CN102047693A - 具有反馈消除的音频系统 - Google Patents

Abstract

本发明涉及一种音频系统，包括用于处理音频信号的信号处理器，和反馈抑制器电路，所述反馈抑制器电路被配置为通过基于用于反馈信号路径的反馈模型参数集的反馈补偿信号提供来建模所述音频系统的反馈信号路径，其中所述反馈模型参数集被存储在用于所述反馈模型参数集的存储的储存库中。

Description

具有反馈消除的音频系统

技术领域

本发明涉及一种具有反馈消除的诸如助听器之类的音频系统、诸如电信会议系统、内部通信系统等通信系统等。反馈消除可以包括回波消除、声反馈信号消除、机械耦合的反馈信号消除、电磁耦合的反馈信号消除等。

背景技术

反馈是音频系统中的公知问题并且在本领域内存在若干用于抑制或消除反馈的系统。随着很小的数字信号处理(DSP)单元的发展，在诸如助听仪器之类的微小设备中执行用于反馈抑制的高级算法已经成为可能，例如参见US 5,619,580；US 5,680,467和US 6,498,858。

用于在助听器中反馈消除的上述现有技术系统主要关心外部反馈的问题，即，沿着在助听器设备外面的路径、在助听器的扬声器(通常指受话器)和传声器之间的声音传播。例如，当助听器耳模与佩戴者耳朵未完全配合时，或者在耳模包括例如用于透气目的的管道或开口的情况下，会出现此问题，其也被称为声反馈。在这两个例子中，声音可能从受话器“泄漏”到传声器由此导致反馈。

然而，因为声音可能从受话器经由在助听器外壳内部的路径传播到传声器，所以助听器中的反馈也可能出现在内部。这种传播可能是空气传播的或者由助听器外壳或者助听仪器内的一些组件中的机械振动所引起的。在后一种情况中，受话器中的振动例如经由(多个)受话器配件被传播到助听器的其它部分。为此，受话器并未被固定而是灵活地安装在一些当今ITE型(In-The-Ear耳内)助听器内，借此减少了从受话器到设备的其它部分的振动传播。

通常，反馈抑制或消除电路利用一个或多个自适应滤波器。自适应滤波器性能是在低稳态误差和足以跟踪变化的能力之间的权衡。从而，在稳态条件下，由于自适应滤波器应当能够适于突变，所以性能是次最佳的，而在动态情况下，因为跟踪缓慢，所以性能也是次最佳的。

发明内容

本发明的目的是提供一种具有反馈消除的音频系统，其在低稳态误差和快速跟踪之间具有改进的权衡。

依照本发明，上述及其它目的由音频系统来满足，所述音频系统包括信号处理器和反馈抑制器电路，所述信号处理器用于处理音频信号，所述反馈抑制器电路被配置为通过基于用于反馈信号路径的反馈模型参数集的反馈补偿信号提供来建模所述音频系统的所述反馈信号路径，其中所述反馈模型参数集被存储在用于所述反馈模型参数集的存储的储存库中。

在本发明的一个实施例中，音频系统包括具有用于把声音转换为音频信号的传声器的助听器，用于处理所述音频信号的信号处理器，和被连接到所述信号处理器的输出以把处理的音频信号转换为声音信号的受话器。助听器进一步包括反馈抑制器电路，被配置为通过基于用于反馈信号路径的反馈模型参数集的反馈补偿信号提供来建模所述助听器的反馈信号路径，其中所述反馈模型参数集被存储在用于所述反馈模型参数集的存储的储存库中。

在具有一个或多个自适应滤波器的常规反馈消除电路中，依照力求使误差函数最小化的算法来调整(多个)自适应滤波器的滤波系数。从而，当音频系统的反馈信号路径已经稳定一段时间时，滤波系数基本上到达对应于当前反馈信号路径的恒定值。然而，当反馈信号路径改变时，所述算法改变滤波系数，以便使所述滤波系数适应新的反馈路径，从而丢失对应于先前稳定的反馈信号路径的滤波系数集。从而，如果再次出现此反馈信号路径，那么必须借助重复的自适应来重新计算相应的滤波系数。

依照本发明的一个实施例，对应于各自反馈信号路径的先前滤波系数集被存储在储存库中。当重复出现一个反馈信号路径时，相应的滤波系数集被加载到提供反馈补偿信号的数字滤波器或另一数字信号处理电路中。

如下面所进一步解释，可以提供用于检测先前的反馈信号路径是否重复出现的检测器，例如包括环境检测器和环境分类器，用于表明目前由反馈抑制器电路对于反馈补偿信号提供所使用的反馈模型参数集是否应当由来自储存库的另一集所代替。

通常，依照本发明，对应于各自反馈信号路径的先前反馈模型参数集被存储在储存库中。当一个反馈信号路径重复出现时，相应的反馈模型参数集被提供反馈补偿信号的反馈抑制器电路所使用。

以这种方式，依照本发明提供的反馈抑制器电路响应于反馈信号路径的变化呈现出低稳态误差以及快速瞬时响应。

在正常使用音频系统期间，可以更新在储存库中存储的一些或所有反馈模型参数集。

在储存库中存储的一些或所有反馈模型参数集，例如数字滤波器(例如自适应数字滤波器)的滤波系数集，可以对应于频繁出现的反馈信号路径，为此在正常使用音频系统期间可以获得并更新反馈模型参数。

在音频系统的学习周期期间，可以获得一些或所有反馈模型参数集。

例如在制造音频系统期间，一些或所有反馈模型参数集可以由其它设备获得并且随后输入到储存库中。

例如在本发明的实施例中，音频系统包括具有储存库的助听器，所述储存库用于存储多个反馈模型参数集。储存库保持多个反馈模型参数集并且可操作来连接到反馈抑制器电路以便把从所述储存库选择的反馈模型参数集转送到反馈抑制器电路。在一个实施例中，反馈抑制器电路还具有快速自适应滤波器，用于建模助听器的当前声反馈路径并且其滤波系数构成了反馈模型参数。对应于各自稳定反馈信号路径的滤波系数集被存储在储存库中。当出现反馈信号路径的突变时，例如当用户把电话听筒拿到助听器附近时，从储存库中选择对应于该情况的反馈路径的适当的滤波系数集。然后把选择的反馈模型参数集输入到反馈抑制器电路中以用于反馈补偿信号提供。反馈补偿信号例如可以由数字滤波器提供，所述数字滤波器具有由所选择的反馈模型参数集构成的滤波系数。数字滤波器可以是具有低稳态误差的自适应滤波器，其中所选择的反馈模型参数集被加载到所述自适应滤波器中并且形成用于进一步自适应的新起点，借此所述自适应滤波器的瞬时特性对反馈抑制器电路性能来说变得不那么重要了。

如已经提及，储存库可以包括在正常使用音频系统期间保持不变的反馈模型参数集。在助听器中，当助听器被助听器验配师装配给用户时，这种反馈模型参数可以被输入到储存库中。一些或全部存储的反馈模型参数集可以是标准的反馈模型参数集，已经发现这些反馈模型参数集对于正被讨论的类型的助听器来说工作良好。

可以在装配助听器期间确定一些存储的反馈模型参数集。例如在装配期间，多个反馈模型参数集可以用于建模一个或多个不同情况的物理反馈路径，诸如用户使用移动电话的情况，所述移动电话被放到耳朵附近。在装配期间，从实际的助听器和用户可用的集中选择最为适当的反馈模型参数集并且把所选择的集存储在储存库中。

储存库可以包括多个反馈模型参数集，其在音频系统操作期间更新。例如可以使用如下面所述的基于群的学习技术来在使用音频系统期间更新并存储反馈模型参数集。

此外，所述系统可以包括用于允许用户命令系统把当前的反馈模型参数集存储在储存库中的用户接口，例如当诸如移动电话、椅子的颈枕、儿童、车窗等对象位于助听器用户的耳朵附近时。当在这种情况下用户察觉系统已经达到最佳性能时，所述用户例如可以通过按压按钮来命令所述系统把当前的反馈模型参数集或据此导出的反馈模型参数集存储到储存库中。音频系统可以进一步被配置用于将被存储到储存库中的反馈模型参数集的估计并且只有当满足特定准则时才存储所述反馈模型参数集，例如所述反馈模型参数集值的变化保持在特定阈值之下或者满足其它质量量度。

除反馈模型参数集之外，所述系统还可以存储标识当前反馈路径的其它信息。随后，所述系统可以使用此信息来确定何时出现类似的反馈路径并且定位并获取用于反馈补偿信号提供的反馈模型参数集，例如作为用于进一步自适应的起点。

可以提供检测器，以检测目前由反馈抑制器电路对于反馈补偿信号提供所使用的反馈模型参数集是否应当被来自储存库的另一集所代替，并且如果是的话，所述检测器可以进一步被配置为从在所述储存库中存储的反馈模型参数集中选择要使用的反馈模型参数集。

检测器例如可以是电话检测器，诸如磁性电话检测器，被配置为检测在用户耳朵附近是否存在电话。永久磁铁可能位于移动电话上，并且检测器可以被配置为检测磁铁的存在，或者所述检测器可以适合于检测由移动电话的扬声器所产生的磁场的存在。

所述检测器可以包括一个或多个接近传感器，被配置为检测是否存在可能会影响音频系统的反馈路径的对象。当检测到这种对象时，从储存库中选择适当的反馈模型参数集以供反馈处理器电路用于反馈补偿信号提供。

所述检测器可以被配置为检测音频系统的反馈路径中的变化，由此检测其中目前由反馈抑制器电路所使用的反馈模型参数集可以被来自储存库的另一反馈模型参数集所代替的情况。

所述检测器可以包括环境检测器，被配置为检测音频系统的环境，例如助听器的声环境。所述检测器可以进一步包括环境分类器，例如用于把助听器的声环境分类为话音、噪声、在安静的周围环境中的话音、在嘈杂的周围环境中的话音、串音噪声、交通噪声和/或其它类型的声情况。在助听器中，环境分类可以使程序被移入信号处理器中，借此信号处理可以突然改变。例如，助听器能够在各个程序之间变换，其中使用不同的信号处理，诸如方向性、噪声降低等，并且可以使用不同的组件，例如助听器可以利用或不用拾音线圈。助听器中信号处理的这种突变也可能由于助听器的传递函数的变化而突然改变反馈路径。例如，当执行一个信号处理程序时，助听器可能比执行另一信号处理程序时更接近于不稳定的情况。为了对应于检测的环境来建模反馈信号路径，反馈抑制器电路可以进一步被配置为基于检测的环境和在储存库中存储的反馈模型参数集来确定反馈模型参数集。

在优选实施例中，助听器进一步包括第一减法器，用于从音频信号中减去反馈补偿信号，以形成提供到信号处理器的经补偿音频信号。

附图说明

通过以下参考附图的示例性实施例的具体描述，本发明的以上及其它特征和优点对本领域技术人员来说将变得更加清楚，其中：

图1是助听器中现有技术的反馈消除的模型，

图2示意地图示了图1的反馈消除电路的反馈路径切换，

图3示出了现有技术的反馈消除电路的性能曲线，

图4是本发明的优选实施例的框图，

图5示出了图4的实施例的信号波形曲线，

图6示出了图4的实施例的群成员数计数和概率的曲线，

图7示出了图4的实施例的滤波系数曲线，

图8是本发明的另一优选实施例的框图，

图9是具有分类归并信号模型的实施例的框图，并且

图10是具有外部信号和反馈信号的一个组合模型的实施例的框图。

为了清楚起见，附图是示意性的并且是简化的，并且它们仅仅示出了对理解本发明来说是必须的细节，而省去了其它细节。

应当注意，除在附图中所示出的本发明示例性实施例之外，本发明可以采用不同的形式实现并且不应当被解释为限于这里所阐明的实施例。相反，提供了这些实施例以使得本公开更加全面和完整，并且将向本领域技术人员充分表达本发明的概念。

在所图示的实施例中，结合助听仪器中的自适应反馈消除来使用本发明，但是本发明也可以用在具有在近稳态之间切换的一个或多个自适应滤波器的音频系统中。

遍及本公开内容，可交换地使用反馈消除和反馈抑制的表述。利用反馈消除或反馈抑制电路，削弱并且偶尔会完全消除反馈信号的影响。

具体实施方式

在图1中示意地图示了具有现有技术的反馈消除电路的助听器。

感兴趣的外部信号x被信号处理器G放大，所述信号处理器G用于提供处理的输出信号y。在数字到模拟转换(未示出)之后，受话器(未示出)把处理的输出信号转换为声音信号。一些输出信号y泄漏回到输入并且以未知反馈信号的形式添加到外部信号x，所述未知反馈信号例如声反馈信号、机械耦合反馈信号、电磁耦合反馈信号等。为了补偿由此反馈回路所引起的失真和电势不稳定，从外部信号x中减去试图建模信号f的反馈消除或抑制信号c。在理想的情况下，c抵消f并且e等于x并且助听器将能够在没有听觉失真或伪迹的情况下提供足够的放大。

自适应滤波技术用于基于信号e的分析来形成反馈模型W。在这种情况下，滤波系数构成反馈模型参数。通常称为“直接法”的公知概念上的直接技术使预计的e的信号强度最小化。已知直接法用于当输入信号呈现长尾自相关函数时提供有偏结果。例如在音调信号的情况下，因为自适应反馈模型试图抑制外部音调而不是建模实际反馈，所以这一般会导致次最佳的解决方案。然而对于许多自然出现的信号来说，这种所谓的有偏问题并不那么重要，这是因为典型的助听器处理引进足够的延迟来使输出与输入去相关。现代反馈消除系统仍然使用多个附加技巧，诸如约束适应性和(自适应)去相关性，以便在音调输入的呈现时确保稳定性。

助听器的传入声信号s

s(n)＝x(n)+f(n)(1)

是感兴趣的信号x和由反馈信号f所引起的失真的和。通过减去消除信号c来获得所谓的误差信号e(n)：

e(n)＝s(n)-c(n)(2)

其是感兴趣的信号x的近似。

由输入向量

$\stackrel{\→}{d}\left(n\right)={[d\left(n\right),d(n-1),...,d(n-N+1)]}^T---\left(3\right)$

加权向量

$\stackrel{\→}{w}\left(n\right)={[w_1\left(n\right),w_2\left(n\right),...,w_N\left(n\right)]}^T---\left(4\right)$

和内积

$c\left(n\right)=\stackrel{\→}{w}{\left(n\right)}^T\stackrel{\→}{d}\left(n\right)---\left(5\right)$

来描述用于建模反馈路径的标准N抽头FIR滤波器，以便获得在每个样本n的消除信号c。

用于优化以上定义的FIR滤波器的有效技术是块归一化最小均方(BNLMS)更新。BNLMS通过计算梯度

${\▿}_w=-\frac{1}{M}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}e(n-i)\stackrel{\→}{d}(n-i)---\left(7\right)$

和信号功率

${\mathrm{\σ}}_d^2=\mathrm{\ϵ}+\frac{1}{\mathrm{MN}}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}{\left|\stackrel{\→}{d}(n-i)\right|}^2---\left(8\right)$

并且把它们与更新中的适配率μ组合，这对于每M个样本执行一次

$\stackrel{\→}{w}\←\stackrel{\→}{w}-\frac{\mathrm{\μ}}{{\mathrm{\σ}}_d^2}{\widetilde{\▿}}_w---\left(9\right)$

而使在M个样本的块上的以下均方误差准则最小化

$J=\frac{1}{2M}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}e{(n-i)}^2---\left(6\right).$

在直接法反馈消除器中，由适配率μ确定在低稳态误差和足以跟踪变化的能力之间的权衡。小的μ值有助于低稳态误差，而较大值有助于良好的跟踪。在实践中，在0和1(1以上的值正常来说是不使用的并且2以上的值甚至可能会导致发散)之间选择μ值。

助听器的声音环境引人注意的变化以及由此反馈路径的相应变化一般由诸如咀嚼、打呵欠、把电话放到耳朵上、戴帽子或围巾、进入诸如汽车的不同环境中之类的活动所导致。涉及的一些动态(dynamics)属于缓慢变化的性质，而其它动态显得更加突然。

为了图示反馈消除电路的操作，声音环境中的突变以及由此助听器的反馈路径的突变通过具有如图2示意地图示的具有多个(近似固定的)状态的切换线性系统来建模。

采用其最简单的形式，反馈模型在两种状态之间切换。作为例子，示出了具有在其中把电话放到耳朵上的反馈路径和其中拿开电话的反馈路径之间切换的反馈路径的直接法反馈消除器的性能。在仿真中，每4秒瞬时执行切换。外部信号x是固定的白噪声并且反馈模型的自适应FIR滤波器使用32个系数和恒定的大延迟(bulk delay)。线性增益、dc滤波器和硬性削波器构成了助听器处理。对于两个反馈路径中最糟的一个，在没有反馈消除的情况下把增益设置为最大的稳定增益级。对24个样本的块执行NLMS块更新。在仿真中，使用阴影滤波来计算理想的响应(所谓的阴影滤波在其中移除反馈信号f和消除信号c两者的独立分支中运行)并且把它与实际信号e相比较。图3为(1)μ被设置为0.025的快速适配率和(2)μ被设置为0.001的缓慢适配率示出了信噪比，其中信号是(由阴影滤波获得的)理想信号并且噪声是在理想和实际信号之间的差异。

当反馈路径切换时(在4，8和12秒)，快速更新能够迅速地响应。它在大约十分之一秒到达固定的SNR级，大约为17dB，在此之后不再进一步改进。相比之下，缓慢更新明显要求更多的时间以对变化做出反应。它大约花费一秒到达与快速更新相同的SNR级，但是最终到达高得多的SNR级。

依照本发明，在固定条件下，把快速更新的良好跟踪属性与缓慢更新的杰出收敛属性相组合。这通过提供用于存储各个声音环境的反馈路径的反馈模型参数的储存库来获得，所述反馈模型参数例如自适应滤波器的滤波系数。当其中相应的反馈模型参数已经被预先存储在储存库中的声音环境出现时，可以根据这些预先存储的参数再次执行反馈路径的建模，从而在不牺牲稳态误差的情况下保持快速跟踪。在现有技术中，当以不同反馈信号路径出现新情况时，先前的反馈模型参数丢失。下面进一步解释这点。

在图4示意地图示的本发明的示例性实施例中，结合分类归并利用用于反馈抵消的快速自适应滤波器W₂来在储存库中存储并获取对应于声音环境的反馈模型参数集。在所图示的实施例中，由自适应滤波器的滤波系数构成反馈模型参数集。快速自适应滤波器W₂类似于在现有技术的反馈消除器中所利用的自适应滤波器并且具有用于适配率的主动设置。它用来估计当前的反馈模型参数集并且迅速地跟踪变化。由于如果此快速滤波器独自用于产生反馈补偿信号，那么其稳态特性可能相对很差，所以它只在特别情况下才用于此目的。在大多数情况下，快速自适应滤波器用来估计将用于产生反馈补偿信号的反馈模型参数集。快速自适应滤波器的滤波系数被用作估计。估计的反馈模型参数，即滤波系数，被输入到由反馈抑制器电路执行的分类归并算法，以用于把群存储到储存库中。依照这种方式，反馈模型参数空间被递增地分隔为用于表示各种情况或声音环境的重现反馈路径的分类归并。那么，储存库中的群中心，其例如被确定为群中反馈模型参数的平均值，可以被用为实际声音环境的反馈路径的反馈模型参数，即对应于实际声音环境的反馈路径的滤波系数。从而，一旦更新快速自适应滤波器的滤波系数，分类归并算法基于新的滤波系数集来更新群，并且选择对应于所述新的滤波系数集的群。然后，群中心系数被输入到数字滤波器W₁中以便提供反馈补偿信号c₁(n)，从所述输入信号s(n)中减去所述反馈补偿信号c₁(n)以便形成被提供到信号处理器的补偿音频信号e₁(n)。

在储存库中的群都不能充分匹配实际的反馈路径的情况下，所图示的实施例配备有回退切换，用于如在常规的反馈消除器中直接使用信号路径中的快速自适应滤波器。

在群更新期间，新的滤波系数集可以被结合到现有的群中，可以形成新的群，可以合并两个现有的群，现有的群可以被划分为两个群，和/或可以删除现有的群。下面进一步进行描述。

分类归并是把对象组织到其成员在某些方面是类似的组中的过程。从而，群是该群的任何对象满足某个准则的对象集合。例如，所述对象可以是依照距离准则被分组到群中的数据，即彼此邻近的数据被分组到相同的群中。这被称作基于距离的分类归并。

在本领域中使用闵可夫斯基度规(Minkowski metric)作为相似性量度(在这种情况下为距离量度)是公知的。如果每个数据x₁由参数集(x_i，1，x_i，2，...，x_i，n)组成，那么闵可夫斯基度规被如下定义：

$d_p(x_i,x_j)={\left(\underset{k=1}{\overset{d}{\mathrm{\Σ}}}{|x_{i,k}-x_{j,k}|}^p\right)}^{\frac{1}{p}}---\left(10\right)$

其中d是数据的维度。常常使用的欧几里得距离是闵可夫斯基度规中p＝2的特例。曼哈顿度规(Manhattan metric)是闵可夫斯基度规中p＝1的特例。

在下面，相似性量度被称作相似性距离，以表明小值表示相似而大值表示相异。

另一种分类归并是概念分类归并，其中群是具有共用概念的对象的集合。

分类归并算法可以被分类为专用的分类归并、重叠的分类归并、分级分类归并和概率分类归并。在专用的分类归并中，群的成员不能是另一群的成员。在重叠分类归并中，使用模糊逻辑来使成员分群，使得成员可以属于具有不同隶属度的两个或多个群。分级分类归并基于两个最近(最类似的)群的并集。在分类归并过程开始时，每个成员定义了群并且在几次迭代之后，到达所想要的群数目。

一个众所周知的传统分类归并算法是由MacQueen引进的k-means算法(J.MacQueen：“Some methods for classification and analysis of multivariate observations”in Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability，volume 1，pages 281-297.Berkeley，University of California Press，1967(在第5次关于数理统计和概率的伯克利研讨会的1967年、伯克来、加州大学出版、第1卷、第281-297页的学报中的“多元观测的分析和分类的若干方法”))。k-means算法是专用的分类归并算法并且它向其中心(也被称作质心)最接近的群分配数据点。中心是群中所有数据点的平均值，即其坐标是群中所有点的每个独立维度的算术平均值。它保持k个群中心

$C=[\stackrel{\→}{C_1},...,\stackrel{\→}{C_k}]---\left(11\right)$

每一个表示被分配给该群的所有向量的平均数，并且对于被分配给每个群的向量的数目，成员数计数

$\stackrel{\→}{M}=[M_1,...,M_k]---\left(12\right).$

在所图示的实施例中，滤波系数W₁构成由k-means分类归并算法处理的数据点。当新的加权向量

到达时，k-means算法把它分配到使用相似性或距离准则d确定的最近群中心C_n(一般使用欧几里得距离函数)，把成员数计数M_n加1并且如下更新群中心

${\stackrel{\→}{C}}_n\←{\stackrel{\→}{C}}_n+\frac{\stackrel{\→}{w}-{\stackrel{\→}{C}}_n}{M_n}---\left(13\right)$

在所图示的实施例中，结合具有共享球形协方差结构的高斯(Gaussian)混合模型来使用k-means算法的MacQueen更新，参照A.Sam′e，C.Ambrosie，and G.Govaert：“A mixture model approach for on-line clustering”in Compstat 2004，23-27 August 2004，Prague，Czech Republic.http://eprints.pascal-network.org/archive/00000582/，2004(A.Sam′e、C.Ambrosie和G.Govaert在2004年的计算机统计化的“用于在线集群的混合模型逼近”，2004年8月23-27日，捷克共和国的布拉格，http://eprints.pascal-network.org/archive/00000582/，2004)。与诸如最大期望(Expectation-Maximization EM)算法之类的公知可替换的方式相比较，k-means算法的主要优点是其通过只使用一阶统计(例如，不需要求逆协方差矩阵)而实现了简单、速度和低复杂度。

在高斯混合模型中，每个群是具有混合比例的高斯、平均和协方差矩阵。高斯混合模型使得可能发现在各个群的峰值之间的潜在解(最大值)。

此外，各个群的协方差信息例如比单个特征长度(其基本上对应于缩放的单位协方差矩阵)更详细地使群特征化。

反馈抑制器电路可以被配置为在群之间共享统计信息，例如对若干或所有群使用一个协方差矩阵。因为类似的群可以以更高速率收集统计值，所以这使得模型更加高效。例如如果分别为每个群形成协方差矩阵，那么显然它比共享信息的情况要花费更多的时间。此外，因为这种矩阵可能必须被求逆，所以共享信息减少了奇异性问题的风险(在这种情况下矩阵求逆是不可靠的)。

在一个实施例中，通过在每次迭代执行如下更新来为成员数计数引进遗忘因子·(一般0＜＜·＜1)

$\stackrel{\→}{M}\←\mathrm{\γ}\stackrel{\→}{M}---\left(14\right).$

遗忘因子的影响是双重的。首先，它对成员数计数引进了软上限，这确保了更新始终保持某个最小的适应量。在有用的算法中这是必须的，这是因为否则的话更新将最终会被冻结。第二个影响是有助于通过具有低成员数计数来检测异常值(outlier)。异常值一般在发生重要事件时被采样几次，例如用户把助听器从耳道拿走，助听器掉下，助听器开启等。可能不需要不确定地存储对应于这种罕见事件的反馈模型参数。从而当群成员数计数降低到某个预定义阈值之下时，它可以简单地被从储存库中移除。

在本发明的实施例中，分类归并包括形成新的群、删除现有的群以及合并群。反馈抑制器电路可以跟踪群中心之间的距离，特别是跟踪两个最接近的群

和

之间的最小距离d_m。当新的向量到达时，计算到其最近群中心

的距离d_n。此外，当前向量

的特征长度σ例如通过选择与向量

的长度成正比的σ(这是由于预计反馈模型的标准偏差与反馈信号的强度成正比)来估计，其可以被解释为当前群的标准偏差的估计。作为选择，估计每个群的各个σ_i。最后，标识具有最低成员数计数M₁的最小群

使用此信息，更新群中心继续至以下三种情况之一。

(1)如果(M₁＜M_min)&(d_n＞ασ)

如果最小的成员数计数M₁小于某个最小值M_min(例如M_min＝1)并且到最近群d_n的距离大于ασ，其中α是调谐参数(一般当σ是标准偏差的估计时其数量级在1和3之间)，那么群

由传入向量

代替并且其成员数计数被设置为1。

(2)否则如果(d_m＜d_n)

如果在两个最近群中心

和

之间的距离小于传入向量

到其最近群中心的距离，那么合并两个最近群并且其它实体被其成员数计数设置为1的

代替。如下计算成员数计数和合并群的中心

$M_{\mathrm{merged}}=M_{m_1}+M_{m_2}---\left(15\right)$

${\stackrel{\→}{C}}_{\mathrm{merged}}=\frac{M_{m_1}\stackrel{\→}{C_{m_1}}+M_{m_2}\stackrel{\→}{C_{m_2}}}{M_{\mathrm{merged}}}---\left(16\right)$

(3)缺省

在没有合并或代替群的情况下，使用原始的MacQueen更新把分配给其最近的群中心。

在下面，解释用于从在储存库中存储的群中心集中选择反馈模型参数集的一种方式。虽然优选考虑成员数计数以便避免所选择的模型太过经常地变为新创建的群，在这种情况下与快速自适应反馈模型相比几乎没有任何优点，但是可以选择已经被群算法更新标识的最近群中心。

为了克服此问题，利用高斯算法混合，即，假定群的概率密度函数是高斯型的。如下给出在具有平均数

和协方差矩阵R_i的群周围N维空间内点

的高斯概率密度

$P\left(\stackrel{\→}{w}\right|\stackrel{\→}{C_i})=\frac{1}{\sqrt{\left|R_i\right|{\left(2\mathrm{\π}\right)}^N}}\exp (-\frac{1}{2}{(\stackrel{\→}{w}-\stackrel{\→}{C_i})}^T{R}_i^{-1}(\stackrel{\→}{w}-\stackrel{\→}{C_i}))---\left(17\right)$

假定球形群，具有共享协方差矩阵的相同对角结构，等式(16)可以简化为如下：

$P\left(\stackrel{\→}{w}\right|\stackrel{\→}{C_i})=\frac{1}{\mathrm{\σ}\sqrt{{\left(2\mathrm{\π}\right)}^N}}\exp (-\frac{d{(\stackrel{\→}{w}-\stackrel{\→}{C_i})}^2}{{2\mathrm{\σ}}^2})---\left(18\right)$

如之前所提及，在此例示的实施例中，估计σ与向量

的长度(即，

)成正比。作为选择，基于关于适当的群度量的先验信息，σ可以被设置为常量，或者可以为每个群估计各个σ_i。

在假设群i的先验概率的特征为其相对成员数计数的情况下，如下估计用于产生观察向量

的群i的似然性

$P\left(\stackrel{\→}{C_i}\right|\stackrel{\→}{w})=P\left(\stackrel{\→}{C_i}\right)\frac{P\left(\stackrel{\→}{w}\right|\stackrel{\→}{C_i})}{P\left(\stackrel{\→}{w}\right)}=\frac{M_i}{\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{M}_j}\frac{P\left(\stackrel{\→}{w}\right|\stackrel{\→}{C_i})}{\underset{r=1}{\overset{k}{\mathrm{\Σ}}}P\left(\stackrel{\→}{w}\right|\stackrel{\→}{C_r})}---\left(19\right)$

在实践中，不需要精确知道每个概率。只要求标识具有最高概率的群。为此目的，通过利用对数并且去除所有相加性常数(来自高斯概率密度函数的分母和常数的每个量)来简化等式(18)，得到

$\log (P\left({\stackrel{\→}{C}}_i\right|\stackrel{\→}{w})~\log \left(M_i\right)-\frac{d(\stackrel{\→}{w},{\stackrel{\→}{C}}_i)}{{2\mathrm{\σ}}^2}---\left(20\right)$

其具有将被用为反馈模型W₁的最可能群的最大值。

在使用期间，可能出现新情况，其中储存库中没有一个群能够提供适当的性能。在这种情况下，快速自适应滤波器可用以作为回退选项。回退切换独立于在分类归并模型中进行的假设操作并且直接把由储存库中最可能的模型所产生的信号的反馈消除误差e₁(n)(对于直接法反馈消除器来说其只是一个块的幂)与由快速适应模型所产生的信号误差e₂(n)相比较。如果e₁(n)超过e₂(n)达某个预定义的余量，那么回退切换连接用于常规反馈消除的快速自适应滤波器，并且在群更新期间，新的集可以被结合到现有的群中，可以形成新的群，可以合并两个现有的群，现有的群可以被划分为两个群，和/或可以删除现有的群。否则，回退切换连接用于反馈消除的数字滤波器W₁。

作为例子，在其中把电话放到耳朵的反馈路径和其中拿走电话的反馈路径之间每4秒瞬时切换反馈路径来重复结合图2解释的实验，但是现在，代替使用如图2所示的直接法消除器，使用在图4中所示出的实施例。在此例子中，群的数目k是3，当只处理两个反馈路径时这应当是足够了。当然可以使用更多的群，但是为了简单起见群的数目被限制为3。

图5示出了输出波形和相关联的信噪比(其中信号是使用如结合图2所解释的阴影滤波计算的理想输出)。在等于零的时间，系统被初始化，所有模型系数为零。在第一秒期间，性能稳步增加，在4秒时反馈路径改变(把电话放到耳朵上)。在8秒时拿走电话，并且实施例返回到原始的反馈路径。由于现在已经观察了两个反馈路径，所以切换变得十分迅速，而SNR级保持在近恒定的稳定水平(因为在此情况下反馈信号更大，所以随着电话的呈现，SNR级更低)。

图6图示了分类归并算法的操作。上曲线示出了成员数计数，而下曲线示出了估计模型的似然性。在启动时，没有任何群，但是在一个群(在这种情况下为群2)开始占据主导地位之前不会花费很久，并且成员数计数增长。在4秒之后情况发生改变；群3开始接收成员，并且群2的成员数计数开始下降。在8秒之后，群2和3都具有大量成员并且模型似然性信服地反映反馈路径中的突变。

在此例子中，因为只存在两个固定的反馈路径，所以群1保持很小(并且是不太可能的)。偶而它可能增长一点，但是由于它无法变得足以不同于两个大群，所以其成员最终被其中一个大群吸收(通过合并操作)。

图7示出了最可能的模型W₁和快速适应模型W₂的滤波系数(反馈模型参数)。快速自适应滤波器的有噪声特性是很明显的。此外，清楚地示出了(至少在此例子中)最可能的模型更加稳定并且仍然具有快速切换能力。

本发明的重要优点是显著地改进了具有自适应滤波器的现有技术反馈消除电路在静态和动态性能之间的权衡。

本发明所获得的改进量取决于(1)信噪比，(2)在使用本发明期间遇到的声音环境变化程度，和(3)表示有意义群的能力。

当被应用于反馈抑制中时，点1受增益的影响(所述增益设置在反馈信号和外部信号的强度之间的平衡)。如果增益非常高(例如，在没有反馈抑制MSGoff的情况下在最大值稳定增益以上10-20dB)，那么标准的自适应滤波器具有极好的信号来进行操作并且在没有储存库的情况下已经提供了足够的性能。当增益较低(例如，处于或低于MSGoff，诸如在该例子中)时，本发明的优点变得更加明确。其原因在于，特别是在不良SNR条件下，标准的自适应滤波器必须在较长时间帧上(或者等价地使用较小的适配率)求平均值以便获得高质量的模型估计。显然，当花费很长时间来寻找良好的模型时，更值得把它保留在储存库中。

关于与声音环境的变化程度相关的点2。如果环境太过稳定，即只存在一个信号路径，那么试图分段参数空间并没有很多好处。如果另一方面环境高度不稳定，在各个反馈路径之间频繁转换，那么分类归并模型可能也是不适当的。本发明很好地适合于大部分时间是固定的只是偶尔在不同的反馈路径之间进行切换的环境。一般地依照这种方式使用具有反馈抑制的助听器。当助听器的用户例如拿起电话或者把他或她的头枕到枕头上时，在反馈路径中出现突变。

关于点3：用于表示有意义群的能力，这主要取决于距离/相异准则以及解空间相关联的几何结构和紧密度。从而，重要的是，是否使用FIR表示、FFT映射、反射系数的变换或某个预处理来通过例如PCA或LDA映射减少维度。通常，理想的表示必须具有紧凑可分的群，这意味着内散射(在一个群内的距离)为低并且间散射(在群之间的距离)为高。在这方面，原始的FIR表示可能不是最优的(例如因为相位变换可能会违反紧凑性)，但是不过，所图示的实施例已经示出了在实践中该方法能够合理地工作。

下面公开了多个另外的实施例。

图8示出了具有添加的自适应去相关性的对应于图4的实施例的本发明实施例的框图。自适应去相关性被应用于信号e₂以便获得所谓的滤波误差信号e_f2。自适应去相关性被对称地应用于自适应滤波器输入d，以使得交叉相关两个的信号提供梯度估计，以使滤波的误差准则最小化，已知其在音调或自相关的外部信号条件下更加鲁棒。在所图示的实施例中，根据e₂获得在去相关滤波器中使用的信号模型h_d。然而作为选择，可以根据e获得信号模型(在回退切换之后)，或者只是使用固定的去相关滤波器(这可能是标准的滤波-X解)。当然，(使用滤波误差来代替正常误差)信号模型也可以用来改进在回退切换中所进行的决策。

此外，自适应非线性去相关性可以被应用于信号路径中。信号路径中的非线性去相关性降低了外部信号与助听器输出的相关性。由反馈对输入信号所引起的作用保持同等地相关(这是因为应用的非线性改进是已知的)，因此变得易于把反馈与音调输入相区分，并且从而反馈模型得到改进。

可以取决于选择的群来应用自适应非线性去相关性。信号路径中的非线性去相关性可能导致感受失真，并且由此可能希望对最有问题的反馈路径利用非线性失真，其中最有问题的反馈路径可以由群的具体参数和统计值来标识。

在图8的实施例中，进一步约束系数更新。

反馈抑制器电路可以进一步被配置为保持外部信号的分类归并模型，由此降低了对不稳定音调输入的灵敏度。在图9中示出了这种实施例的框图。图9的实施例是通过自适应分类归并也被应用于外部信号的模型的、对图8的实施例的直接延伸。

在一些声音环境中，外部信号和背景噪声大部分时间具有相对恒定的特性，但是偶而会迅速切换到不同级。应当注意，与图8相比较，图9中用于获得信号模型的插入点已经被移动到e而不是e₂。这关于稳定性可能具有一些优点，这是由于否则两个快速自适应滤波器级联操作，但是原则上两个插入点均可以用于获得信号模型。

由于效率原因，在所图示的实施例中使用k-means分类归并算法，其只要求计算群的一阶统计值。然而通常，倘若通过在分类归并模型中结合更高阶统计，例如协方差，而可用足够的计算资源，那么可以进一步改进性能。为了更新群，代替使用MacQueen更新，可以考虑利用EM(最大期望)算法的一次或多次迭代。此外，预期对该群利用更精炼的、可能是非高斯的、基础的概率密度函数。

在所图示的实施例中，基于与快速自适应滤波器系数的比较来使用最可能的模型。可替换的方式是通过实际上并行运行所有模型或者根据自动和交叉相关统计值推导来计算全最小均方误差，并且仅仅选择具有最低误差的模型。又一可替换的方式是在统计模型中包括快速自适应滤波器，并且例如把置信度包括在观察的向量

中，以便避免当认为快速自适应滤波器自身是不可靠的或处于转变状态时，切换模型。

用于选择模型的另一可替换的方式是完全不进行硬性选择。作为替代，可以通过储存库中所有模型的加权和来形成最可能的模型。

此外，在先前迭代中选择的模型历史可以例如被存储在储存库中以便改进性能。特别地是，例如通过随时间推移平滑似然性，可以依照这种方式防止频繁的切换。

除在使用期间形成群之外，还可以提供固定模型，其可以依照与选择在操作期间形成的群相同的方式来进行选择。当然，这种方法只在先验信息可用时可行，例如借助于如一般在现代助听器中执行的初始化过程。

此外，可以例如通过存储有限数目的模型来提供固定群，所述模型曾经在没有遗忘因子的情况下长时间占据主导地位。

此外，由一个用户使用的模型可以与由其它用户使用的模型组合并且作为模型存储在新用户的储存库中。

本发明也可以用于多信道助听器中，其中传入的音频信号被划分为多个带通滤波信号(频率信道)，所述带通滤波信号例如依照为用户记录的听力图，即基于作为频率函数的听觉阈值，来在信号处理器中分别地处理。经处理的带通滤波信号例如在求和电路中被组合在一起，以用于数字到模拟转换并且在受话器中转换为声信号。同样，反馈消除电路可以被划分到多个频率信道中，如上面为单信道所公开那样，其在反馈抑制器电路中被分别处理。另外，反馈抑制器电路可以被配置用于跨信道共享统计值。各个频率信道的反馈路径变化可能有力地相关。从而，例如如果每个群表示所有反馈路径的组合，那么可以获得改进的性能，例如可以通过连接滤波系数来实现所述组合。

在所图示的实施例中，用于确定滤波系数的向量

的快速自适应反馈滤波器在分类归并模型之外。这降低了系统的复杂度。还可能对观察的传入信号s、引出信号y(或d)直接执行推断，以便直接更新在储存库中的所有可用反馈模型，以及可能还更新用于去相关性的一些信号模型(其可以依照与反馈模型类似的方式存储)。

给定观察的输入信号s和(延迟的)输出信号d，s和d的观察的特征在于统计值S。对于线性系统，S至少应当包含关于d的自相关和在s和d之间的交互相关的信息，但是还可以包含更高阶统计值，例如用于处理非线性反馈路径，以及包含用于保持信号模型所需要的任何统计值，例如用于自适应去相关性。

在图10中示出了用于获得统计值S的可能设计。在图10中，负责收集统计值、被标记为‘提取相关’的块接收来自传声器信号s的输入、反馈信号c的当前最佳估计、具有一个采样延迟的外部信号e的当前最佳估计以及通过固定滤波器传递的助听器d的输出，其最简单的形式是延迟。来自e和d的信号被向量化以便获得

和这意味着采用向量的形式来收集近来采样的短期描述。在其最简单形式，向量化是如在标准的直接式滤波器中使用的抽头延迟线，但是更高级的实现方式可以利用滤波输入(例如在翘曲的延迟线中)、高阶多项式以及其它线性或非线性变换的项来扩展向量。提取相关性的块至少可以计算在s和来自d的向量化输入之间的交叉相关，由此提供为直接法消除器所需要的最小统计值。更高级的实施例例如可以计算在共同(joint)向量化输入和信号s之间的交叉相关以及用于共同向量化输入的自动相关矩阵。也可以计算高于二的阶的统计值，但是这并非是绝对必要的，这是因为矢量化块可能增加非线性项并且来自非线性特征的线性映射可能足以适合非线性反馈路径。在助听器中，在G中执行的信号处理可以被假设为在信号路径中提供延迟，所述延迟足以确保在时间n对外部信号

的向量化估计的任何直接作用尚未呈现于在时间n的输出信号y中。从而，在s和之间的相关性并非由反馈路径直接导致，虽然当消除信号偏离实际的反馈信号时当然仍旧存在通过反馈路径着色的间接关联。另一方面，反馈路径导致在s和

之间的相关性。这对于具有长尾自相关函数的外部信号，例如音调输入，来说是无效的。当音调输入信号与

和

高度相关时，对它们自己的短期统计值是不明确的(即共同输入向量具有冗余)并且可能不足以把反馈与外部信号相区分，由此可能不足以提供唯一解。一个例子是其中在和中呈现同样周期的纯粹正弦音调。存在用于解决此方案的多个策略。最简单的方法是使用标准的最小均方更新，并且只是计算两个源的平均值。第二可替换的方式是首先基于估计的外部信号

来优化预测并且然后仅使用残留误差来适应反馈模型(s)，其对应于使用自适应去相关性的先前提及的解。第三种可能性是根据

优化预测，同时取决于与

的观测相关性来施加一些约束条件以便确保稳定性。在这种情况下，因为此更新被偏置，所以约束是必要的。原则上在大部分情况中对最后一种选择没什么兴趣，这是因为它倾向于过分地抑制任何音调输入，但是它在极大高增益方面具有一定优点。又一可能性可能是交织信号参数估计和反馈的更新。用于解决模糊统计值可能的最佳解决方案是通过使用先验知识。可以采用概率密度函数的形式来保持此先验知识，所述概率密度函数用于使用在反馈(和信号)模型储存库中保持的混合分量集来描述各种可能参数设置的似然性。使用此先验知识，至少在原则上，使我们能够对更新反馈模型提出更好的决策。

在反馈消除系统的一个实施例中，提供多个候选的反馈模型W_i。每个候选反馈模型W_i一般包含像群中心式的滤波系数集，但是还可以包含具体设计结构，例如一些模型可以使用比其它滤波器更长的滤波器。另外，可以提供多个信号模型X_j，其内部用于把由实际反馈路径所引起的相关性与在(与反馈无关的)外部信号中内在呈现的相关性相区分。

给定观察的环境统计值，可以计算p(S|W_i，X_j)，其表示似然性，对于产生观察的统计值，具有外部信号模型j的候选反馈模型i是可靠的。据此，使用贝叶斯(Bayes)规则，给定观察的统计值，推断候选模型的似然性

$p(W_i,X_j|S)=\frac{p\left(S\right|W_i,X_j)p(W_i,X_j)}{p\left(S\right)}---\left(21\right)$

如果事实上反馈模型应当独立于外部信号模型(p(W_i，X_j)＝p(W_i)p(X_j))，那么给定S，反馈模型i与信号模型j的共同似然性是

$p(W_i,X_j|S)=\frac{p\left(S\right|W_i{,X}_j)p\left(W_i\right)p\left(X_j\right)}{p\left(S\right)}---\left(22\right)$

由于只在内部使用信号模型，所以为了解释观察的统计值，只有给定S的反馈模型的似然性是相关的。这通过对所有信号模型求和来获得：

$p\left(W_i\right|S)=\underset{\∀j}{\mathrm{\Σ}}p(W_i,X_j|S)---\left(23\right)$

这对一个信号模型来说当然变得更简单，例如图8的实施例。

可以依照各种方式选择要用于信号回路中的最可能的反馈模型。首先，可以通过简单地列举所有候选模型并且选择最大化等式(23)的一个来进行对最大后验(MAP)估计的硬性选择。应当注意，不必计算P(S)，这是由于其作为标度因子的功能，而不会影响确定最大值。

作为选择，例如可以与模型似然性成正比地确定‘所有权’的相对度，并且选择反馈模型作为储存库中模型的加权组合。第三可能性是使用储存库中的所有群作为(高斯)混合模型的分量，并且在反馈模型w的连续参数空间中搜索新模型W^*，以便使后验似然性最大化

$P\left(w\right|S)=\underset{\∀i}{\mathrm{\Σ}}\underset{\∀j}{\mathrm{\Σ}}P(w,W_i,X_j|S)---\left(24\right)$

$W^{*}=\underset{w}{\arg \max }\left(P\left(w\right|S)\right)---\left(25\right)$

在后两种可能性的情况下，反馈路径的跟踪变得连续，其中群模型只是在后台活动。

与硬性选择相关联的离散切换相对比，其优点是可以更准确地建模确定重复出现的动态。

通过列举所有候选模型，可以依照下式计算关于观察统计值S的似然性的期望：

$p\left(S\right)=\underset{\∀i}{\mathrm{\Σ}}\underset{\∀j}{\mathrm{\Σ}}p\left(S\right|W_i,X_j)---\left(26\right)$

为了改进模型，期望采用使此边缘似然性最大化的方式来进行调整。为此，可以使用一个或多个以下操作逐渐地更新候选模型：

1.硬性分配：观察的统计值可以被分类为属于反馈和信号模型的一个特定2元组(i，j)，在这种情况下只更新相应的反馈和信号模型。

2.软分配：观察的统计值的特征为若干反馈和信号模型的一些少量所有权，当多个模型可能可靠时，表现出特定的度。在这种情况下，相对于所有模型的所有权的度来更新它们。

3.合并：可以把两个模型合并到一个中。这一般在两个现有模型已经变得相当类似并且组合模型充分适合于描述当前情况时进行。

4.拆分：一个模型可以被拆分成两个。例如这可以当模型变得太通常并且没有充分详细描述当前情况时进行。

5.删除：当模型变得不太可能时可以被删除。这一般在除去异常值以及舍弃知识时进行。

6.创建：当出现新的情况时，可以创建新模型。

可以通过比较在操作前后的边缘似然性p(S)来评定上述任何操作的效果，所述操作使搜索过程或规则集的公式化能够执行为优化模型所需要的操作。

不过应当注意，不必把更新限制为仅使用以上操作分类。可以考虑标准的最优化技术，诸如EM算法，或能够逐渐地增加边缘似然性的任何其它搜索例程。在所图示的实施例中，已经使群的总数保持固定，这意味着始终成对地应用合并、拆分、删除和创建操作符，例如如果删除一个群，那么创建另一个群。然而通常允许可变的群数目。这可以通过假设在以上公式中明确的模型复杂度来进行，即p(S)变为p(S|H(i_max，j_max))。甚至可以进一步去掉这一步并且允许群的数目变为无穷大。尽管实践的实现方式只保持有限数目的群，不过可以就像存在无穷多个混合分量那样进行在贝叶斯定理混合模型中的基础推断过程，参照C.Rasmussen：“The Infinite Gaussian Mixture Model”in Advances in Neural Information Processing Systems，MIT Press，12：554-560，2000(C.Rasmussen的神经信息处理系统进阶中的：“无限高斯混合模型”，MIT出版，12：554-560，2000年)。其特别吸引人的属性在于它极好地回避了找出正确群数目的问题。

在一个实施例中，助听器可以进一步包括环境检测器，用于检测助听器的声音环境并且其中反馈抑制器电路进一步被配置为基于声音环境检测和在储存库中存储的反馈模型参数集来确定反馈模型参数集以便对应于检测的声音环境来建模反馈信号路径。

助听器处理器可以进一步被配置为取决于选择的反馈路径模型来减少信号路径中的增益。对于振荡减小或消除，增益衰减是公知补救方式。基于选择的群，反馈抑制器电路可以提供反馈信号的强度估计，以便确定增益衰减是否适当。

反馈抑制器电路可以进一步被配置为保持外部信号的统计模型，以便把由反馈所引起的助听器输出和输入之间的相关性与在外部信号(音调输入)中已经存在的相关性相区分，借此减少对音调输入的灵敏度。

反馈抑制器电路可以进一步被配置为分别处理例如由两个或多个传声器提供的多个输入信号，例如以便获得改进的方向性。

反馈抑制器电路可以进一步被配置为在多个输入信号之间共享信息以便改进方向性。反馈模型变得更加高效，这是因为当传声器彼此接近时反馈路径中的变化很可能相关。通过改进反馈模型，提供方向性的算法具有较好的输入信号。

反馈抑制器电路可以进一步被配置为例如对自适应去相关性、为若干或全部输入信号使用共享的信号模型。

来自每个传声器的、观察的外部信号可以被假设为近似相同的，当然除到达时间之外。利用一个信号模型改进统计值，并且由此与其中每个信道具有其自己的信号模型的情况相比较，获得了更好且更可靠的反馈路径估计。

反馈抑制器电路可以进一步被配置为分类归并用于组合所有输入信号的反馈路径的模型，借此在反馈路径之间的切换变得更加可靠，这是因为假定传声器彼此接近放置，那么一个信道的变化应当与其它(多个)信道的变化高度相关。

反馈抑制器电路可以进一步考虑更高阶统计值来表征反馈路径中的受话器、放大器和/或传声器非线性度，借此例如在供电设备中改进性能，其中在供电设备中极端增益可以把模拟分量驱向饱和，这可能油非线性时变反馈路径来最佳建模。

分类归并和所选择的反馈模型统计值可以被存储在日志中。此外，遇到的信号模型统计值可以被存储到日志中。

在此，如果用户遇到设备问题，那么用户可以回到验配师那里，所述验配师然后可以获得关于造成问题原因的声音环境和情况的更详细信息。这使验配师能够提供更好的服务。例如，可以观察到当听到具体类型的信号时会出现问题。

反馈抑制器电路的性能也可以被存储到日志中。

可以存储关于选择群的历史的统计值并且可以向验配师提供这些数据以用于建议。对于每个特定的群，可以记录选择它的次数并且选择性地可以记录使用它的持续时间、使用它的声音环境、平均建模误差等，所述声音环境诸如话音、音乐、噪声等。此外，验配师或制造商可以收集经常使用的反馈路径模型集。一个用户的有用模型可以与来自其它用户的有用模型相组合并且被用作新用户的起始模型。

可以基于选择的群来确定诸如来自电话的附近反射的存在，借此可以触发确定的动作来辅助用户，例如自动切换到电话模式、在信号路径中进行自动调整，诸如减小增益等。图2和说明书的相应部分示出了当把电话放到助听器用户的耳朵时形成不同的群。

可以进一步基于当前的信号模型来检测电话的使用，例如用于自适应去相关性，借此可以改进电话存在的检测，这是因为(1)电话一般使用比正常传入信号更窄的频率范围，和(2)在接听电话期间的主导信号模型具有话音形式特性。

电话检测是有用的，这是因为它使助听器能够获取适当的量度，诸如在使用电话时使话音清晰度最大化。已经描述了本发明的实施例能够迅速地跟踪由拿起电话所导致的变化。此外，电话的存在一般与反馈信号强度粗略地增加3到6dB相关联，例如参见图7中的权重。简单的电话检测器可以例如使用反馈路径系数向量的一个标准长度来把当前反馈信号强度与长期平均值相比较。更精炼的版本还可以把当前估计与模板模型集相比较，或者仅仅使存在于储存库中的固定群适于普通电话(average phone)。通过把基于活动群的检测与输入信号的其它特性相组合，获得更可靠的检测。在电话使用期间，传入信号一般为有限带宽话音，这可以使用由在储存库中存储的反馈模型参数集构成的内部信号模型或者通过使用标准的话音活动检测器来检测，以便改进电话检测速率。

此外，可以使用自回归技术来建模一些话音特性是公知的。图9中的去相关滤波器学习输入信号的自回归模型，从而信号储存库将包含自回归模型集，其可以与话音的模板自回归模型特性集相比较。

可以基于选择的群来检测助听器的定位，即助听器被插入耳道中，助听器被从耳道移除，或者助听器被错误地放入耳道中，借此可以自动地控制助听器的操作，例如可以在重新定位助听器期间临时减少增益，当把助听器从耳道移除时可以自动关闭所述助听器等。

应当注意，在所图示的实施例中，反馈抑制电路被配置为建模内反馈回路中的外部反馈路径并且从输入信号中减去估计的反馈信号，以便补偿诸如声反馈之类的外部反馈。作为可替换的方式，反馈抑制电路可以在内部前馈路径中连接并且例如可以包含用于增益衰减的自适应陷波滤波器。本发明可以用在这种类型的反馈抑制电路中，其常常被称作反馈消除或反馈抑制系统。

Claims (42)

1.一种音频系统，包括

信号处理器，用于处理音频信号，和

反馈抑制器电路，被配置为通过基于用于反馈信号路径的反馈模型参数集的反馈补偿信号提供来建模所述音频系统的所述反馈信号路径，其中所述反馈模型参数集被存储在用于所述反馈模型参数集的存储的储存库中。

2.如权利要求1所述的音频系统，进一步包括第一减法器，用于从所述音频信号中减去所述反馈补偿信号，以形成被提供到所述信号处理器的经补偿音频信号。

3.如先前权利要求中任何一个所述的音频系统，进一步包括环境检测器，用于所述音频系统的声音环境的检测，并且其中为了对应于检测的声音环境来建模所述反馈信号路径，所述反馈抑制器电路进一步被配置为基于所述声音环境检测和在所述储存库中存储的反馈模型参数集来确定反馈模型参数集。

4.如先前权利要求中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为分类归并所述反馈模型参数集。

5.如权利要求4所述的音频系统，其中为了建模所述反馈信号路径，所述反馈抑制器电路进一步被配置为选择对应于所检测的声音环境的群。

6.如权利要求4或5所述的音频系统，其中所述反馈抑制器电路被配置为基于所选择的群的群中心的反馈模型参数来建模所述反馈信号路径。

7.如先前权利要求中任何一个所述的音频系统，其中所述反馈抑制器电路包括用于建模所述反馈路径的自适应滤波器，并且其中在所述储存库中存储的所述反馈模型参数集包括所述自适应滤波器的滤波系数。

8.如先前权利要求中任何一个所述的音频系统，其中所述反馈抑制器电路包括数字滤波器，其具有由根据在所述储存库中存储的所述反馈模型参数集导出的反馈模型参数构成的滤波系数。

9.如权利要求7或8所述的音频系统，进一步包括开关，被配置为在第一减法器的输出和第二减法器的输出之间切换对所述信号处理器的输入，以从所述音频信号中减去所述自适应滤波器的输出信号。

10.如权利要求4-9中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为当两个群的相互类似距离小于阈值时合并所述两个群。

11.如权利要求4-9中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为当群的成员数计数在阈值以下时删除所述群。

12.如权利要求4-9中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为当到最近群的类似距离大于阈值时创建新的群。

13.如权利要求4-9中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为当一个群内的类似距离大于阈值时拆分所述群。

14.如权利要求4-9中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为例如当群已经被有效地用了一定时间段时保持所述群不变。

15.如权利要求10-14中任何一个所述的音频系统，其中所述阈值是在由所述反馈抑制器电路确定的当前反馈模型参数与其最近群中心之间的类似距离的函数。

16.如权利要求10-14中任何一个所述的音频系统，其中所述阈值是在所述储存库中两个最类似群之间的相异性的函数。

17.如权利要求10-14中任何一个所述的音频系统，其中所述阈值是所观察的群内偏差的函数。

18.如权利要求4-17中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为标识具有最低成员数计数的最小群，并且如果所述最低成员数计数在阈值之下并且从所述最小群到其最近群的类似距离大于特定类似阈值，则用由所述反馈抑制器电路确定的当前反馈模型参数来代替所述群。

19.如权利要求4-18中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为约束更新所述自适应滤波器的所述滤波系数。

20.如权利要求4-19中任何一个所述的音频系统，其中为了系数更新，所述反馈抑制器电路进一步被配置为更新用于向所述误差信号应用去相关性的所述自适应滤波器的所述滤波系数。

21.如权利要求20所述的音频系统，其中自适应去相关性被应用于所述误差信号。

22.如权利要求20所述的音频系统，其中固定滤波器被用于所述去相关性。

23.如先前权利要求中任何一个所述的音频系统，其中所述储存库存储预定的反馈模型参数集。

24.如先前权利要求中任何一个所述的音频系统，其中在所述信号路径中应用自适应非线性去相关性。

25.如权利要求24所述的音频系统，其中取决于所选择的群/反馈模型来应用所述自适应非线性去相关性。

26.如先前权利要求中任何一个所述的音频系统，其中取决于所选择的群/反馈模型来在所述信号路径中应用增益衰减。

27.如先前权利要求中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为以高斯混合模型的形式保持所述反馈路径的统计模型。

28.如权利要求27所述的音频系统，其中所述反馈抑制器电路进一步被配置为在群之间共享统计信息。

29.如先前权利要求中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为保持所述外部信号的统计模型，所述外部信号的统计模型被应用以把在由反馈所引起的音频系统输出和输入之间的相关性与在所述外部信号中已经存在的相关性相区分。

30.如先前权利要求中任何一个所述的音频系统，其中除用于所述反馈路径的分类归并模型之外，所述反馈抑制器电路进一步被配置为保持所述外部信号的分类归并模型。

31.如先前权利要求中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置为对多个输入信号独立地操作。

32.如权利要求31所述的音频系统，其中所述反馈抑制器电路进一步被配置为在所述多个输入信号之间共享信息。

33.如权利要求31或32所述的音频系统，其中所述反馈抑制器电路进一步被配置为对所有输入信号使用共享的信号模型。

34.如权利要求31-33中任何一个所述的音频系统，其中所述反馈抑制器电路进一步被配置利用组合所有或多个输入信号的所述反馈路径的分类归并模型。

35.如先前权利要求中任何一个所述的音频系统，其中所述反馈抑制器电路考虑高阶统计特性来表征所述反馈路径中的受话器、放大器和/或传声器非线性。

36.如先前权利要求中任何一个所述的音频系统，其中分类归并和所选择的反馈模型统计值被存储/记录在日志中。

37.如先前权利要求中任何一个所述的音频系统，其中遇到的信号模型统计值被存储到日志中。

38.如权利要求36-37所述的音频系统，其中所述反馈抑制器电路的性能被存储到日志中。

39.如先前权利要求中任何一个所述的音频系统，其中所选择的反馈模型被用来检测诸如电话之类的附近反射的存在。

40.如权利要求39所述的音频系统，其中所述当前信号模型被用来检测电话的使用。

41.如权利要求30所述的音频系统，其中所选择的信号群被用来检测话音。

42.如先前权利要求中任何一个所述的音频系统，其中所选择的群被用来检测何时所述音频系统被装入、取出或错误地放到耳朵里。

Images