(n)＝e(n)cos(ω0n)-eh(n)sin(ω0n).[0035]其中[0036]ω0＝2πf0.步骤5：信号扩放与输出：[0037]将误差信号e(n)与扩放因子g相乘实现信号扩放，得到输出信号y(n)；[0038]y(n)＝g·efs(n).[0039]步骤6：查询缓冲区：[0040]如果缓冲区存在数据，重复步骤二到五；如果缓冲区无数据，结束任务。[0041]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：rls-nkp滤波器系数更新的具体步骤如下：[0042]则房间冲激响应可通过克罗内克积近似分解为[0043][0044]其中p为滤波器估计次数，和是长度为l1和l2的滤波器，为克罗内克积，误差信号e(n)可变为以下形式[0045][0046][0047]基于最小二乘ls误差准则的代价函数可定义为[0048][0049][0050]其中λ1(0＜λ1＜1)和λ2(0＜λ2＜1)为遗忘因子。依据双线性优化准则，对和分别进行优化，可得对应的逆相关矩阵递推公式为[0051][0052][0053]则和对应的卡尔曼增益向量为[0054][0055][0056]则子滤波器系数和为[0057][0058][0059]频移法fs实现信号去相关具体步骤如下：[0060]误差信号经过希尔伯特变换后得到的解析信号ea(n)可写成如下形式：[0061]ea(n)＝e(n) jeh(n)，[0062]其中j表示虚数，j2＝-1，eh(n)可表示为：[0063][0064]所得频移信号efsa(n)为[0065][0066]其中取efsa(n)的实部可得前向移频量为f0的移频信号efs(n)[0067]efs(n)＝e(n)cos(ω0n)-eh(n)sin(ω0n).[0068]其中[0069]ω0＝2πf0.[0070]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述算法不仅可应用于单通道扩音系统也可应用于多通道扩音系统。[0071]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述的这种利用克罗内克分解近似估计滤波器系数的方法不仅可应用于递归最小二乘rls声反馈抑制算法，也可应用于最小均方误差lms声反馈抑制算法、归一化最小均方误差nlms声反馈抑制算法等自适应声反馈抑制算法中。[0072]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述算法不仅可应用于扩音系统也可应用于助听器。[0073]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述的这种利用克罗内克分解近似估计滤波器系数的方法，可有效降低滤波器更新时所需的计算量。[0074]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述算法的声反馈抑制能力随着滤波器估计次数的增加而增加。[0075]作为本发明所述的一种基于克罗内克分解的rls声反馈抑制算法的一种优选方案，其中：所述麦克风包含单通道麦克风与麦克风阵列。[0076]与现有技术相比，本发明的有益效果是：本发明将基于克罗内克分解的线性系统辨识方法引入声反馈抑制中，利用克罗内克积对声反馈路径进行分解与近似，实现反馈路径的快速估计，将高维系统辨识问题转换到低维。本发明与传统rls声反馈抑制算法相比，在保证声反馈抑制能力的同时可有效降低计算复杂度，有利于保证系统的实时性，在扩音系统和助听器领域中具有广泛应用前景。附图说明[0077]为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：[0078]图1为本发明技术流程图；[0079]图2为本发明扩音系统信号模型示意图；[0080]图3为本发明fs-rls-nkp算法与传统fs-rls算法在不同混响时间下的最大系统稳定增益增量的性能分布对比。[0081]图4为本发明fs-rls-nkp算法与传统fs-rls算法归一化失调量曲线对比。具体实施方式[0082]为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。[0083]在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。[0084]其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。[0085]为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。[0086]实施例1[0087]1、实施步骤[0088]通过镜像模型产生房间冲激响应，其中房间具体尺寸为：长5m，宽4m，高4m。麦克风和扬声器在房间中的坐标分别为[1m，1.5m，2m]和[2m，1.5m，2m]，调整镜像模型中的房间反射系数，将混响时间设置为200ms到500ms均匀分布，步长为100ms。fs-rls-nkp算法具体参数设置如表2所示。[0089]表2fs-rls-nkp算法参数设置[0090]参数具体数值真实的反馈信道h房间冲激响应(256点)采样率fs16khz输入语音信号x(n)纯净女声，时长12s滤波器长度l256点滤波器长度l116点滤波器长度l216点滤波器初始值∈0.1遗忘因子λ1和λ20.999999初始值δ1和δ2100频移量f05hz[0091](1)初始化设置；[0092][0093][0094][0095][0096][0097](2)输入期望语音信号，麦克风采集得到接收信号；[0098]z(n)＝x(n) yf(n).[0099](3)计算误差信号；[0100][0101](4)计算y1(n)和y2(n)；[0102][0103][0104](5)计算滤波器和对应的误差信号；[0105][0106][0107](6)计算滤波器和对应的卡尔曼增益向量；[0108][0109][0110](7)根据步骤(5)和(6)得到的误差信号与卡尔曼增益向量更新短滤波器和的系数；[0111][0112][0113](8)更新估计的房间冲激响应；[0114][0115](9)更新滤波器和对应的逆相关矩阵[0116][0117][0118](10)对误差信号e(n)进行频移，取其实部获得频移量为5hz的频移信号efs(n)；[0119]efs(n)＝e(n)cos(ω0n)-eh(n)sin(ω0n).[0120]其中[0121]ω0＝2πf0，[0122]eh(n)＝e(n)*hh(n)，[0123][0124](11)通过前向放大因子g对频移后的信号efs(n)进行放大，得到扬声器输出信号y(n)；[0125]y(n)＝g·efs(n).[0126](12)将输出信号y(n)与真实信道h进行卷积，得到反馈信号yf(n 1)；[0127](13)麦克风采集下一时刻的输入信号x(n 1)和反馈信号yf(n 1)，得到接收信号z(n 1)，重复步骤(3)到(13)。[0128]2、发明效果[0129]为了更好的展示本发明的效果，我们给出具体实例来验证本发明的可行性和有效性。通过系统最大稳定增益(maximumstablegain，msg)的增量δmsg、归一化失调量nm(normalizedmisalignment，nm)和计算复杂度对算法性能进行评估。[0130]2.1系统最大稳定增益增量[0131]为评价本发明对声反馈的抑制能力，采用δmsg来进行性能评估，δmsg越大说明算法的声反馈抑制能力越强。其中g为前向放大因子，未加入算法时系统临近啸叫时宽带增益因子记为g0，而将加入算法后系统临近啸叫时宽带增益因子记为g1，则定义δmsg为[0132][0133]为研究改进算法fs-rls-nkp的声反馈抑制性能，将该算法与传统fs-rls算法的δmsg性能进行对比，结果如图3所示，可得以下结论：[0134](1)随着混响时间的增长，两种算法的反馈抑制性能均会降低。说明混响时间对两种算法的反馈抑制性能均存在影响；[0135](2)fs-rls-nkp算法在弱混响下声反馈抑制性能较好，以混响时间200ms的情况为例，在取不同值的情况下，算法的δmsg性能均在10db以上。[0136](3)对比fs-rls和fs-rls-nkp两种算法的性能，可以发现fs-rlsp算法声反馈抑制性能优于fs-rls-nkp算法，但随着值的增加，两种算法声反馈抑制性能不断接近。[0137]2.2归一化失调量[0138]自适应算法的收敛性能采用nm进行评估，nm越小表示算法收敛速度越快，其中nm具体定义如下：[0139][0140]为对比fs-rls-nkp和fs-rls两种算法的收敛速度，将混响时间t60固定为200ms，前向放大因子g设置为25，对比两种算法的归一化失调量曲线，结果如图4所示。由图可得随着p值的增大，fs-rls-nkp算法收敛性能逐渐提升，nm不断减小逐渐逼近fs-rls算法。[0141]2.3算法复杂度[0142]已知rls-nkp算法复杂度取决于短滤波器长度l1和l2与滤波器估计次数p，rls算法复杂度与滤波器长度l有关。表3给出了两种算法滤波器更新时所需乘法和加法量。[0143]表3滤波器更新所需乘法和加法量[0144][0145]为进一步展现两种算法计算量的差距，在房间冲激响应长度l为256的条件下，设置l1和l2为16，以此为例对比两种算法滤波器更新时所需乘法与加法量，结果见表4。由表可见随着p值的增加，rls-nkp算法计算量不断增加，当p值取值较大时(例如p取值为7或8)，rls-nkp计算量约为rls算法计算量的一半。[0146]表4rls-nkp算法与rls算法滤波器更新所需乘法和加法量对比[0147][0148]2.4所得结论[0149](1)fs-rls-nkp算法在弱混响时声反馈抑制能力较好，随着滤波器估计次数p的增加，算法的声反馈抑制能力不断提升；[0150](2)随着p值的增加，fs-rls-nkp算法收敛速度逐渐趋近于fs-rls算法；[0151](3)以p值取7为例，fs-rls-nkp算法与fs-rls算法相比，声反馈抑制性能下降约1db，但计算量约为fs-rls算法的40％[0152]虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
