（信号与信息处理专业论文）声回波对消与语音盲信号分离及其dsp实现.pdf

四l l 大学硕士学位论炙 声回波对渭与语音盲信号分离及其d s p 实现 声回波对消与语音盲信号分离 及其d s p 实现 研究生邓方 信号与信息处理专业 导师何培字 在具有免提功能的现代通信设备和电话会议系统中，声回波的存在会严重 影响语音通信的质量和系统稳定性，因此声回波对消器具有重要作用。盲信号 分离在阵列信号处理、视频会议系统和语音增强等领域有重要应用。 首先介绍了立体声回波对消原理以及由于立体声两路信号之问相关性所造 成的非唯一解问题。讨论了最小均方误差算法、归一化最小均方误差算法、扩 展最小均方误差算法、块频域最小均方误差算法和快速递归最小二乘算法在实 时立体声回波对消系统中的应用。实验研究了当房间冲激响应持续上百毫秒， 输入信号为白噪声或语音信号、学习过程中远端房间冲激响应发生突变时，立 体声回波对消自适应算法的失配和跟踪性能。 讨论了盲信号分离的一般模型到简化模型的推导。针对语音盲信号分离， 利用信号二阶统计特性和语音信号的非平稳性，改进了一种频域的盲信号分离 算法，通过自适应迭代频域解混合滤波器系数使盲分离输出信号去相关，实现 从混合语音信号中提取独立源信号。并利用语音信号的非平稳性解决盲分离输 出信号的频点排列模糊性问题。将改进的频域算法分别应用于网上下载的两路 混合信号和虚拟房问冲激响应与两路源信号卷积所产生的混合信号，有较好的 分离效果。 探讨了一种基于盲方法的声回波对消结构，先将多路麦克风拾取的混合语 音信号作短时傅立叶变换，然后进行频域的盲信号分离，通过计算各路分离输 出信号的峰度和与远端房间输入信号的相关性来区分各路信号，实现声回波对 四川大学硕士学位论文 声 口! 技对梢与浯音盲信号分离及茸d s p 实现 消。在仅考虑近端房间噪声、声回波信号与近端房间说话人三路源信号的仿真 条件下，该方法具有一定的声回波对消作用。 最后利用t i 公司的t m s 3 2 0 c 6 7 0 1e v m 开发板和l 曲v i e w 虚拟仪器分别构建了 个实时声回波对消系统和实时盲信号分离系统。用v i s u a lc + + 开发工具编 写供l a b v e w 调用的动态链接库，在c c s 开发环境采用c 语言编写算法程序，并利 用t i 提供的库函数优化部分代码。将虚拟环境数据应用于构建的系统，测试结 果表明通过l a b v i e w 的界面能实现加载c o f f 代码到e 板、修改算法参数、读取 d s p 存储单元内容、控制程序运行以及实时显示算法结果等功能；声回波对消系 统的自适应滤波器能够有效模拟房间的声学特性，消除声回波信号；盲信号分 离系统能有效地从混合信号中提取两路独立源信号；所构建的d s p 系统均能满足 实时处理的要求。 关键词：电话会议；声回波对消；盲信号分离；语音信号；d s p ：l a b v i e w 四川大学颂士学位论文 声同渡对消与语苷盲信号分离及萁d s p 实现 a c o u s t i ce c h oc a n c e l l a t i o na n db l i n ds p e e c hs i g n a l s e p a r a t i o na l o n gw i t ht h ed s pi m p l e m e n t a t i o n m a j o ri ns i g n a la n di n f o r m a t i o np r o c e s s i n g g r a d u a t e ：d e n gf a n gs u p e r v i s o r ：h ep e i y u t h ee x i s t e n c eo ft h ea c o u s t i ce c h ow o u l db a d l ya f f e c tc o m m u n i c a t i o nq u a l i t y a n ds y s t e ms t a b i l i t y t h e r e f o r e , a c o u s t i ce c h oc a n c e l l a t i o n ( a e c ) i sn e c e s s a r yf o r t h ec o m m u n i c a t i o ns y s t e m si n c l u d i n gl i a n d - f r e ee q u i p m e n t sa n dt e l e c o n f e r e n c i n g s y s t e m s b l i n ds i g n a ls e p a r a t i o nf s s 趵i sa p p h e dt oal a r g en u m b e ro f a r e a s s u c ha s a r r a ys i g n a ip r o c e s s i n g ，t e l e c o n f e r e n c i n gs y s t e ma n ds p e e c he i l h a n c e m c n t f i r s tt h ep r i n c i p l eo fs t c r c o p h o n i ca c o u s t i ce c h oc a n c e l l a t i o n ( s a e c ) a n dt h e n o m m i q u e n e s sp r o b l e mc a u s e db y 也ec o r r e l a t i o no ft h et w oi n p u ts i g n a l sa r e i n t r o d u c e d a d a p t i v ea l g o r i t h m ss u c ha sl e a s tm e a ns q u a r ea l g o r i t h m , n o r m a l i z e d l e a s tm e a ns q u a r ea l g o r i t h m , e x t e n d e dl e a s tm e a ns q u a r ea l g o r i t h m , b l o c kf r e q u e n c y l e a s tm e a ns q u a r ea l g o r i t h r aa n df a s tr e c u r s i v el e a s ts q u a r ea l g o r i t h ma r ea p p l i e dt oa r e a l - t i m es a e cs y s t e m t h em i s a l i g n m e n ta n dt r a c kp e r f o r m a n c eo fs a e ca d a p t i v e a l g o r i t h m sa r ei n v e s t i g a t e dw h e nt h ei m p u l s er e s p o n s e so ft a n s m i s s i o nr o o ma r c c h a n g e da b r u p t l yi nl e a m i n gp r o c e s s as i m p l i f i e db s sm o d e li sd e d u c e df r o mt h eg e n e r a lm o d e l a ni m p r o v e d f r e q u e n c y d o m a i nb l i n ds e p a r a t i o na l g o r i t h mf o rc o n v o l v e ds p e e c hs i g n a l si s i n t r o d u c e d t h i sf r e q u e n c ya l g o r i t h mu t i l i z e st h es e c o n do r d e rs t a t i s t i cp r o p e r t ya n d t h en o n s t a t i o n a r i t yo fs p e e c hs i g n a l s i tc a l le x 订a c tt h ei n d e p e n d e n ts o u r c e sf r o mt h e s e a s o rs i g n a l sb yu p d a t i n gt h ec o e f f i c i e n t so f u n m i x t u r ef i l t e r su n t i lt h eb s so u t p u t s a r eu n c o r r e l a t e dw i t h e a c ho t h e r am e t h o du s i n gn o n s t a t i o n a r i t yo f s p e e c hs i g n a l st o i h 羁列大掌磋士学位徐文 声秘渣黯耩与潜爵宴端母 塞爱燕d s p 窭壤 s o l v et h ep e r m u t a t i o na m b i g u i t yp r o b l e mi sa l s od i s c u s s e d 下b i sa l g o r i t h mi sa p p l i e d t ot w os e n s o rs i g n a l sd o w n l o a d i n gf r o mi n t e r n m ta n dv i r t u a lr o o ms i g n a l sg e n e r a t e d 磅c o n v o l u t i n gt w os 0 1 l v e 培s i g n a l sw i t ht h el o o mi m p u l s er e s p o n s e s t h es i m u l a t i o n r e s u l t sd e m o n s t r a t et h a tt h i sa l g o r i t h mi sq u i t ee f f e c t i v e a na e cs t r u c t u r eb a s e do 建b l i n dm e t h o di sa l s o 摄s c u s s e af i r s tt h e m u l t i - e h a n n e ls e n s o rs i g n a l sc o u e c t e db ys e v e r a lm i c r o p h o n e sa r et r a n s f o r m e di n t o f r e q u e n c yd o m a i nb ys h o r tt i m ef o u r i e rt r a n s f o r m s t h e nf r e q u a n c yd o m a i nb s s a l g o r i t h mi su s e dt op r o c e s ss e h s o rs i g n a l s f o re a c ho u t p u ts i g n a l ，i t sk u t t o s i sa n d c o r r e l a t i o nw i t ht h el i n e d ns i g n a lf r o mt h ef a rr o o ma c a l c u l a t e d w ee a r l d l s t i n g u i s ht h es e p a r a t e ds i g n a l sv i ak u r t o s i sa n dc o r r e l a t i o n a st h es i m p l e s t s t r u c a u w eo n l yt a k ec o n s i d e r a t i o nt h r e es u u r c e $ w h i c ha l en e a rr o o mn o i s e f a r l o o me c h om a dn e a rr o o ms p e e c hi n0 1 1 1 s i n m l a t i o n t h es i m u l a t i o nr e s u l ts h o w st h a t t h i s a e cs t r u c t u r eb a s e d 0 1 1 b l i n d m e t h o dc a d c a n c e l t h e e c h os i g n a l + f i n a l l y , t h et m s 3 2 0 c 6 7 0 1e v md e v e l o p m e n tb o a r da n dl a b v i e w v i n l l a l i n s t r u m e n t8 r eu s e dt oc o n s t r u c tar e a l - t i m ea e cs y s t e mo rar c a l - m n eb s ss y s t e m s e p a r a t e l y w eu s ev i s u a lc 抖d e v e l o p m e n tt o o l st od e s i g nd y n a m i cl i n kl i b r a r y w h i c hc a nb ec a l l e di nl a b v i e w u n d e rt h ec c sd e v e l o p m e n te n v i r o n m e n tw e w r i t em o s to ft h ec o d e sw i t hcl a n g u a g ea n d 瞅t h et il i b r a r yt oo p t i m i z ep a r to f c o d e s n 埠v i r t u a ld a t ai su s e dt oa s s e s st h er e a l - t i m ep e r f o r m a n c ea n da l g o r i t h m v a l i d i t y i ti ss h o w nt h a to nt h el a b e wi n t e r f a c em a n yf u n c t i o n sa l er e a l i z e ds u c h a s l o a d i n gc o f fc o d ei n t oe v mb o a r d , m o d i l y i n gt h ea l g o r i t h mp a r a m e t e r s , r e a d i n gd a t af r o md s pm e m o r ys p a c e s , c o n t r o l l i n gt h ep r o g r a mr u n a i n ga n d d i s p l a y i n gt h ea l g o r i t h mr e s u l t si nr e a lt i m e t h ea d a p t i v ef i l t e rc a l ls i m u l a t et h e r o o ma c o u s t i cp r o p e r t yp r o p e r l ya n dt h ea e cs y s t e mc a nc a n c e lt h ee c h oe f f e c t i v e l y t h eb s ss y s t e mc a r le x t r a c tt w oi n d e p e n d e n ts i g n a l sf r o mt h es e n s o rs i g n a l s e f f o c d v e l y b o t ho ft h ea e cs y s t e ma n dt h eb s ss y s t e mc a np r o c e s sd a t ai nr e a l t i m e k e y w o r d s ：t e l e c o n f e r e n c i n g ： a c o u s t i ce c h oc a n c e l l a t i o n ：b l i n ds i g n a l s e p a r a t i o n ；s p e e c hs i g n a l ；d s p ；l a b v i e w i v 、 h j 四川大学硕士学位论文声唧渡对消与语音盲信号分离及其d s p 实现 第一章绪论 1 1 声回波对消的背景及其应用 随着通信技术的不断发展，新型的通信业务不断涌现，如传真、可视电话、 电话会议等，但是在电话通信系统中都不同程度地存在回波。电话通信中的回 波有两种，线路回波和声回波。线路回波主要是由阻抗不匹配的2 4 线转换混 合线圈产生。声回波是由远端话音信号经近端扬声器一房间一麦克风( l l t m ) 构 成的声回授通道产生，本文讨论的是这类声回波的消除方法。 在具有免提功能的现代通信设备和电话会议中，若近端麦克风拾取的信号 不进行回波对消处理，远端房间的说话人便会在与近端房间说话人通话的同时， 又听到由近端房间传来的回声信号。这种回波的存在不但影响了通话的自然性， 严重时甚至会产生啸叫，影响语音通信的质量和系统稳定性，因此声回波对消器 具有重要作用。声回波对消器通常采用估计由扬声器到麦克风的回波路径并由 此预测该麦克风所拾取的回波信号的方法来实现回波对消。声回波对消在通信 的多个领域，例如车载电话、免提电话、电话会议系统、网络电话、助听器等 有重要应用。 电话会议系统是声回波对消器应用的典型例子。普通的电话会议系统仅使 用了一路扬声器和一路麦克风，应用于这类单通道的声回波对消技术目前已比 较成熟。采用多个麦克风和扬声器的电话会议系统，话音具有附加的空间信息， 不但有更真实的现场感，还能使听者通过话音来分辨说话人的位置和说话人， 因此近年来多通道声回波对消得到了广泛探讨。 尽管可以将单通道声回波对消的方法应用于多通道的声回波对消，但是研 究表明“儿刀。3 多通道声回波有许多新问题需要解决。多通道声回波对消的主要问 题是近端房间多个扬声器播放的话音是由远端房间同一源信号产生，彼此间具 有很强的相关性，因此自适应滤波器并不一定收敛到真实的房间冲激响应：另 外由于房间冲激响应可达数百毫秒，经采样可得到上于个权值，要学习该冲激 响应的自适应滤波器阶数比较高，自适应算法的收敛过程非常缓慢。立体声回 波对消是多通道声回波对消最简单的形式，因此文中主要讨论立体声回波对消。 四川大学硕士学位论文声刚波对消与语音盲信号分离及其d s p 实现 1 2 盲信号分离的背景及其应用 在许多实际的应用场合，通过多个传感器测量得到的信号都是由若干个随 机信号混迭而成。在这种情况下，有多少个独立信号源通过传输网络到达接收 端、源信号与传输网络都是未知的，即没有任何其它先验信息，要求我们仅根 据源信号相互之间的统计独立性质，从传感器接收到的混合信号中恢复出相互 独立的源信号，这称为盲信号分离。由于盲信号分离有较强的应用背景和近期 l 数学理论的发展，盲信号分离技术的研究引起越来越多学者的兴趣，已成为近 t 年来信号处理的热点之一。 这里所谓“盲”有两重含义：一是指除了源信号之间的相互独立性外，并 不知道任何有关源信号及传输信道的先验知识；二是指信号如何混合是未知的。 传感器接收到的混合信号均是源信号按照不同的混合方式产生，根据源信号混 合方式不同，可分为线性混合与非线性混合，线性混合是目前讨论和应用最广 泛的一种模型，又分为瞬时混合与卷积混合。盲信号分离的核心问题是分离( 或 解混合) 矩阵的学习算法，基于不同的混合模型，按照不同的准则，研究者们提 出了最小互信息量、最大化负熵、信息传输最大化、最大似然估计、最小化互 高阶统计量与神经网络等解混合方法来从传感器接收到的混合信号中提取独立 信号源“m 1 ，并提出了一些在分离能力、内存需求、计算量等方面性能各异的有 效的盲信号分离算法。 盲信号分离在阵列信号处理、语音分离识别、无线数据通信、图像处理、 地震信号处理以及生物信号处理等领域有广阔的应用前景。盲信号分离应用于 语音分离识别系统中，通常面临着在嘈杂环境中辨识及跟踪某个音源信号的问 题，而实际中我们几乎无法预先知道源信号与拾取器之间的相对位置，例如“鸡 尾酒会i a - j 题”即在嘈杂的会议大厅中如何去听清楚特定说话人的谈话内容。本 r 文讨论的是这类语音信号卷积混合的盲信号分离问题。_ 1 3 基于盲方法的声回波对消的背景 在声回波对消的实际应用中，背景噪声的影响有时是不可忽略的，当背景 噪声能量较大时，声回波对消系统就必须考虑消除噪声；另外基于系统辨识的 2 i 、 f 四川大学硕士学位论文 声回波对消与语音盲信号分离及其d s p 实现 声回波对消系统，还需要考虑双端房间同时讲话的情况( d o u b l et a m ) ，即在自 适应滤波器学习过程中，不能同时传送近端说话人的语音，一旦近端和远端房 间的说话人同时说话，自适应算法的学习效果就会恶化，这些问题增加了实时 声回波对消器的设计难度。 因此近年来d a n i e lw e s c h o b b e n 【e 1 、r y om u k a i m 等研究者将盲信号分离算 法与多通道回波对消结合起来，提出了新的回波对消思路。将盲信号分离和声 回波对消结合的算法具有两大优点：首先传统的声回波对消系统受到近端话音 即d o u b l et a l k 的牵制，而盲信号分离在同时处理多个独立语音源方面具有优势； 另一方面传统的声回波对消系统的效果受到残留回波信号的影响，而盲信号分 离的性能优劣与残留回波信号无关旧。通过盲信号分离与声回波对消的结合， 不但可以增强近端房间说话人的语音，起到很好的噪声抑制和回波对消作用， 还能处理d o u b l e 吼k 的情况，具有较强的应用前景。 由于在多路声回波对消系统中，各通道的声回波是彼此相关的，不具备盲 信号分离目前所假定的源信号彼此独立的前提，本文所探讨的基于盲方法的声 回波对消也仅仅是单通道声回波对消的情况。 t， 明川大学硕士学位论文 声 廿i 渡对消与语哿盲信号分离及其d s p 实现 2 1 前言 第二章立体声回波对消算法原理及仿真 在具有免提功能的现代通信设备和电话会议中，声回波的存在会严重影响 语音通信的质量和系统稳定性，因此声回波对消器具有重要作用。具有双声道的 立体声电话会议系统能提供空间信息以帮助听众分辨讲话者所处的位置并增加 其身临其境的感觉，立体声回波对消得到了广泛的探讨。与单声道回波对消中 自适应滤波器可以唯一辨识声回授通道的情况不同，对立体声回波对消系统而 言，两路输入信号间的强相关性给滤波器唯一性地辨识近端房间的两个声回授 通道带来了难度。另外，电话会议要求系统能进行实时立体声回波对消处理， 对硬件设备实时处理能力的要求也较高。 2 2 立体声回波对消的原理和非唯一解问题 2 2 1 立体声回波对消的原理“周 图2 1 描述了发送房间( 左边) 和接收房间( 右边) 之间的立体声回波对消原 理图，发送房间也可看作远端，接收房间可看作近端。图中仅画了近端房间扬 声器、麦克风系统一个声道的回波消除结构，实际上相同的回波路径也存在于 另一声道中。 发 送 房 间 远 端 图2 1 立体声回波对消原理图 4 接 收 房 间 近 端 j t j 四川大学硕十学位论文声回波对消与语音盲信号分离及其d s p 实现 由图可知立体声回波对消系统就是一个多输入的未知线性辨识系统。( h ， h ：) 表示近端房间的一对冲激响应，( 毛，丘：) 表示模拟该未知系统的一对自适应 滤波器，( g 。，g ：) 表示远端房间的一对冲激响应，m 和h 分别指麦克风和扬声器。 文中我们取远端房间、近端房间的冲激响应长度和自适应滤波器的阶数都为l 。 远端房间n 时刻的信源s 卷积冲激响应g i 、g ：分别到达两个麦克风，形成两 路输入信号： ( 甩) = ( x , c n ) ，x , c n - 1 ) ，x , ( n - l + 1 ) y ，( i = 1 ，2 ) ( 2 1 ) 输入信号传送到近端房间，分别经扬声器h 与麦克风m 之间的回声路径： h ，= ( ，_ j j ：，y ，( i = l ，2 ) ( 2 2 ) 形成近端n 时刻的回声信号： y ( n ) = h i2 i l ( 即) + h ：1 x 2 ( 行) ( 2 3 ) 声回波对消器两个并行自适应滤波器n 时刻的系数为： 矗，( ”) = ( 矗i 【功，矗：( 西，：恕( 功) r ，( i - 1 ，2 ) ( 2 4 ) 则n 时刻自适应滤波器的输出信号为： 夕( 珂) = f i i ( n ) x 。( n ) + f i i c n ) x ：( ，1 ) ( 2 5 ) 这样r l 时刻的误差信号为： p ( 功= j ，( 行) 一夕( 一) ( 2 6 ) 声回波消除就是要选取一定的准则函数使该误差e ( n ) 达到最小。定义 h = 【h ：h ；】r 、g = 【g ：9 1 7 、矗( 功= 【鲆( ”) h ；c n ) l r 、i ( ”) = 【x i ( 月) x ：( 珂) r 。则 近端n 时刻回声信号可表示为：y ( n ) = h r x ( n ) ，n 时刻自适应滤波器输出信号表 示为：多( ，2 ) = f i ( n ) 7 x ( ，z ) 。 2 2 2 立体声回波对消的非唯一勰问题 单通道声回波对消系统中，自适应算法可以很好地模拟近端房间的冲激响 应，但是在立体声会议系统中，回波随着声回授通道数目的增加而增加。随着扬 声器和麦克风的位置不同而不同，因此多路回波的消除出现了与单通道回波消 除不同的问题。 按照立体声回波对消原理，采用递归最小均方误差准则，定义代价函数递 归最小均方误差为： 四f l i 大学硕七学位论文声吼渡对消与语音盲信号分离及茸d s p 实现 ，( n ) = ：，五”9 e 2 ( p ) ( 2 7 ) 最小化代价函数，( 以) 可得到正规方程： r ( ，1 ) h ( 聆) = r ( n )( 2 8 ) 另外利用输入与输出信号之间的关系可得： r ( n ) l a = r ( n ) ( 2 9 ) 式中r ( ”) = ：l 。五”9 x ( p ) x 7 ( p ) 为两路输入信号的自相关矩阵估计值， r ( 埠) = ：l 。, z n 一9 y ( p ) x ( p ) 为输入与输出信号的互相关矩阵脚。结合式( 2 8 ) 与式 ( 2 9 ) 可得： r ( n ) h - h ( n ) 】- 0 ( 2 1 0 ) 假设立体声回波对消系统是线性时不变系统时，可得到输入信号1 1 m 、 x ：【川与远端房间冲激响应g i 、g ：的关系式为： x i 加】g ：= x n l g 。- ( 2 i f ) 当远端房间、近端房间的冲激响应长度和自适应滤波器的阶数都为l 时，定义 n = g ；一g ：】r ，则由式( 2 1 1 ) 可得： r ( n ) u = 0 ( 2 1 2 ) 通常远端房间的冲激响应9 1 、9 2 不会皆为0r 可得相关矩阵r ( n ) 为非满秩矩阵 不可逆，式( 2 8 ) 中自适应滤波器系数丘的解不唯一，自适应算法并不一定收敛 到真实的回波路径冲激响应。 定义丘，= h 1 + z 9 2 ，矗2 = h 2 一p g 。，为任意常数。由式( 2 1 2 ) 可知，此 时的h 。和h ：仍能满足式( 2 8 ) ，是该方程的解，且这些解都与远端房间的冲 激响应g ，、g ：有关。因此，在立体声回波对消的自适应学习过程中，自适应滤 波器的系数不但跟近端房间冲激响应有关，而且受到远端房间冲激响应的影响。 近端房间的麦克风和扬声器的布置一般改动较小即冲激响应变化较小，而远端 房间的冲激响应却很容易发生变化，如说话人的位置变动或者个人结束说话 另一个人在新的位置开始说话，都会造成学习效果的恶化。 我们引入失配来衡量立体声回波对消算法的学习效果。失配为自适应滤波 器系数h 和近端房间冲激响应h 之间的差距，即： 6 ， 日 i 、 ? j 四j i i 大学颂十学位论文 声回波对消弓语音盲信号分离及其d s p 实现 m i s = 1 1 1 6 , l l 1 1 n ( 2 1 3 ) l l 表示取2 范数。由于自适应算法并不一定收敛到真实的回波路径冲激响应， 当h h 或失配较大时，虽然有时也可达到好的回波对消效果，但若远端房间 的冲激响应发生突变如说话人走动或更换说话人时，学习效果就会很快恶化， 需要重新学习来调整盂；当丘= h 或失配小时，不论远端房间的冲激响应是否发 生变化，式( 2 1 0 ) 都满足恒等，学习效果亦不会恶化。我们可以通过均方误差 m s e 来考察自适应算法对远端房间冲激响应突变的跟踪性能。 2 3 立体声回波对消自适应算法原理 实时的声回波对消自适应滤波算法要求是：收敛速度快，计算复杂度低，稳 定性好和稳态失配小。现在使用较多的两种线性自适应滤波算法是最小均方算 法( l m s ) 和递归最小二乘算法( r l s ) 。 2 3 1 基于最小均方误差的自适应算法 l m s 算法的基本原理是基于最速下降法，即沿着权值梯度估值的负方向搜索 达到最优权，实现均方误差最小意义下的自适应滤波。l m s 算法有两个基本步骤： 第一步是计算自适应滤波器输出y ( n ) = x t ( 力) 丘( ，z ) 与期待响应d ( 刀) = x 1 ( 厅) h ( 玎) ， 并计算自适应滤波器输出误差信号e ( n ) ，第二步是将该误差信号e ( n ) 用于调节 自适应滤波器的系数向量丘。由l m s 算法计算n 时刻误差为： p ( ”) = x 7 ( 月) h ( n ) 一x 7 伽) ( ”) ( 2 1 4 ) 自适应滤波器n 时刻的系数迭代为： h ( n + 1 ) = h ( ) + 2 s e ( n ) x ( n ) ( 2 1 5 ) 式中乒为自适应迭代步长，决定算法的稳定性和收敛速度，缸为e ( x ( n ) x 7 ( 疗) ) 的最大特征值，则当取值满足o 2 五。时，l m s 算法可以收敛”1 。 虽然l m s 算法简单、运算量小，但收敛速度较慢，当输入自相关矩阵特征值 分散度越大时算法收敛越慢，当输入信号为白噪声时，输入自相关矩阵所有特 征值相等，此时l m s 算法可获得最快的收敛速度。但是，在声回波对消应用中， 实际的输入信号为语音信号，而语音信号具有较大的特征值分布范围，从而导 致算法的收敛速度减慢。 7 输入信号为语音等信号时，n l m s 算法的收敛速度比l m s 算法快，同样n l m s 也具有 较低的运算量，易于实现。 在立体声回波对消算法中两路输入信号具有较强的相关性，e l m s 算法引入 输入信号的相关性来调整自适应步长，计算相关矩阵为： p l l ( + 1 ) = x t ( n ) x i ( ”) ，2 2 ( 疗+ 1 ) = x ；( 仃) 工2 ( 疗) ，r , 2 ( 厅+ 1 ) = x j ( 行) x 2 ( 以) ， ( 2 1 7 ) 自适应滤波器系数迭代式为： h ( ”+ 1 ) = h ( n ) + a m - 1 ( ，f + i ) x ( n + 1 ) e ( 栉+ 1 ) ( 2 1 8 ) 式中p 为相关系数，调整互相关矩阵的值，当0 a 1 ，0 p l 时算法可收敛。 由于e l m s 算法考虑了输入信号间的相关性，所以应用于立体声回波对消效果较 好，同时具有较低的运算量。 频域算法利用离散傅立叶变换来快速计算线性卷积，与时域算法相比，处 理相同数据量数据所需的计算量大大减少，并且频域算法可以独立地调整各个 频点的自适应滤波器权值，可加快收敛速度。将l m s 算法利用分块的思想，转换 到频域迭代自适应滤波器系数即可得到b l 幅算法，而采用5 0 重叠存储法的 b l m s 算法具有最佳的运算效率嘲。 首先根据自适应滤波器的阶数对输入信号分块进行傅立叶变换，得到频域 输入信号u ( | i ) ： u i ( 七) = d i a g f f t x , ( k m 一 f ) ，一，x l ( k m - 1 ) ，墨( ：m ) ，x 1 ( k m + m 一1 ) r 8 1j 眦呲 + 如 h m “ 唧“肼 + m 四川大学硕士学位论文 声回波对消与语音盲信号分离及其d s p 实现 u 2 ( 七) = d i a g f f t x 2 ( k m 一m ) ，x 2 ( k m - o ，x 2 ( k m ) ，x ：( k m + m 一1 ) 1 7 u ( 七) = 【u l ( 七) 7u 2 ( 七) 7 】 ( 2 1 9 ) 然后由自适应滤波器系数和输入信号计算时域输出： 多7 ( 七) = n 。f r t v ( k ) f i ( k ) 的最后m 个元素 ( 2 2 0 ) 得到时域和频域误差分别为： e ( 七) = y ( j i ) 一多( 七) 阶m l 品l c z z ， 计算信号功率谱： p j ( ) = r e ( k 1 ) + ( 1 一y ) i u ( 女) r ，f = o ，l ，2 m - 1 d ( d = d i a g p i l ( 七) p 1 1 ( 后) i ：_ ( 七) 】 ( 2 2 2 ) 自适应滤波器系数的迭代公式为： m ( 七) = i f f t id ( k ) u 8 ( 七) e ( 后) l 的最前m 个元素 i ；l ( k + 1 ) = 白( 七) + 口f f r l 等意1 ( 2 2 3 ) 基于最小均方误差的系列算法具有算法简单、运算量小和易于实现等优点， 因此在工程上得到广泛的应用，但用它们来处理相关性较强的语音信号时，其 收敛速度就大大下降。 2 3 2 基于最小二乘估计的自适应算法 r l s 算法的基本原理是对加权误差平方和形式的代价函数进行最小化，用矩 阵求逆的方法寻找函数的解，由于r l s 算法有矩阵求逆运算，所以运算量较大。 递归最：b - - 乘算法( r l s ) 嘲采用迭代方法求相关矩阵的逆： g ( ，o = p ( 一- i ) u ( 功，k ( ”) = ：i ：i z 万i f n ；五) ；i 石 p ( 盯) = 丑一p ( n 一1 ) 一五k ( n ) x “( 即) p ( 聆一1 ) ( 2 2 4 ) 自适应滤波器系数迭代式为： f i ( n ) = l i ( n 一1 ) + k ( h ) p ( 月)( 2 2 5 ) 9 四川大学硕士学位论文 声斟波对消) 语音盲信号分离及其d s p 实现 波器结构为： g r ) = 如( 行) 而( 一) 】 x ( d = 【矿( 以) x r ( 片一t ) z r ( 栉一+ 1 ) 】 h 积) = 【噍，0 ) 吃。( h ) 钆仰) 岛。仍) 】 ( 2 2 6 ) 计算n + 1 时刻前向预测误差向量e 。+ 1 ) ： g ：c h + t ，= 量，。二 + 匕三， e 一- c 抑，e 。c n + 。= r l m 唑。n ，+ + ? u 、j a ( 肝+ 1 ) ：a ( 厅) + 兰蔓睦兰；竺三三堕 ( 2 2 8 ) 然后计算后向预测误差向量e 。+ 1 ) ： 前向预测误差能量矩阵e 。q + 1 ) 为： e 。( 玎+ 1 ) ：( e 。( 疗) + 三d q ! ! ；! ：! 竺业) w ( 2 3 1 ) e 。( 一+ 1 ) = ( e 。( ”) + ! i 尘； 等；! i 丝) w ( 2 3 2 ) 四川大学硕十学位论文 声鼎渡肘消弓语音盲信号分离及其d s p 实现 计算后向预测滤波器系数b ( 玎+ 1 ) ； 附+ 1 ) - b ( n ) + 坐掣娑业 ( 2 3 3 ) a t n + n + l 时刻滤波器输出的误差信号为： p ( 刀+ 1 ) = y ( 弗+ 1 ) 一h 7 ( 肝) x ( ”+ 1 ) ( 2 3 4 ) 自适应滤波器迭代公式为： h ( 川) ：r i ( 胛) + 盟笔墨掣 ( 2 3 5 ) a ( n + 1 5 w 2 5 为稳定因子控制算法的收敛，0 _ o ( 3 1 4 ) 令v = e y ( t ) y 7 ( f ) 】为输出信y ( t ) 的相关矩阵估计，由式( 3 1 4 ) 可得到代价函 数为： ，( 形) ：i 1 nl 。g 日卯( f ) 】- l o g i e y ( t ) y r ( r ) 咖 ( 3 1 5 ) 四川大学硕士学位论文 声回波对消弓语音盲信号分离及其d s p 实现 该代价函数值仅在e y q ) y 7 ( f ) j 为对角矩阵时取最小值等于零，此时的盲分离系 统输出则可保持源信号的波形。 在k m a t s u o k a 提出的神经网络和代价函数基础上，m k a w a m o t o 子1 9 9 8 年采用该结构提出了可用于具有相同数量源信号和传感器情况下卷积混合模型 的盲信号分离算法m 1 “，并取得了较好的分离效果。由于计算时域的信号卷积 运算量较大，而频域算法可以利用离散傅立叶变换快速完成卷积运算，大大节 省运算时间，因此在实时的盲信号分离系统中，频域算法应用非常广泛。本文 将m k a w a m o t o 提出的时域算法改进到频域以满足实时处理的要求。 频域盲信号分离简化模型如下图： 图3 3 频域分离模型 舅( 以0 ) y ( c o ，0 ) 将源信号墨( ，) 作短时傅立叶变换可得到频域输入信号置( 国，0 ) ，即： l + ， ( 缈，o ) = 墨( ，) ( ，- t ) e x p ( - j c o t ) ( f = l ，；o = o ，r ，2 a t , ) ( 3 1 6 ) f z 0 式中厅( r ) 为汉明窗函数，0 代表窗的位置，丁为汉明窗的滑动间距。第个源 信号到第i 个传感器的传递函数为瓦( z ) = ( t ) z 4 ，则频域传递函数 k - - - _ o h ( ) = 【瓦( m ) 1 ，瓦( 功) 是瓦( z ) 的离散傅立叶变换。则： x ( ，t 。) = h ( 国) s ( 缈，0 ) ( 3 1 7 ) 设第，个传感器到第f 个解混合滤波器的传递函数为瓦( z ) = 气( 七) z ，频域传 t 卸 递函数b ( ) = 晚) 】，瓦 ) 是瓦( z ) 的离散傅立叶变换，盲信号分离系统的输 1 9 爵肓信号分离及其d s p 实现 t w ) ( 3 1 8 ) 信号幅度和排列顺序 ( 3 1 9 ) 为对角矩阵影响分离 y ( r ) = d ( ) p s ( 力 ( 3 2 0 ) 由式( 3 2 0 ) 可见：尽管存在幅度和排列顺序的模糊性，但m ( f ) 是互相独立的， 则此时的输出信号即是由混合信号中提取出来的彼此独立信号，因此只要求出 b n ) 即可找到理想的解混合滤波器，达到盲信号分离的目的。 基于非平稳源信号卷积混合模型所提出的频域盲分离的代价函数为： q ( o ，b ( 功) ) = 去( l o g e y ，( o ，o ) 以( m ，o ) 】一l o g d e t e y ( c o ，o ) y ( 。，f w ) 】 ( 3 2 1 ) 使代价函数q ( 0 ，b ( ) ) 最小，即可求得b o ( ) 。对代价函数求导并用于计算b ( ) 每次迭代的修正量： a b ( 咖一口篝铲丝m 扣o ，1 ，肛1 ( 3 2 2 ) 7 扭( 硝 77 口为一个较小的正数，m 为离散傅立叶变换点数，由于采用分离简化模型，因 此仅对b ) 的非对角元素进行修正。计算式( 3 2 2 ) 的右边，可得： a b ( o j ) = 口z 。 l 一( d i a g e y ( c o ，t 。) y ( c o ，0 ) 日】) e y ( o ，t 。) y ( o j ，0 ) 】 b ( 国) r ( 3 2 3 ) i 为单位矩阵，d i a g ( ) 表示取对角元素构成一个对角阵。在实际迭代中为提高 算法的运算性能，用瞬时值y ( 缈，0 ) y ( 缈，0 ) ”来代替e y ( c o ，t ) y ( c o ，0 ) 】，采用滑 动平均的方法来计算d i a 吕e 【y ( ，t ) y ( c o ，0 ) ”】，即： 谚( m ，0 ) = (