CN101272161A - 一种自适应回声消除的方法 - Google Patents

Abstract

本发明公开了一种自适应回声消除的方法，该方法引入了人工智能中的进化计算观点，同时利用交叉变异法以及函数全局优化的理念，并结合了时间驱动的思想，有效地解决了常规NLMS算法的参数不能确定常数δ值的问题，从而改善回声消除算法NLMS的性能。

Description

一种自适应回声消除的方法

技术领域

本发明涉及到移动通信的回声消除技术，特别是涉及移动通信终端采用改善的NLMS(归一化最小均方)算法消除回声。

背景技术

回声消除理论在二十世纪六十年代早期由贝尔实验室首先提出，随后之前是实验室的一个部门在六十年代末推出了第一个回声消除系统。到了二十世纪七十年代末，开发了第一个商业模拟回声消除器，它主要由数字设备组成，只不过连接网络的接口是模拟的。二十世纪八十年代半导体技术的发展标志着通信网络从模拟向数字的转变。人们开发了更加复杂的数字接口的、多通道回声消除器系统来解决与长途数字电话系统相关的新的回声问题。具体做法是使用高速数字信号处理技术建模回声，并从返回路径中减去模拟回声。它的性能远超过现有基于回声抑制的技术，显著地改善了网络性能。二十世纪九十年代，网络运营商和电话公司向用户提供了更好网络性能和语音质量。如今，面向二十一世纪，如何更好地进行回声消除仍然是一个人们关心的问题。

目前用于回声消除的自适应算法有很多种。第一类是以LMS(Least Mean Square)算法为代表回声消除算法和其他各种由此演变而来的回声消除算法，包括NLMS算法、DNLMS(DecorrelatingNLMS)算法、PNLMS及其变型算法、仿射投影APA(Affine ProjectionAlgorithm)算法、SNLMS算法、变步长LMS算法和FLMS算法等。这些算法都有一个共同的缺点，就是其收敛速度高度依赖于输入信号的功率谱密度分布。为此，人们把LMS算法和其他算法结合起来，试图消除掉LMS算法的缺点。这些新算法包括：

(1)变换域算法、子带算法和格型算法。变换域算法(TransformDomain Adaptive Filter，简称TDAF)、子带算法和格型算法都属于正交算法，用于解决LMS算法的缺点，它们将输入信号分为若干个相互正交的子带，在每个子带内进行功率归一，从而达到白化输入信号的目的，这样使得算法在有色信号下也能得到较快的收敛速度。

(2)BLMS算法和FBLMS算法。BLMS(Block LMS)算法与LMS算法在性能上是相同，LMS算法是逐点进行的；而BLMS则是逐块进行的LMS算法。FBLMS(Fast Block LMS)算法是利用FFT来计算时域卷积的BLMS，可以大大降低计算量。FBLMS主要用于解决长阶自适应滤波器带来的大计算量等问题。除了以LMS(LeastMean Square)算法为基础的回声消除算法之外，还有最小二乘RLS(Recursive Least Square)算法。该算法收敛性较好，但运算量正比于滤波器阶数的平方，VoIP电话中的回声信号有时达到几十毫秒，甚至更多，这就要求滤波器阶数达到上百，RLS算法的运算量太大，硬件上难以实现。

现有市场上产品和专利的回声消除方法大致可分为有以下三种：

(1)增益调整。

当一方讲话时，将其信号传送方向的增益提高，同时将其相反方向的增益降低，以降低回声。但其结果是，当双方同时讲话时，只有一方的声音能够传送出去，只有一方能听见对方；或是双方的声音断断续续。

(2)最小二乘法(LMS，Least Mean Square)回声消除。

传统的最小二乘法收敛慢，易发散，只能消除剩余的回声(最大约为20db)，不得不用非线性手法(NLP，Nonlinear Processing)来消除剩余的回声。

(3)采用子带(Sub-Band)自适应滤波(Adaptive Filter)技术。

将信号分割成多个不同的子带(频带)分别进行处理，这样可提高收敛速度，降低发散速度，同时能改善回声消除的能力(最大约为35db)。这样，给非线性处理留下足够的余地。因此，解决了回声的问题，同时保证的通话质量。但是，该算法的计算复杂度较高。

针对上述现有技术存在的问题，需要一种稳定性高，算法简单，及性能好的回声消除算法。

发明内容

本发明的目的在于克服现有技术的缺点，提出了一种改良的自适应回声消除机制和方法。

为了实现发明目的，本发明采用的技术方案：一种改良的自适应回声消除机制和方法，该方法包括以下步骤：

(1)确定进化计算的时间精度、进化计算的时间范围、进化计算的阶数、以及步长调节因子值；

(2)定期进化计算产生个体；其基本思想是：随机产生一批个体，在模拟环境中进行评比筛选，保存较多的优秀个体，然后模拟生物繁殖过程，反复从中选出一对个体作为父体和母体，产生出若干个新一代个体(并以一定的概率变异)，以构成一定数量的新一代，再进行下一轮筛选，如此重复，直到目标个体的出现。通过这种筛选算法，可以求出最佳的个体。

(3)根据个体采样定期求出常数δ；结合计时机制的方式以达到了函数全局优化的目标，同时引入了二进制字符串，采用人工智能著名中的著名的仿生学进化观点，求出了极佳的常数δ。

(4)求解步长因子；借助步骤(3)获取的常数δ，可以通过可变的步长因子通过公式

计算步长因子。

(5)回声消除；借助步骤(4)求得步长因子，可以进行权值调节，以达到很好的回声消除效果。

上面所述步骤进化计算产生个体通过以下方法得到：

(1)根据进化计算的时间精度m和阶数n，采用随机算法产生n个个体(长度为m的字符串)；

(2)n个个体之间交叉变异；交叉的具体做法是：任意选取两个字符串A和B，分别在两个字串的某个位置k断开，分别生成长度为k和n-k的字符串：A-k，A-(n-k)，B-k和B-(n-k)，A-k和B-(n-k)组成新的字符串，A-(n-k)和B-k组成新的字符串；变异的具体做法是：任意选取一个字符串，在字符串上任意一个位置的数值进行变换(0变成1，1变成0)；

(3)把步骤(2)生成的n个新个体进行换算，根据确定的时间范围k秒和定时器计第a个范围的值，在时间(a-1)*k-a*k秒内，新个体数值换成n个取样点(时间点)；

(4)根据步骤(3)获取的n个时间点的数值，对声音文件进行数据取样，获取n个时间点上的声音数据。

上面所述步骤常数δ求解通过以下方法得到：

(1)在上述的进化计算个体产生步骤结束后，可以得到声音取样的n个值，计算这n个值的平方的和(A)；

(2)计算回声消除步骤中读取的输入向量的模的平方(B)；

(3)对值A和值B进行比较，如果值A大于等于值B，则转入步骤(4)；否则，转入步骤(6)；

(4)计算值A减去值B的差值k；

(5)如果值k大于等于步长调节因子n，则转入步骤(7)；否则，转入步骤(6)；

(6)常数δ赋值为B；

(7)常数δ赋值为A。

上面所述回声消除步骤通过以下方法得到：

(1)读取相应的声音数据；

(2)根据回声消除结构的权值和步骤(1)读取的声音信号，计算各个声音信号值的加权和(滤波器的输出声音信号值)；

(3)根据步骤(1)的原始声音信号和步骤(2)计算的声音信号，计算回声消除的误差值；

(4)根据步骤(3)的误差值和步骤(1)的原始声音信号，对权值进行调节；

(5)进入步骤(1)。

上面所述计时机制步骤通过以下方法得到：

(1)根据进化计算的时间范围，定时器发出常数δ求解的信号请求；

(2)计时器发出时间信号，为常数δ求解步骤提供时间参数；

(3)定时器触发常数δ求解的声音采样步骤。

本发明的技术特点主要体现如下：

1、它引入了人工智能中的进化计算观点。

进化计算是一种著名基于仿生学的学习方法。本文的改良的自适应回声消除算法的步长因子值的计算就是基于这种思想。基本思想是：随机产生一批个体，在模拟环境中进行评比筛选，保存较多的优秀个体，然后模拟生物繁殖过程，反复从中选出一对个体作为父体和母体，产生出若干个新一代个体(并以一定的概率变异)，以构成一定数量的新一代，再进行下一轮筛选，如此重复，直到目标个体的出现。通过这种筛选算法，可以求出最佳的步长因子。

2、改良的NLMS算法达到了函数全局优化的目标。

以前的NLMS算法求出的步长因子往往都不是最佳步长因子。即使通过算法改良，可以求出最佳步长因子。但是，求出的这种步长因子也是局限于局部区域下求出的最佳步长因子，不能达到函数全局优化的目标。本文提出的步长因子求法，立足于函数全局优化，采用时间驱动的思想，在定期采样的基础上结合了交叉变异法(一种人工智能求随机值的算法)的理念，达到了函数全局优化的目标。

3、它解决了NLMS算法中如何确定常数δ值的问题。

以往的NLMS算法对LMS算法的改进地方在于用可变的步长因子代替了LMS算法的固定步长因子。可变的步长因子通过公式

计算。但是，并没有给出求解该公式中常数δ的方法。本文提出的自适应回声消除机制和方法，给出了该公式中常数δ的求解方法。除了结合时间驱动的方式以达到了函数全局优化的目标，我们还创造性地引入了二进制字符串，采用人工智能著名中的著名的仿生学进化观点，求出了极佳的常数δ。

附图说明

图1描述了本发明自适应的NLMS回声消除方法的基本步骤；

图2描述了自适应的NLMS回声消除算法的核心步骤；

图3描述了进化计算产生个体的步骤；

图4描述了常数δ求解步骤；

图5是回声消除器的结构图；

图6描述了回声消除步骤；

图7描述了计时运作步骤；

图8NLMS算法的启动阶段；

图9NLMS算法的运行阶段。

具体实施方式

下面结合附图对本发明做进一步的说明。

自适应回声消除方法的基本步骤具体如图1所示。图1中，实线表示数据流，虚线表示控制流。在自适应回声消除方法的基本步骤中，首先确定进化计算的时间精度、时间范围和阶数，以及步长调节因子值；接着，定时器负责定期求出常数δ；根据常数δ，可以求解步长因子的值；最后，根据步长因子，根据NLMS算法的回声消除公式，可以有效地进行回声消除。

实施适应的NLMS回声消除方法运行的核心步骤如图2所示，借助计时器产生的时钟信号，本发明定期进化计算产生个体；紧接着，求解常数δ；最后，根据常数δ的数值，进行NLMS算法的回声消除。

通过进行计算产生个体的步骤大致分为4个步骤(具体如图3所示)：(1)根据进化计算的时间精度m和阶数n，采用随机算法产生n个个体(长度为m的字符串)；(2)n个个体之间交叉变异；交叉的具体做法是：任意选取两个字符串A和B，分别在两个字串的某个位置k断开，分别生成长度为k和n-k的字符串：A-k，A-(n-k)，B-k和B-(n-k)，A-k和B-(n-k)组成新的字符串，A-(n-k)和B-k组成新的字符串；变异的具体做法是：任意选取一个字符串，在字符串上任意一个位置的数值进行变换(0变成1，1变成0)；(3)把步骤(2)生成的n个新个体进行换算，根据确定的时间范围k秒和定时器计第a个范围的值，在时间(a-1)*k-a*k秒内，新个体数值换成n个取样点(时间点)；(4)根据步骤(3)获取的n个时间点的数值，对声音文件进行数据取样，获取n个时间点上的声音数据。

借助进化计算求解常数δ的步骤大致分为4个步骤(具体如图4所示)：(1)在上述的进化计算个体产生步骤结束后，可以得到声音取样的n个值，计算这n个值的平方的和(A)；(2)计算回声消除步骤中读取的输入向量的模的平方(B)；(3)对值A和值B进行比较，如果值A大于等于值B，则转入步骤(4)；否则，转入步骤(6)；(4)计算值A减去值B的差值k；(5)如果值k大于等于步长调节因子n，则转入步骤(7)；否则，转入步骤(6)；(6)常数δ赋值为B；(7)常数δ赋值为A。

在阐述回声消除步骤前，先说明一下回声消除器的结构。回声消除器采用自适应FIR滤波器结构。它是横向滤波器，也称抽头延迟线滤波器，它利用正规直接形式实现全零点传输函数，而不采用反馈环节。回声消除算法的结构如图5所示。FIR滤波器中的抽头的个数确定了脉冲响应的有限持续时间。抽头的个数(如图5中N所示)，称为滤波器的阶数。在该图中，每个抽头用单位延迟算子z-1表示。特别地，当对x(k)进行z-1运算时，其结果输出为x(k-1)。滤波器中每个乘法器的作用是用滤波器系数，也称为抽头权值(tap weight)，乘以与其相连接的抽头输入。于是，连到第i个抽头的输入x(k-i)的乘法器产生wi*x(k-i)的输出，其中wi是抽头权值，i＝0，1，…，N，滤波器中加法器的合并作用是对各个乘法器输出求和，并产生滤波器输出。

回声消除步骤大致分为以下4个步骤(具体见图6所示)：(1)读取相应的声音数据；(2)根据回声消除结构的权值和步骤(1)读取的声音信号，计算各个声音信号值的加权和(滤波器的输出声音信号值)；(3)根据步骤(1)的原始声音信号和步骤(2)计算的声音信号，计算回声消除的误差值；(4)根据步骤(3)的误差值和步骤(1)的原始声音信号，对权值进行调节；(5)进入步骤(1)。

计时流程是由通过计时器的时钟信号驱动而完成的，计时流程可以分为以下3个步骤(具体如图7所示)：(1)根据进化计算的时间范围，定时器发出常数δ求解的信号请求；(2)计时器发出时间信号，为常数δ求解步骤提供时间参数；(3)定时器触发常数δ求解的声音采样步骤。

下面，描述整个自适应的NLMS算法过程包括启动阶段和运行阶段两个过程。附图8和附图9共同说明这个实施例。图8描述了本发明方法的启动阶段；图9描述了本发明方法的运行阶段。

自适应NLMS算法的启动阶段如图8所示，具体步骤可以分为：(1)确定进化计算的时间精度m、进化计算的时间范围k秒、进化计算的阶数n，以及步长调节因子值u_n。这些参数均存入寄存器中。(2)定时器从寄存器读取时间范围的数值k秒(用于控制常数δ的产生)。(3)进化计算个体产生步骤从寄存器读取进化计算的时间精度m和阶数n，同时也从定时器读取时间信号，产生n个长度为m的二进制字符串；n个二进制字符串进行交叉变异，换算为n个小于1的正整数。(4)根据来自寄存器读取得声音样本取样范围，并对原始声音信号进行取样，获取n个声音信号数值。(5)计算n个声音信号数值的平方的和n_A，从回声消除步骤中读取输入向量的模的平方n_B，通过判断n_A和n_B之间的大小关系求得常数δ。(6)基于常数δ求解步长因子。(7)基于步长因子进行回声消除。

回声消除算法的具体流程是：(1)根据原始声音信号和权值，计算滤波器的输出声音信号值；(2)根据滤波器读取原始声音信号和期望输出的声音信号值之间的查值，进行误差估计；(3)根据误差估计以及常数δ，进行滤波器权值矢量更新；(4)进入步骤(1)。详见图5、图6和表1。

表1自适应的NLMS算法

自适应NLMS算法的启动阶段如图9所示，具体步骤分为：(1)在时间信号(周期性产生的一个时间信号)驱动下，定时器启动了进化计算个体产生步骤。(2)进化计算个体产生步骤读取了定时器的时间信号和寄存器的进化计算的时间精度m和阶数n，产生n个长度为m的二进制字符串；n个二进制字符串进行交叉变异，换算为n个小于1的正整数。(3)根据来自寄存器读取得声音样本取样范围，并对原始声音信号进行取样，获取n个声音信号数值。(4)计算n个声音信号数值的平方的和n_A，从回声消除步骤中读取输入向量的模的平方n_B，通过判断n_A和n_B之间的大小关系求得常数δ。(5)基于常数δ求解步长因子。(6)基于步长因子进行回声消除。

回声消除算法的具体过程是：(1)根据原始声音信号和权值，计算滤波器的输出声音信号值；(2)根据滤波器读取原始声音信号和期望输出的声音信号值之间的查值，进行误差估计；(3)根据误差估计以及常数δ，进行滤波器权值矢量更新；(4)进入步骤(1)。详见图5、图6和表1。

总之，本发明适用于需要进行回声消除的移动通信终端，可以在算法简单性和稳定性的前提下，保证回声消除的效果。

Claims (2)

1、一种自适应回声消除的方法，其特征在于，该方法包括以下步骤：

(1)确定进化计算的时间精度、进化计算的时间范围、进化计算的阶数、以及步长调节因子值；

(2)定期进化计算产生个体；其基本思想是：随机产生一批个体，在模拟环境中进行评比筛选，保存较多的优秀个体，然后模拟生物繁殖过程，反复从中选出一对个体作为父体和母体，产生出若干个新一代个体(并以一定的概率变异)，以构成一定数量的新一代，再进行下一轮筛选，如此重复，直到目标个体的出现，通过这种筛选算法，可以求出最佳的个体；

(3)根据个体采样定期求出常数δ；结合时间驱动的方式以达到了函数全局优化的目标，同时引入了二进制字符串，采用人工智能著名中的著名的仿生学进化观点，求出了极佳的常数δ；

(4)求解步长因子；借助步骤(3)获取的常数δ，可以通过可变的步长因子通过公式

计算步长因子；

(5)回声消除；借助步骤(4)求得步长因子，可以进行权值调节，以达到很好的回声消除效果；

其中，

A.定期进化计算产生个体，包括以下四个步骤：

(a)根据进化计算的时间精度m和阶数n，采用随机算法产生n个个体(长度为m的字符串)；

(b)n个个体之间交叉变异；交叉的具体做法是：任意选取两个字符串A和B，分别在两个字串的某个位置k断开，分别生成长度为k和n-k的字符串：A-k，A-(n-k)，B-k和B-(n-k)，A-k和B-(n-k)组成新的字符串，A-(n-k)和B-k组成新的字符串；变异的具体做法是：任意选取一个字符串，在字符串上任意一个位置的数值进行变换(0变成1，1变成0)；

(c)把步骤(b)生成的n个新个体进行换算，根据确定的时间范围k秒和定时器计第a个范围的值，在时间(a-1)*k-a*k秒内，新个体数值换成n个取样点(时间点)；

(d)根据步骤(c)获取的n个时间点的数值，对声音文件进行数据取样，获取n个时间点上的声音数据；

B.根据个体采样定期求出常数δ，包括以下7个步骤：

(a)在上述的进化计算个体产生步骤结束后，可以得到声音取样的n个值，计算这n个值的平方的和(A)；

(b)计算回声消除步骤中读取的输入向量的模的平方(B)；

(c)对值A和值B进行比较，如果值A大于等于值B，则转入步骤(d)；否则，转入步骤(f)；

(d)计算值A减去值B的差值k；

(e)如果值k大于等于步长调节因子n，则转入步骤(g)；否则，转入步骤(f)；

(f)常数δ赋值为B；

(g)常数δ赋值为A；

C.回声消除，包括以下5个步骤：

(a)读取相应的声音数据；

(b)根据回声消除结构的权值和步骤(a)读取的声音信号，计算各个声音信号值的加权和(滤波器的输出声音信号值)；

(c)根据步骤(a)的原始声音信号和步骤(b)计算的声音信号，计算回声消除的误差值；

(d)根据步骤(c)的误差值和步骤(a)的原始声音信号，对权值进行调节；

(e)进入步骤(a)。

2、根据权利要求1所述的一种自适应回声消除的方法，其特征在于有一个良好的计时机制，该计时机制包括以下步骤：

(1)根据进化计算的时间范围，定时器发出常数δ求解的信号请求；

(2)计时器发出时间信号，为常数δ求解步骤提供时间参数；

(3)定时器触发常数δ求解的声音采样步骤。

Images