基于RLS算法的多麦克风降噪课程设计报告书

1、课程设计题 目 基于 RLS 算法的多麦克风降噪 学院专业班级姓名 指导教师信息处理课群综合训练与设计任务书题 目 : 基于 RLS 算法的多麦克风降噪初始条件：Matlab 软件、信号与系统、通信处理等要求完成的主要任务 : （包括课程设计工作量及其技术要求，以及说明书撰写等具体要求）设计任务： 给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声， 实现 语音增强的目标，得到清晰的语音信号。设计的要求：（ 1）阅读参考资料和文献，明晰算法的计算过程，理解RLS 算法基本过程；（ 2）主麦克风录制的语音信号是 RLSprimsp.wav ，参考麦克风录制的参考噪 声是 RLSrefn

2、s.wav ，用 matlab 指令读取；（ 3）根据算法编写相应的 MATLAB 程序；（4）算法仿真收敛以后，得到增强的语音信号；（ 5）用 matlab 指令回放增强后的语音信号； （6）分别对增强前后的语音信号作频谱分析。参考书：1 刘泉,信号与系统 , 高等教育出版社 , 2006 年。2 刘泉 , 数字信号处理 ,电子工业出版社 ,2008 年。3 Edward W. Kamen, Bonnie S.Heck编,信号与系统基础应用 Web和 MATLAB （第二版），科学出版社， 2002 年。时间安排：1、理论讲解，老师布置课程设计题目，学生根据选题开始查找资料；2 、课程设计时

3、间为 2 周。时间 2 天；（1）理解相关技术原理，确定技术方案，6 天；年月日年月日（2）选择仿真工具，进行仿真设计与分析，时间 （ 3）总结结果，完成课程设计报告，时间 2 天 指导教师签名： 系主任（或责任教师）签名：目录摘要 IAbstract II1 绪论 11.1 绪论 11.2 任务与要求 22 信号处理基本原理 32.1 自适应滤波器组成 32.2 自适应干扰抵消原理 42.3 自适应滤波原理 52.4 RLS 算法基本原理 63 方案设计 83.1 最小二乘算法 RLS 算法实现 83.2 RLS 算法程序程序设计 114 RLS 算法滤波方案实现 134.1 信号的获取 1

4、34.2 读取语音文件 134.3RLS 算法实现 134.4 提取语音信号 155 仿真结果与分析 185.1 原始音频信号 185.2 麦克风主语音信号 195.3 噪声语音信号 205.4 降噪后语音信号 225.5 信号处理分析 235.5.1 原始语音信号与主语音信号分析 235.5.2 主语音信号与降噪后语音信号分析 245.5.3 原始语音信号与降噪后语音信号分析 256 总结 26参考文献 28附录 源程序 29摘要本次课程设计题目为基于 RLS 算法的多麦克风降噪，要求使用 MATLAB 软件，运用自适应滤波中的 RLS 算法实现麦克风降噪。MATLAB 即矩阵实验室，是一个

5、可视化的计算程序，被广泛的运用在科学 计算领域，包括数值计算、数据拟合图形图像处理、系统模拟仿真功能。除具备 卓越的数值计算能力用外，它还提供了专业水平的符号计算，文字处理， 可视化 建模仿真和实时控制等功能。在了解 RLS 算法的原理后， 选择了一段音频文件， 并利用它产生随机噪声， 将噪声和源文件叠加作为受噪声污染的语音信号， 而随机噪声则作为参考麦克风 语音信号，通过 MATLAB 编程实现语音增强的目标，利用 RLS 算法对语音信 号进行降噪，得到清晰的语音信号。关键词： MATLAB ，自适应滤波， RLS 算法，麦克风降噪AbstractThe curriculum design

6、topic for noise reduction based on RLS algorithm microphone, requires the use of MATLAB software, the RLS adaptive kalman filtering algorithm microphone noise reduction.MATLAB matrix lab, is a visual calculation program, has been widely used in the field of scientific computing, including numerical

7、calculation, data fitting of image processing, system simulation function. Besides excellent ability in numerical calculation with, it also provides a professional level of symbolic computation, word processing, visual modeling simulation and real-time control, and other functions.After knowing the

8、principle of RLS algorithm, chose an audio file, and use it to produce random noise, the noise and the superposition of the source file as speech signal polluted by noise, and random noise isused as a reference microphone voice signal, through the MATLAB programming to realize the goal of speech enh

9、ancement, RLS algorithm is used to analyse the speech signal de-noising, get clear speech signal.Keywords: MATLAB, adaptive filter, RLS algorithm, microphone noise reduction1 绪论1.1 绪论自适应噪声滤波是指从信号被噪声干扰所淹没的环境中检测和提取有用信 号，而自适应抵消是以噪声干扰为处理对象， 将它们抑制掉或进行非常大的衰减， 以提高信号传递和接收的信噪比质量。自适应滤波处理技术可以用来检测平稳的和非平稳的随机信号。

10、自适应数字 系统具有很强的自学习、 自跟踪能力和算法的简单易实现性， 它在噪声信号的检 测增强， 噪声干扰的抵消， 波形编码的线性预测， 雷达声纳系统的阵列处理和波 束形成， 通信系统的自适应分割， 以及未知系统的自适应参数辨识等方面获得了 广泛的应用。例如， 在工业生产过程中，由于生产环境的影响， 许多静电或电磁场会对控 制器输入给定信号造成干扰， 产生信号噪声， 导致操作精度下降甚至输入错误信 号，加快执行机构的磨损，严重时造成生产事故，后果不堪设想，这就需要设计 一个自适应信号处理系统来过滤噪声干扰。 再如水下侦察系统中发射器与接收器 靠得很近，但为了探测水下远程潜艇等目标， 发射信号的

11、功率很强， 就会串扰到 接收器中， 因此所接收的远程目标的反射波就淹没在串扰信号中， 大大妨碍了对 目标定位距离的测量，这时也必须采用干扰抵消措施。所以， 自适应噪声干扰抵 消技术有着重要的应用。通过本次课程设计， 我们可以加强对信号处理的理解， 学会查寻资料方案 比较，以及设计算法等。 灵活运用所学信号与系统、 数字信号处理等信息处理知 识，分析和解决工程技术问题，将理论知识与应用实际结合起来。本次课程设计的题目为基于 RLS 的多麦克风语音降噪，主要是对给定主麦 克风录制的受噪声污染的语音信号和参考麦克风录制的噪声， 实现语音增强的目 标，得到清晰的语音信号。1.2 任务与要求给定主麦克风

12、录制的受噪声污染的语音信号和参考麦克风录制的噪声， 实现语音增强的目标，得到清晰的语音信号。要求：（1 ）阅读参考资料和文献， 明晰算法的计算过程，理解 RLS 算法基本过程；（2 ）主麦克风录制的语音信号是 RLSprimsp.wav ，参考麦克风录制的参考噪声是 RLSrefns.wav ，用 matlab 指令读取；（3 ）根据算法编写相应的 MATLAB 程序；（4 ）算法仿真收敛以后，得到增强的语音信号；（5 ）用 matlab 指令回放增强后的语音信号；6 ）分别对增强前后的语音信号作频谱分析。2 信号处理基本原理2.1 自适应滤波器组成自适应滤波器通常由两部分组成， 其一是滤波子

13、系统， 根据它所要处理的功 能而往往有不同的结构形式。 另一是自适应算法部分， 用来调整滤波子系统结构 的参数，或滤波系数。在自适应调整滤波系数的过程中，有不同的准则和算法。 算法是指调节自适应滤波系数的步骤， 以达到在所描述准则下的误差最小化。 自 适应滤波器含有两个过程， 即自适应过程与滤波过程。 前一过程的基本目标是调 节滤波系数 (k) ，使有意义的目标函数或代价函数 F( ) 最小化，滤波器输出信 号 y(n) 逐步逼近所期望的参考信号 d(n) ，由两者之间的估计误差 e(n) 驱动某种 算法对滤波 (权 )系数进行调整，使滤波器处于最佳工作状态以实现滤波过程。但 是，由于目标函数

14、 F( ) 是输入信号 x(k) 、参考信号 d(k) 及输出信号 y(k) 的函数，即 F( )=Fx(k),d(k),y(k)，因此目标函数必须具有以下两个: 性质1）非负性F x k ,d k , y k 0,y k , x k , d k（2 ）最佳性F x k , d k , y k0,当 y k d k 时2.2 自适应干扰抵消原理自适应滤波器在实际应用中， 由于没有充足的信息来设计固定系数的数字滤 波器，或者设计规则会在滤波器正常运行时改变， 因此我们需要研究自适应滤波 器。凡是需要处理未知统计环境下运算结果所产生的信号或需要处理非平稳信号 时，自适应滤波器可以提供一种吸引人的解

15、决方法， 而且其性能通常远优于用常 方法设计的固定滤波器。 此外，自适应滤波器还能提供非自适应方法所不可能提 供的新的信号处理能力。自适应噪声抵消技术是自适应信号处理的一个应用分支， 其主要理论和框架 在 1975 年提出， 经过三十多年的丰富和扩充，现在已经应用到了很多领域，比 如车载免提通话设备， 房间或无线通讯中的回声抵消在母体上检测胎儿心音， 机 载电子干扰机收发隔离等， 都是用自适应干扰抵消的办法消除混入接收信号中的 其他声音信号。 如图所示的是自适应干扰抵消器的基本结构， 它有着很广泛的应 用。期望响应 d(n) 是信号和噪声之和， 即 d(n) x(n) N(n) ，自适应处理器

16、的输 入是与 N (n )相关的另一个噪声 N (n)。当 x(n) 与N (n)不相关时，自适应处理器 将调整自己的参数，以力图使 y(n)成为 N (n) 的最佳估计 N (n ) 。这样， e(n) 将逼 近信号 x(n) ，且其均方值 E e2(n) 为最小。噪声 N(n) 就得到了一定程度的抵消。2.3 自适应滤波原理图 2-2 自适应滤波原理图自适应滤波器由递归计算最小二乘估计 (RLS) 应用自适应权值控制机制来进 行(图 3-2) 。自适应滤波机制在估计滤波器的权重或者系数时，需要将输入信号 转换成所需的信号， 通过滤波器的信号输入端口进行连接。 该输入信号可以是基 于采样的标

17、量或一个单位信道的基于帧的信号。 将所需端口的信号必须具有相同 的数据类型、帧状态、复杂性，才能作为所需的信号作为输入信号，输出端口输 出滤波后的输入信号， 它可以是基于样品或帧输入信号。 使用递归最小二乘 (RLS) 算法，从输入信号中减去噪声得到输出信号。 RLS 自适应线性自适应滤波器使 用的输入端口上的参考信号与输出的期望信号端口自动匹配， 滤波过程在噪声滤 波器内进行去噪。由于通过滤滤器的输入信号进行收敛， 过滤的噪声应完全从 “信这样完成一号加噪声”的信号中减去， 继而使得输出信号应该只包含原始信号 次去噪滤波，可以减少噪声对信道的影响，更有利于进行信道估计。通过上面的 分析讨论，

18、将带有噪声的原始信号输入到系统中，通过将线性自适应滤波器与 RLS 算法相结合进行信道估计， 来改进 RLS 估计算法，减小噪声对信道的影响， 这样就能有效的较少信道干扰和载波间干扰，从而优化信道的估计算法。2.4 RLS 算法基本原理所谓自适应实现是指利用前一时刻获得的滤波器参数， 根据估计误差自动调 节现时刻的参数，使得某个代价函数达到最小，从而实现最优滤波。J(n) E| (n) |2 E| d(n) wHu(n)|2(公式 1)下降算法：最广泛使用的自适应算法包括自适应梯度算法 (LMS) 、自适应高 斯-牛顿算法 (RLS) 。RLS 算法：( Recursive Least-Squ

19、ares )，递归最小二乘算法。它是利用 在已知 n-1 时滤波器抽头权系数的情况下，通过简单的更新，求出 n 时刻的滤 波器抽头权系数。代价函数：使用指数加权的误差平方和J(n) n i | (i)|2(公式 2)( 0 1, 称为遗忘因子)引入遗忘因子作用是离 n 时刻近的误差附较大权 重， 离 n 时刻远的误差赋较小权重，确保在过去某一段时间的观测数据被“遗 忘”，从而使滤波器可以工作在非平稳状态下。估计误差定义：(i) d(i) y(i) (公式 3)H(i) d(i) wH (n)u(i)(公式 4)可取滤波器的实际输入 d*(i) 作为期望响应 d(i) 。将误差代入代价函数得到加

20、 权误差平方和的完整表达式：nJ(n) n i |d(i) wH ( n)* u(i) |2(公式 5)抽头权向量取的是 n 时刻的 w(n) 而不是 i 时刻的 w(i) 。 i=n 时刻，n n i 2 n n i H 2J(n) i 0 n i e(i)2 i 0 n i |d(i) wH(i)u(i)|2(公式 6)n 2 nJ(n) i 0 n i (i) i 0 n i |d(i) wH (n)u(i)|2(公式i 0 i 07)故代价函数 J(n) 比 J (n)更合理。为了使代价函数取得最小值 ,可通过对权向量求导：J(n) w0(公式 8 )解得R(n)w(n) r (n)w

21、(n)R 1(n) r(n)其中nR(n)i0n i H u(i)u(i)(公式 9 )nr(n)n i *n iu(i )d*(i)(公式 10 )由此可见指数加权最小二乘法的解转化为 Wiener 滤波器的形式： wopt R 1r面研究它的自适应更新过程：由公式 9 可得nR(n) i 0 n iu(i)uH (i)i0n-1ni0i-1u(i)uH(i)uH (n)u(n)R(n-1) uH (n)u( n)令 A R(n) 、 BR(n 1) 、 Cu(n) 、D 1原式可化为A B 1 CD 1C H由矩阵求逆引理得A 1 B BC(D CHBC) 1CH BR 1(n)1R 1(

22、n 1)2R 1(n 1)u(n)uH (n)R 1(n 1)11uH (n)R 1(n 1)u(n)令 P(n) R 1(n) ，则 P(n)1H1P(n 1) k(n)uH(n) P(n 1) ，其中 k(n) 为增益向量k(n)P(n 1)u(n)HuH (n) P(n-1)u( n)公式 11 )1HP(n)u(n)1P(n-1)u(n) k(n)uH (n)P(n-1)u(n) k(n)w(n) R 1(n)r(n) P(n)r(n)1*P(n 1)r(n 1)1d*(n)P(n 1)u(n)又由 k(n)uH(n)P(n 1)u(n) k(n)uH (n)P(n 1)r(n 1)

23、*Hw(n 1) d*(n)k(n) k(n)uH (n)w(n 1) 化简得： w(n) w(n-1) k(n)e * (n)H式中 e(n) d(n) w (n 1)u(n)3 方案设计3.1 最小二乘算法 RLS 算法实现图 3-1 自适应横向滤波器结构框图自适应横向滤波器有两路输入，一为输入信号 x(n) ，含有样本 x(1) ，x(2) ， x(N); 另一为期望信号序列为d(n) ，含有样本 d(1) ，d(2) ， d(N)如图 2 所示。滤波器滤波系数是对延迟线抽头信号加权的系数 w1(n) ，w2(n) ， w3(n) ， Wm (n) ，实质上，这也是滤波器的冲激响应序列。

24、这里滤波器长度M 必须低于或等于信号数据长度 n。滤波器输出信号 y(n) 等于输入信号 x(n)与冲激响应序列 Wi (n) 的卷积和，如式My(n) wi (n)x(n i 1) wT (n)x(n) i1误差信号为 e(n) d(n) y(n) ，由此得到自适应横向滤波器按最小平方准则设计的代价函数：Nd(i)i1y(i)J(n)e2(i)i1将代入式中，展开得：N M NJ(n)d 2 (i) 2 wk (n) d(i)x(i k 1)n 1 m 1 i 1 M M Nwk (n)wm(n) x(i k 1)x(i m 1) k 1 m 1 i 1式中， M N。简短的表示滤波器的代价

25、函数，将上式有关项定义为以下参数：( 1 )确定性相关函数表示输入信号在抽头 k 与抽头 m 之间两信号的相关性，N (N,k,m) x(i k)x(i m); k,m 0,1, ,M 1.i1( 2 )确定性互相关函数表示期望响应与在抽头 k 输入型号之间的互相关性：N(N,k) d(i)x(i k); k 0,1, ,M 1. i1(3) 期望响应序列的能量为：N2Ed (n)d2(i)i1将上述定义的三个参数代入式中，得：MMJ(n) Ed (n) 2 wk(n) (N;kk11)wk (n)wm(n) (N;k 1,m 1) k 1 m 1为了估算滤波器的最佳滤波系数，把式对滤波系数权

26、系数)wk(n) 微分一次，并令其导数等于 0 ：J(n)wk (n)2 (N;k 1)M2 wm (n) (N;k 1,m 1) m10; k,M.得：Mwm(n)m1(N;k 1,m 1)(N;k 1);k 1,2,M.这是最小二乘法自适应滤波的正则方程。RLS 递推计算公式为：w?(n) w?(n 1) K(n)d(n) xT (n)w?(n1) w?(n1) K(n)(n)式中 K (n)为增益矢量，它等于相关矩阵(n) 的逆矩阵与延迟线抽头输入阵X (n)的乘积。 (n)是真正的估计误差，它等于：(n) d(n) xT (n)w?(n 1)自适应递归最小二乘算法的信号流程图如图 3

27、：图 3-2 RLS 算法信号流程图RLS 算法的计算步序如图 4 ：图 3-3 RLS 算法步序3.2 RLS 算法程序程序设计在理解 RLS 算法的基本原理后，我决定自行编写 RLS 算法程序块， RLS 算法可以理解为将输出反馈给滤波器来调整相关参数， 达到校正误差的目的。 算 法实现模块代码如下所示：Worder=32;%滤波器阶数lambda=1 ;% 设置遗忘因子Delta=0.001 ;p=(1/Delta) * eye ( Worder,Worder ) ;w=zeros(Worder,1);output=primary; % 主语音输出 loopsize=max(size(p

28、rimary);for i=1+Worder:loopsize % 写 RLS 算法公式z=primary(i)-w*(fref(i-Worder+1:i);n2=fref(i-Worder+1:i);k=(1/lambda)*p*n2;K=k/(1+n2*k); w = w + K*z;p0=K*n2;p= (p-p0*p)/lambda; output(i-Worder)=z; disp(i);end;4 RLS 算法滤波方案实现4.1 信号的获取本次课程设计对我们自行处理和灵活运用的能力提出了很高的要求。首先， 设计中未要求所需要用到的语音信号； 其次，录制噪声和被噪声污染的语音信号 也

29、是一个的问题。经过考虑，原始音频信号选择从网上下载的一段 WAV 格式的 5秒铃声，然后 用randn(length(source),1) 函数输出作为噪声， 记做 RLSrefns.wav 。将这两段 语音信号叠加并保存下来记做 RLSprimsp.wav 。4.2 读取语音文件主麦克风录制的语音信号是 RLSprimsp.wav ，参考麦克风录制的参考噪声 是 RLSrefns.wav ，都是 .wav 格式，用 waveread 指令读取音频信号；指令写为如下：primary = wavread(RLSprimsp.wav);primary = primary;ref = wavread

30、(RLSrefns.wav);fref = fref;4.3RLS 算法实现RLS 算法的收敛特性较 LMS 算法优越， 但相应的复杂度也要高许多， 考虑到收敛时间的影响， 从起始时间到收敛时间经滤波器处理得到到输出误差依然很 大，故直接将前 32 项去掉，先通过两输入作差得到预期值，再将所有预期值与 对应时刻的实际输出值作差求平方，将这些平方值相加可以得到一个变量为 W 的函数，取 W 是函数的值最小。另外，显然距离 n 最近的量与 Y（n ）最接近， 引入遗忘因子使得从 n-1 到 0，相关程度逐渐减小。 最后求得相关偏差， 反馈给 滤波器以矫正输出，达到减小误差的目的。% 初始化Word

31、er=32;%滤波器阶数Delta=0.001 ;p=(1/Delta) * eye ( Worder,Worder ) ; w=zeros(Worder,1);output=primary; loopsize=max(size(primary);for i=1+Worder:loopsizez=primary(i)-w*(fref(i-Worder+1:i);%主语音输出%写 RLS 算法公式n2=fref(i-Worder+1:i);k=p*n2;K=k/(1+n2*k);w = w + K*z;p0=K*n2;p = (p-p0*p);output(i-Worder)=z;end;4.4

32、 提取语音信号用 MATLAB 中的 wavread 指令分别读取被噪声污染后的语音文件 RLSprimsp.wav 和噪声文件 RLSrefns.wav 后，进行 RLS 算法处理，滤除噪 声后，得到语音文件，先由 plot 指令绘出语音文件波形，再用 Y=fft() 函数求出 频谱，由 plot 指令绘出语音文件频谱图，然后通过 MATLAB 中的 sound 命令 播放语音文件。代码如下所示： %* figure;% 作图%* subplot(2,4,1);plot(source); % 画出原始语音波形 title( 原始语音波形 );y1,Fs1,bits1=wavread(hen.

33、wav);Y1=fft(y1,4096); subplot(2,4,5);plot(abs(Y1);% 画出原始语音频谱title( 原始语音频谱 );%* subplot(2,4,2);plot(primary);%画出麦克风主语音波形title( 麦克风主语音波形 );y2,Fs2,bits2=wavread(RLSprimsp.wav);Y2=fft(y2,4096);subplot(2,4,6);plot(abs(Y2);%画出麦克风主语音频谱title( 麦克风主语音输入频谱 );%*subplot(2,4,3);plot(fref); %画出噪声语音波形title( 噪声语音波形

34、);y3,Fs3,bits3=wavread(RLSrefns.wav);Y3=fft(y3,4096);subplot(2,4,7);plot(abs(Y3);% 画出噪声语音频谱title( 噪声输入频谱 ); %* subplot(2,4,4);plot(output); % 画降噪后的语音波形 title( 降噪后语音波形 );wavwrite(output,fs,asd); % 生成降噪后的语音y,Fs4,bits4=wavread(asd.wav);Y=fft(y,4096);subplot(2,4,8);plot(abs(Y); % 画出降噪后语音频谱 title( 降噪后语音输

35、出频谱 );%*f=1;while f=1flag=input( 请选择输出语音；1- 原始语音 2-加噪主语音 3-噪声语音 4- 降噪后 语音 : );switch flagcase 1sound(source,fs,bits);case 2sound(y2,Fs2,bits2);case 3sound(y3,Fs3,bits3);case 4sound(output,Fs4,bits4);endf=input( 是否重新选择？ 是 输入 1 否 输入 0 :);End5 仿真结果与分析5.1 原始音频信号1）原始语音波形图 5-1 原始语音波形图2）原始语音频谱图 5-2 原始语音频谱5

36、.2 麦克风主语音信号1）麦克风主语音波形图 5-3 增强的语音信号波形图2）麦克风主语音频谱图 5-4 麦克风主语音频谱5.3 噪声语音信号1）噪声语音波形2）噪声语音频谱图 5-6 噪声语音频谱5.4 降噪后语音信号1 ）降噪后语音波形图 5-7 降噪后语音波形2 ）降噪后语音频谱图 5-8 降噪后语音频谱5.5 信号处理分析5.5.1 原始语音信号与主语音信号分析主语音信号为原始语音信号加噪声信号得到的合成信号， 由于噪声信号波形 的幅值相对原始语音信号幅值较小， 因此原始语音信号加噪前后的波形差异并不十分明显，如图 5-9 ，但通过对比频谱还是可以看出原始语音信号加噪前后有所 不同，如

37、图 5-10图 5-9 原始语音与主语音波形对比图 5-10 原始语音与主语音频谱对比5.5.2 主语音信号与降噪后语音信号分析由于噪声信号波形的幅值相对主语音信号幅值较小， 因此主语音信号降噪前 后的波形差异并不十分明显，如图 5-11 ，但通过对比频谱（如图 5-12 ）可以看出降噪后的语音信号波形刚好滤除了噪声波形，得到的波形图也更清晰。图 5-11 主语音信号与降噪后语音信号波形对比图 5-12 主语音信号与降噪后语音信号频谱对比5.5.3 原始语音信号与降噪后语音信号分析原始语音信号与降噪后语音信号几乎相同，如图 5-13 ，对比频谱可以看出两信号频谱也几乎相同， 如图 5-14 。

38、说明主语音信号经过 RLS 算法降噪的效果 很好，主语音信号得到增强。图 5-13 原始语音信号与降噪后语音信号波形对比图 5-14 原始语音信号与降噪后语音信号频谱对比6 总结在课程设计的过程中，首先查阅资料了解了基于 RLS 多麦克风语音信号降 噪的过程以及 RLS 的原理及实现方法，通过 MATLAB 编程及仿真，实现了语 音信号的降噪，并且从不清楚的语音信号中通过 RLS 降噪得到了清晰的语音信 号，充分体会了基于 RLS 多麦克风语音信号降噪这一技术的作用。同时，也学 会了对语音信号进行频谱分析，以及进一步熟悉了 MATLAB 的使用过程，加深 了对这一软件的了解，提高了自己动手的能

39、力。通过此次学科课程设计， 我掌握了自适应算法的一些基本知识， 加强了我对 MATLAB 软件的应用能力，提高了运用 RLS 算法进行滤波器设计的基本能力。 提高自己的基础理论知识、 基本动手能力， 并帮助我掌握基本的文献检索和文献 阅读的方法，同时提高自己正确地撰写论文的基本能力。当然，经过此次 RLS 算法多麦克风语音降噪课程设计，我也发现了自己的 很多不足。但是通过自己的动手动脑和努力，既增加了知识， 又给了我专业知识 以及专业技能上的提升。 这个过程也让我明白了学无止尽的道理， 而且理论只有 与实际联系起来才能更好地去学习与理解。我也会更加努力，认真学习， 争取在 以后的课程中做得更好

40、。参考文献1 陈怀琛 .MATLAB 及在电子信息课程中的应用 . 西安电子科技大学出版社，20002 胡广书 .数字信号处理理论、算法与实现 . 清华大学出版社， 20033 何振亚 .自适应信号处理 .科学出版社， 20024 安颖、侯国强 .自适应滤波算法研究与 DSP 实现 .现代电子技术出版社，20075 王洪元主编 .MATLAB 语言以及在电子信息工程中的应用 .清华大学出版社， 20046 郑宝玉.自适应滤波器原理 M. 北京：电子工业出版社， 2006附录 源程序clc;source,fs,bits=wavread(hen.wav);noise=0.01*randn(length(source),1);source=source(:,1);source1=source+noise;wavwrite(noise,fs,RLSrefns); wavwrite(source1,fs,RLSprimsp); primary=wavread(RLSprimsp.wav); primary=primary;fref=wavread(RLSrefns.wav); fref=fref;W