CN102132491B - 用于通过预白化确定通过lms算法调整的自适应滤波器的更新滤波系数的方法 - Google Patents

用于通过预白化确定通过lms算法调整的自适应滤波器的更新滤波系数的方法 Download PDF

Info

Publication number
CN102132491B
CN102132491B CN200980133068.4A CN200980133068A CN102132491B CN 102132491 B CN102132491 B CN 102132491B CN 200980133068 A CN200980133068 A CN 200980133068A CN 102132491 B CN102132491 B CN 102132491B
Authority
CN
China
Prior art keywords
filter
prewhitening
signal
normalized value
filtering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN200980133068.4A
Other languages
English (en)
Other versions
CN102132491A (zh
Inventor
R·L·安德森
G·A·戴维森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Dolby Laboratories Licensing Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dolby Laboratories Licensing Corp filed Critical Dolby Laboratories Licensing Corp
Publication of CN102132491A publication Critical patent/CN102132491A/zh
Application granted granted Critical
Publication of CN102132491B publication Critical patent/CN102132491B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/012—Comfort noise or silence coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/02—Details
    • H04B3/20—Reducing echo effects or singing; Opening or closing transmitting path; Conditioning for transmission in one direction or the other
    • H04B3/23—Reducing echo effects or singing; Opening or closing transmitting path; Conditioning for transmission in one direction or the other using a replica of transmitted signal in the time domain, e.g. echo cancellers
    • H04B3/235—Reducing echo effects or singing; Opening or closing transmitting path; Conditioning for transmission in one direction or the other using a replica of transmitted signal in the time domain, e.g. echo cancellers combined with adaptive equaliser

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

本发明涉及一种用于确定通过LMS算法调整的自适应滤波器(22)的至少一个更新的滤波器系数的方法。根据所述方法，确定第一白化滤波器(25′)的滤波器系数、尤其是LPC白化滤波器的滤波器系数。第一白化滤波器(25′)生成经滤波的信号。基于在确定第一白化滤波器(25′)的滤波器系数期间获得的一个或多个计算值确定归一化值。归一化值关联于该经滤波的信号的能量。依赖于该经滤波的信号和归一化值确定自适应滤波器(22)的至少一个更新的滤波器系数。优选地，确定对于自适应滤波器(22)的所有滤波器系数的更新的滤波器系数。

Description

用于通过预白化确定通过LMS算法调整的自适应滤波器的更新滤波系数的方法
相关申请的交叉引用 
该申请要求2008年8月25日提交的美国专利临时申请No.61/091,527的优先权，在此通过引用将其完全合并到此。 
技术领域
本发明涉及系统识别，具体地说，涉及一种用于确定通过LMS算法调整(adapt)的自适应滤波器的更新的滤波器系数的方法。 
背景技术
系统识别基于从测量的数据构建系统或处理的动态行为的数学模型的算法。系统识别的常用方法是响应于未知系统的输入测量该系统的输出行为，以便确定输出行为与系统输入之间的数学关系。这常常可以在不探究系统内部实际发生的细节的情况下完成。 
未知线性系统可由其脉冲响应完全地表征。然而，由于多数真实世界系统具有无限脉冲响应(即具有无限长度的脉冲响应)，因此通常实际上使用无限脉冲响应的有限长度近似对这些系统进行建模。因为这种有限近似不能对具有无限脉冲响应的系统进行精确地建模，所以，当通过相同输入信号激励真实世界系统和有限近似的模型时，真实世界系统的输出行为与有限近似的模型的输出行为典型地不同。图1示出通过系统模型2对未知系统1的这种建模。未知系统1和系统模型2皆受同一输入信号激励。为了确定实际输出与模型输出之间的误差，从未知系统1的输出响应减去系统模型2的输出响应。当近似的精度增加时，实际输出与建模输出之间的误差减少。通常，因为真实世界系统的无限脉冲响应中的能量随着时间而减少，并且最终变得 可忽略，所以这种近似方法运作良好。 
存在很多用于近似未知系统的脉冲响应的方法。一类方法是脉冲响应的直接测量。虽然该方法可以是非常有效的，但如果未知系统的响应随时间而改变，则该方法变得较无吸引力。这是因为这样的事实：当未知系统的特性改变时，需要进行新的测量。如果未知系统的特性足够频繁地改变，则对于每次改变执行新的测量变得不实际。 
直接测量的一种替代方式是自动化测量。自动化测量算法良好适于表征随时间而改变的系统，因为它们可在未知系统的特性改变时进行检测，并且响应于改变确定新的特性。 
流行的用于近似未知系统的脉冲响应的自动化算法是自适应滤波器中使用的LMS(最小均方)算法。LMS算法最初由BernardWidrow和Ted Hoff在1960年提出，并且例如描述于教科书″AdaptiveSignal Processing″，B.Widrow，S.D.Stearns，PrenticeHall，Englewood Cliffs，NJ，1985中以及维基百科(Wikipedia)网页″http://en.wikipedia.org/wiki/Least_mean_squares_filter″上。LMS算法的这些描述通过引用合并到此。 
发明内容
图2示出自适应LMS滤波器系统模型。相同附图标记表示的图1和图2中的图示元件基本上相同。在图2中，通过输入信号x(n)激励未知系统1和对未知系统1进行建模的自适应滤波器2。为了确定实际输出与建模输出之间的误差e(n)，从未知系统1的输出信号减去滤波器2的输出信号。如以下将更详细地讨论的，更新级3响应于误差信号e(n)、输入信号x(n)和先前滤波器系数来生成自适应滤波器2的更新的滤波器系数。 
LMS算法识别使得未知系统1与有限脉冲响应(FIR)滤波器2生成的近似之间的均方误差最小化的有限脉冲响应(FIR)滤波器2的系数。 
自适应LMS滤波器使用随机梯度下降算法来确定未知系统1的 近似。在标准LMS算法的情况下，在输入信号x(n)的每一采样间隔期间，使用在使得均方误差E{|e(n)|2}最小化的方向上推进滤波器系数的以下递归方程来更新自适应FIR滤波器系数： 
h ^ i ( n + 1 ) = h ^ i ( n ) + μ · x ( n - i ) · e ( n ) , for i = 0,1 , . . . , N - 1 . (方程1) 
在方程1中，项 (其中i＝0，1，......，N-1)表示总共具有N个滤波器系数的滤波器2的更新的滤波器系数。项 表示实际(即在更新之前)滤波器系数。项μ对应于步长大小。在使用复值输入信号x(n)并且具有复值误差信号的情况下，必须将方程1中的项e(n)修改为共轭复数项e＊(n)，如在引用的网页“http://en.wikipedia.org/wiki/Least_mean_squares_filter”上所示。 
因为自适应LMS滤波器使用递归算法，所以其没有瞬时地适应于未知系统中的改变，而是在有限时间间隔上迭代地收敛到新未知系统的近似。自适应LMS滤波器到达未知系统的最小均方近似所需的时间量通常被称为收敛时间。为了自适应滤波器快速响应于未知系统1中的改变，期望收敛时间尽可能短。 
可以采用自适应LMS滤波的某些通常的应用是用于移动电话和公共交换电话网络的回波消除、前馈和反馈有源噪声消除、以及信道均衡。图3示出在自适应信道均衡应用中的自适应LMS滤波器的使用。在此，LMS滤波器系数更新级13自适应地更新自适应均衡器12的滤波器系数，从而自适应均衡器12形成未知信道11的逆。 
自适应LMS滤波器算法的主要问题在于，其收敛到未知系统的最优近似的能力以及其收敛时间两者皆依赖于未知系统的输入信号x(n)的特性。为了收敛到最优解，未知系统的输入信号x(n)应理想地具有平坦谱，即，输入信号应对应于白噪声。此外，为了使得收敛时间最小化，输入信号的功率应尽可能高。随着输入信号的功率减少，LMS自适应滤波器的收敛时间增加。 
对于某些系统识别应用，可具有对输入信号x(n)的完全控制。对于这些应用，选取理想化的输入信号，其允许自适应LMS滤波器收敛到未知系统的最优近似。遗憾的是，在系统识别的大多数实际应 用中，输入信号的完全控制是不可能的。对于这些应用，不能保证自适应LMS滤波器收敛到未知系统的最优近似。此外，对于随时间改变的未知系统，自适应LMS滤波器可能不能足够快速地响应于未知系统中的改变。 
已经提出了尝试减少近似对输入信号x(n)的依赖性的标准自适应LMS滤波器算法的很多变型方式。一种常见的变型方式是自适应归一化LMS(NLMS)算法。NLMS算法也描述于已经引用的维基百科网页“http://en.wikipedia.org/wiki/Least_mean_squares_filter”。NLMS算法的此描述通过引用被合并到此。 
除了将输入信号功率的归一化添加到自适应系数更新级之外，NLMS算法与标准LMS算法是相同的。对于NLMS算法，根据以下方程更新自适应滤波器系数： 
h ^ i ( n + 1 ) = h ^ i ( n ) + μ · x ( n - i ) · e ( n ) Σ i = 0 N - 1 x 2 ( n - i ) , for i = 0,1 , . . . , N - 1 . (方程2) 
在使用复值信号x(n)的情况下，必须如在引用的网页“http://en.wikipedia.org/wiki/Least_mean_squares_filter”上所示地修改方程2(请涉及NLMS算法的章节)。 
在方程2中，在从t＝n-N+1到t＝n的时段上确定输入信号能量，即，确定直到实际采样x(n)的最后N-1个采样的能量。 
NLMS算法提供如下优点：将归一化添加到自适应系数更新级降低了收敛时间对输入信号功率的依赖性。 
遗憾的是，NLMS算法具有两个主要缺点： 
1.类似于LMS算法，第一个缺点是除非输入信号是白噪声，否则不能保证NLMS算法收敛到未知系统的最优近似。该缺点降低了NLMS算法在未知系统的输入信号未被完全控制的应用中的有用性。 
2.第二个缺点是归一化的添加为算法增添了显著的计算复杂性。当考虑滤波器长度N(即具有N个滤波器系数)的自适应滤波器时，为了确定归一化项，必须计算当前输入采样的功率与先前N-1个输入采样的功率之和，然后必须将和取倒数(invert)。这种归一化比例 因子的强力计算将需要每采样N次乘法累加(MAC)运算(MAC运算计算两个数的乘积并且将该乘积添加到累加器a+b·c→a)以及1次取倒数运算(除法)： 
(方程3) 
然而，实际上，计算更新的比例因子所需运算的数量可以减少到每采样2次MAC和1次除法： 
(方程4) 
通过第1MAC运算，将先前的和与实际采样x(n)的能量相加。通过第2MAC运算，此结果减去先前的和中的最后采样x(n-N)的能量。有趣的是，注意，归一化比例因子的这种最优化计算的复杂度独立于自适应滤波器长度。 
为了以算法收敛到未知系统的最优近似的方式改进标准LMS和NLMS算法的收敛行为，我们可以使用输入信号的预白化(pre-whitening)。可以通过LPC(线性预测编码)白化滤波器实现输入信号的这种预白化。在更详细地讨论LMS滤波器算法的下一变型方式之前，以下给出关于线性预测的简要背景。 
线性预测器尝试根据以下方程从先前输入和输出的采样的加权和来估计序列x(n)的下一采样： 
x ~ ( n ) = Σ k = 1 M α k · x ( n - k ) + Σ l = 1 N β l · x ~ ( x - l ) (方程5) 
选取预测器的加权系数αk和βl，从而它们使得实际采样x(n)与预测采样 之间的误差(通常为均方误差)的度量最小化。确定 最优加权系数αk和βl需要求解非线性最优问题，并且因此典型地非常难。然而，如果将所有系数βl被设为0，从而仅基于过去输入的采样执行预测，可以通过求解线性最小平方问题确定使均方误差最小的系数αk，对此，如在以下部分中讨论的那样存在直接方法。因此，其中所有βl被设为0的根据方程5的FIR线性预测器比其中βl被设为任意值的根据方程5的FIR线性预测器更普遍。 
已知很多用于计算FIR线性预测器的加权系数αk的方法，并且某些方法的讨论可以在教科书″Digital Processing of Speech Signals″，L.R.Rabiner and R.W.Schafer，PrenticeHall，Englewood Cliffs，NJ，1978中找到。可分析信号并且计算加权系数αk的固定集合。然而，为了预测器适应于改变输入信号条件，通常周期性地重新计算加权系数αk。 
图4示出基于第M阶的FIR线性预测器14的LPC白化滤波器。LPC白化滤波器计算实际输入采样x(n)与线性预测器14所生成的预测采样 之间的差。 
r x ( n ) = x ( n ) - x ~ ( n ) = x ( n ) - Σ k = 1 M α k · x ( n - k ) (方程6) 
LPC白化滤波器的输出信号rx(n)典型地被称为残差。对于其中预测系数良好匹配于输入信号的良好设计的预测器，残差采样rx(n)的序列趋于具有比输入信号x(n)平坦得多(即白得多)的谱。遗憾的是，残差信号rx(n)的功率趋于输入信号的功率低得多。 
如上所述，LMS和NLMS算法两者的缺点在于，不能保证这些算法对于非白输入信号收敛到未知系统的最优近似。对于其中未知系统的输入信号未被完全控制的应用，可以通过使用LPC白化滤波器预白化输入信号x(n)来改进这两种算法的收敛性。图5示出通过LPC白化滤波器25预白化输入信号x(n)的自适应LMS滤波器。除了图4所示的实际LPC白化滤波器运算之外，图5中的信号处理块25也用于LPC分析，即用于计算LPC白化滤波器的滤波器系数。在图5中，LPC白化滤波器25所生成的残差rx(n)馈送到未知系统21、自 适应滤波器22和用于确定自适应滤波器22的更新的滤波器系数的滤波器系数更新级23。因此，自适应LMS滤波器的自适应性(adaption)基于残差rx(n)，而不是图3中的信号x(n)。图5中的LMS算法可以是标准LMS算法或NLMS算法。然而，因为LPC白化滤波器25趋于降低输入LMS算法的信号的功率，所以LPC白化滤波器和标准LMS滤波器算法的组合可能遭受慢收敛性。因此，优选的是，为了最优收敛性能，使用LPC白化滤波器和NLMS算法的组合。在此情况下，根据以下方程更新滤波器系数： 
h ^ i ( n + 1 ) = h ^ i ( n ) + μ · r x ( n - i ) · r e ( n ) Σ i = 0 N - 1 r x 2 ( n - i ) , for i = 0,1 , . . . , N - 1 . (方程7) 
在使用复值信号x(n)并且因此具有复值残差信号rx(n)的情况下，必须如结合方程2讨论的那样修改方程7。 
虽然输入信号的预白化可以改进自适应LMS滤波器的收敛性能，但其具有这样的缺点：其改变了未知系统的输入信号。在某些应用中，改变未知系统的输入是不期望的。尤其对于这些应用，可将LPC白化滤波器移至主信号路径外部，从而其不改变未知系统和自适应滤波器的输入。这种方法描述于文献″LMS Coupled Adaptive Predictionand System Identification：A Statistical Model and Transient MeanAnalysis″，M Mboup et al，IEEE Transactions on Signal Processing，Vol.42，No.10，October 1994中，并且示出于图6中。在此，LPC白化滤波器25被移入LMS滤波器的更新路径，即平行于自适应滤波器22的更新级27的路径。在图6中，自适应滤波器22和未知系统21两者都接收来自LPC白化滤波器25的上游的未白化的信号x(n)，而在图5中，自适应滤波器22和未知系统21两者都接收经滤波的信号rx(n)。为了使得这种替换系统运作，必须将另一LPC白化滤波器26应用于误差信号e(n)，从而在白化之后的残差误差信号re(n)用作用于LMS更新算法的误差信号。LPC白化滤波器26典型地与LPC白化滤波器25相同，即，两个滤波器的滤波器系数是相同的。因此，仅在信号处理块25(见图6的块25中的“LPC分析”，其不存在于块26中)中执行LPC白化滤波器25和26的滤波器系数的确定，并且将确定的LPC白化滤波器25的滤波器系数发送到LPC白化滤波器26(图6未示出的LPC滤波器系数的发送)。
如已经结合图5讨论的那样，图6中的LMS算法可以是标准LMS算法或NLMS算法。然而，优选的是，为了最优收敛性能，使用LPC白化滤波器和NLMS算法的组合。 
US6163608描述了用于使用基于自回归模型的谱整形滤波器来产生舒适的噪声的方法。Scott D.Douglas et al：“Self-WhiteningAlgorithms for Adaptive Equalization and Deconvolution”IEEETransactions on Signal Processing，NY，US，vol.47，no.4，1.April1999描述了用于预白化操作以及用于信道均衡的相同滤波器的使用。 
虽然图5和图6所示的预白化和NLMS算法的组合在改进自适应滤波器系统的收敛性能方面是有效的，但高的计算复杂性与用于自适应NLMS滤波器更新的归一化比例因子的计算以及白化滤波器系数的计算相关联。 
因此，本发明的一个目的在于提供一种用于确定通过LMS算法调整的自适应滤波器的更新的滤波器系数的方法，其中，所述方法优选地允许减少用于计算LMS滤波器更新中使用的归一化的计算复杂度。至少本发明的方法应提供用于确定更新的滤波器系数的替换方式，其中，以替换方式计算LMS滤波器更新中使用的归一化。其它目的是提供一种用于确定更新的滤波器系数的对应装置，提供一种包括该装置的滤波器系统，提供用于执行该方法的软件，并且提供一种对应的滤波方法。 
通过根据独立权利要求的方法、装置、滤波器系统、软件以及所述滤波方法来实现这些目的。 
本发明的第一方面涉及一种用于确定通过LMS算法调整的自适应滤波器的至少一个更新的滤波器系数的方法。通常，该方法可以用于确定通过LMS算法调整的自适应滤波器的滤波器系数。 
根据所述方法，确定第一白化滤波器的滤波器系数、尤其是LPC白化滤波器的滤波器系数。第一白化滤波器生成经滤波的信号。基于在确定第一白化滤波器的滤波器系数期间获得的一个或多个计算值确定归一化值。归一化值与经滤波的信号的能量相关联，例如，该归一化值可以是能量估计或能量估计的倒数(inverse)。依赖于该经滤波的信号和归一化值确定自适应滤波器的至少一个更新的滤波器系数。 
对于归一化，在乘法运算中(例如在使用能量估计的倒数作为归一化值的情况下)，归一化值可以用作乘法因子。另外，在除法运算中(例如在使用能量估计作为归一化值而没有取倒数的情况下)，归一化值可以用作除数。 
如上所述，在标准NLMS算法与预白化相结合地使用的情况下，通过直接确定残差信号的(短时)信号功率计算归一化比例因子。 
相反，该方法使用已由用于确定白化滤波器的滤波器系数的算法计算的一个或多个值。作为副作用，用于确定白化滤波器的滤波器系数的这样的算法常常提供允许用于白化滤波器的输出信号的能量估计的计算简单的能量估计或至少值。这种算法的一个示例是用于确定LPC白化滤波器的滤波器系数的Durbin算法相结合的自相关方法。根据本发明第一方面的方法基于这样的一个或多个已经计算的值确定归一化值。 
该方法的优选实施例提供了降低的用于对于计算自适应LMS滤波器系数更新的归一化比例因子的复杂度，如稍后将解释的那样。 
典型地，第一白化滤波器是输出残差信号作为经滤波的信号的LPC白化滤波器。LPC白化滤波器典型地包含从LPC分析得出的滤波器系数，并且输出预测误差信号(即残差信号)。优选地，使用的LPC白化滤波器基于FIR滤波器结构。在其它示例和实施例中，基于FIR滤波器结构的LPC白化滤波器是优选的，然而，可以使用用于LPC白化滤波器的其它结构。 
存在若干可能的不采用常规FIR滤波器结构的LPC白化滤波器的实施例，例如使用前述IIR滤波器结构或网格滤波器结构的LPC白化滤波器。例如，网格LPC分析方法直接导致基于网格滤波器结构的LPC白化滤波器。这在已经引用的教科书″Digital Processing ofSpeech Signals″，L.R.Rabiner and R.W.Schafer，PrenticeHall，Englewood Cliffs，NJ，1978的章节8.3.3和图8.3中被描述。该描述通过引用合并到此。网格滤波器也可以与LPC分析的自相关和协方差方 法一起使用。网格滤波器具有这样的方便性能：可以通过在不修改先前级中的滤波器系数的情况下将附加的网格部分添加到网格滤波器结构上来增加预测阶数(prediction order)。与常规FIR滤波器比较，网格结构是表示FIR滤波器的不同方式。常规FIR滤波器和基于网格结构的滤波器可以被设计为对于给定输入采样返回相同输出采样。 
应注意，该方法还涉及除了LPC白化滤波器之外的白化滤波器。该方法可以使用Wiener滤波器作为白化滤波器。当Wiener滤波器的形式是FIR结构时，作为特殊情况，Wiener滤波器包括LPC。 
根据优选实施例，从白化滤波器的滤波器系数的确定期间获得的经滤波的信号的能量估计得出归一化值。因此，在LPC白化滤波器系数的计算期间，可以进行残差信号的能量的估计，其然后被取倒数，并且在自适应LMS系数更新中用作归一化因子。这种能量估计可以与方程7中的分母非常相似(或者甚至相同)。 
如果残差信号的能量的估计与残差信号的实际能量(见方程7中的分母)相似，并且计算估计的代价低于计算残差信号的实际能量的代价，则实现复杂度降低，而性能没有明显降低。 
因此，为了确定归一化值，该方法优选地基于在确定第一白化滤波器的滤波器系数期间获得的这样的一个或多个计算值确定经滤波的信号的能量估计。该能量估计可以直接与这样的计算值对应，或者可以通过一个或多个计算操作被确定。然后，可以对能量估计取倒数。取倒数后的能量估计然后可以用作乘法运算中的乘法因子。作为替代，该能量估计可以用作除法运算中的除数。 
这样的能量估计可尤其由于以下这样的事实而不同于实际能量，即该能量估计被以比输入信号的采样速率更低的更新速率更新。 
优选地，滤波器系数更新方程如下： 
h ^ i ( n + 1 ) = h ^ i ( n ) + μ · r x ( n - i ) · r e ( n ) E ~ r (方程8) 
这里，i∈[0，1，...，N-1]对应于更新的滤波器系数的数量，N指示自适应滤波器的滤波器系数的总数。在自适应滤波器的所有N个滤波器 系数被更新的情况下，对于i＝0，1，...，N-1计算方程8。项 表示更新的滤波器系数，项 表示对应的实际滤波器系数，rx表示经滤波的信号，re表示误差信号，并且 表示能量估计。 
除了归一化比例因子已被从残差信号的功率和 改变为残差信号的能量估计 之外，方程8与结合LPC预白化的标准NLMS滤波器系数更新的方程7相同。 
如已经关于方程2和方程7讨论的那样，信号x(n)并且因此残差信号rx(n)还可以是复值信号，而非实值信号。在此情况下，在方程8中必须使用误差信号的共轭复数re ＊(n)而非re(n)。 
对于LPC白化滤波器，已知许多用于计算LPC白化滤波器系数的方法，例如自相关方法、协方差方法以及网格方法。这些方法中的某些包括用于确定残差信号能量的估计的计算上高效的方法。 
优选地，对于确定LPC白化滤波器的滤波器系数，使用自相关方法。用于确定LPC白化滤波器中的FIR线性预测器的滤波器系数的自相关方法例如在已经引用的教科书″Digital Processing of SpeechSignals″，L.R.Rabiner and R.W.Schafer，PrenticeHall，EnglewoodCliffs，NJ，1978的章节8.1.1中被描述。该教科书的398-401页的章节8.1中的线性预测分析的基本原理的描述以及该教科书的401-403页的章节8.1.1中的自相关方法的描述通过引用合并到此。自相关方法导致用于确定LPC白化滤波器中的第M阶FIR线性预测器的滤波器系数的矩阵方程。 
优选地，为了求解这样的矩阵方程，使用Durbin算法。用于求解矩阵方程的Durbin算法例如在已经引用的教科书″DigitalProcessing of Speech Signals″的411-413页的章节8.3.2中被描述。用于自相关方程的Durbin递归解法的描述通过引用合并到此。自相关方法和用于自相关方程的Durbin算法也在教科书″Digital SpeechCoding for Low Bit Rate Communication Systems″，A.M.Kondoz，Second Edition，John Wiley & Sons，2004的68-70页上被描述。该描述也通过引用合并到此。 
用于求解自相关方程的Durbin算法使用以下递归方程来确定LPC白化滤波器中的第M阶FIR线性预测器的滤波器系数： 
R i = Σ m = 0 L - 1 - i x ( m ) · x ( m + i ) (方程9) 
E0＝R0                    (方程10) 
k i = R i - Σ j = 1 i - 1 α j ( i - 1 ) · R i - j E i - 1 , 1≤i≤M 
                          (方程11) 
α j ( i ) = k i (方程12) 
α j ( i ) = α j ( i - 1 ) - k i · α i - j ( i - 1 ) , 1≤j≤i-1                     (方程13)Ei＝(1-ki 2)·Ei-1             (方程14) 
在用于确定自相关Ri的方程9中，项x(m)表示在长度L的窗口中的输入信号的被选择的采样，该采样开始于x(m)并且延伸过x(m+L-1)。在该窗口外部，输入信号被认为是零。优选地，每当计算新的一组LPC系数时，输入信号采样窗口根据LPC系数更新速率移位(即窗口移位K个输入采样，其为更新速率的倒数，见以下方程17)。在复值输入信号的情况下，需要修改以上方程9、13和14。在方程9中，以复数共轭x＊(m+i)代替项x(m+i)。在方程13中，以复数共轭 代替项 在方程14中，以模数的平方|ki|2(其等于 )代替项ki 2。 
针对迭代i＝1，2，......，M求解方程10至方程14。根据以下方程确定第M阶预测器的滤波器系数αj： 
α j = α j ( M ) , 1≤j≤M       (方程15) 
迭代i中的项Ei与阶数i的线性预测器的平方预测误差对应。优选地，根据本发明第一方面的方法确定能量估计 作为迭代i的平方预测误差Ei(即阶数i的线性预测器的平方预测误差)，其中，i∈[0，1，...，N-1]。更优选地，确定的能量估计 与Durbin算法的最后迭代的平方预测误差EM对应。在此情况下，基于Durbin算法的倒数第二迭 代的平方预测误差EM-1确定用作能量估计的平方预测误差EM。依照方程14以及i＝M，可以根据以下方程确定平方预测误差EM： 
EM＝(1-kM 2)·EM-1            (方程16) 
当使用EM作为能量估计时，归一化值或归一化比例因子优选地与1/EM对应。 
优选地，可以通过2个加法的MAC运算计算能量估计。在使用EM作为能量估计的情况下，典型地，按照方程16通过其中确定(1-KM 2)的第一MAC运算并且通过其中将第一MAC运算的结果乘以EM-1的第二MAC运算计算能量估计EM。应注意，第一MAC运算包括乘法和累加二者，而第二MAC运算仅包括乘法。然而，每一个的处理代价典型地是相同的，并且因此都被称为MAC。请进一步注意，对于确定滤波器系数αj，不一定必须计算EM，即在其中i＝M的最后迭代中典型地不计算方程14中的Ei。然而，在使用EM作为用于归一化的能量估计的情况下，执行用于确定EM的所述2个加法的MAC运算。因此，一旦已经使用上述递归算法或其修改版本确定LPC白化滤波器系数，简单加法运算(即2次MAC)就产生残差能量的估计，其然后可以被取倒数(1次除法)以确定归一化因子。请注意，这些计算代价(2次MAC和1次除法)等同于先前声明的用于确定NLMS算法的归一化比例因子的代价。 
作为将能量估计取倒数以便确定归一化因子的替代，也可以使用能量估计作为用于方程8中的除乘积的一个或多个因子的除数。 
应注意，我们也可以使用EM-1(或任何其它Ei)而非EM作为用于残差能量的估计。在此情况下，由于已经计算EM-1以便确定第M阶预测器的滤波器系数α，因此2次加法的MAC运算典型地是不必要的。 
作为使用自相关方法以便确定白化滤波器的滤波器系数的替代，可以使用不同的用于确定滤波器系数的方法，并且可以在此基础上确定能量估计。例如，在将协方差方法与Cholesky分解解相结合地用于LPC分析的情况下，可以基于已经引用的教科书″Digital Processing of Speech Signals″的411页上的Eq.8.65确定经滤波的信号的能量估计(见可以用作能量估计的均方预测误差En)。教科书″DigitalProcessing of Speech Signals″的403-404页章节8.1.2中的协方差方法的描述以及407-411页章节8.3.1中的Cholesky分解解的描述通过引用合并到此。 
根据该方法的一个优选实施例，自适应地更新第一白化滤波器的滤波器系数。每次更新第一白化滤波器的滤波器系数时，可以确定更新的归一化值。可以比每一采样一次更不频繁地更新第一白化滤波器(具体地说，第一LPC滤波器)的滤波器系数。因此，可以按比自适应滤波器和第一白化滤波器的上游的输入信号的采样速率更低的更新速率更新第一白化滤波器的滤波器系数和归一化值。例如，可以按每时间单位1/64更新的更新速率更新归一化值，而采样速率对应于每时间单位1个采样。 
由于优选地仅当更新白化滤波器系数时更新归一化值，所以计算归一化值的代价不再恒定，而是依赖于每隔多久更新白化滤波器系数。 
然而，在比每一采样一次更不频繁地(例如每128个采样一次)更新滤波器系数的情况下，由于能量可以随更新时段改变，因此用于估计经滤波的信号的能量的平方预测误差EM(或任何其它平方预测误差Ei)的精度可降低。 
对于其中将第一白化滤波器的滤波器系数每K个采样更新一次的系统，通过以下关系式定义计算优选归一化值或因子1/EM的每采样的计算代价C： 
C ( K ) = 2 K MACs + 1 K Divisions (方程17) 
从方程17中的这种普通关系清楚，随着K增加，用于计算归一化因子的每采样的代价下降，相对于标准NLMS(其中，用于计算归一化比例因子的每采样的代价是2次MAC+1次除法)降低了复杂度。 
优选地，用于更新第一白化滤波器的滤波器系数和归一化值的更新速率(即以上方程17中的1/K)被选择为使得输入信号的统计特性在更新时段上是基本稳定的。在此情况下，能量估计以及因此归一化 因子将与NLMS算法中的归一化因子十分相似。这允许复杂度降低，而没有对性能有显著影响。然而，如果输入信号的统计在更新时段上非常不稳定，则将仍然实现复杂度降低，但是以收敛性能为代价。 
然而，不必反复更新第一白化滤波器的滤波器系数。白化滤波器的系数和归一化值可以被计算一次，然后保持固定。这种情况对应于k＝∞的更新时段。计算归一化比例因子的(每采样的)代价是0，并且执行算法的总代价等于LPC白化滤波器和LMS算法的代价。 
这样的固定的白化滤波器系数和固定的归一化值在某些应用中、具体地在输入信号的特性是先验已知的并且是时间不变的应用中非常良好地运作。在这样的应用中，固定的白化滤波器系数和归一化值是有效地时间不变的，并且因此，定期更新它们将不显著改进性能。 
在K＝1的情况下，每一采样计算一次归一化值。在此情况下，如方程17给出的计算归一化值的代价C(K＝1)等同于在常规NLMS算法中计算归一化的代价。由于这典型地表示最大更新速率，因此其说明，对于任何K值，根据该方法的优选实施例计算归一化值的代价总是小于或等于计算NLMS算法的归一化比例因子的代价。 
本发明的第二方面涉及一种用于确定通过LMS算法调整的自适应滤波器的至少一个更新的滤波器系数的装置。该装置中的部件对应于根据本申请的第一方面的方法的方法步骤。因此，该装置包括用于确定输出经滤波的信号的第一白化滤波器(例如LPC白化滤波器)的滤波器系数以及用于基于在确定第一白化滤波器的滤波器系数期间获得的一个或多个计算值确定归一化值的部件。该装置还包括：更新级，用于依赖于该经滤波的信号和归一化值确定自适应滤波器的至少一个更新的滤波器系数。优选地，该用于确定第一白化滤波器的滤波器系数以及用于确定归一化值的部件形成公共信号处理单元。该公共单元将确定的归一化值发送到该更新级。 
与本发明第一方面有关的上述讨论也可应用于本发明第二方面。 
本发明第三方面涉及一种滤波器系统，其包括通过LMS算法调整的自适应滤波器以及第一白化滤波器(例如LPC白化滤波器)。此 外，该滤波器系统包含用于确定输出经滤波的信号的第一白化滤波器的滤波器系数以及用于基于在确定第一白化滤波器的滤波器系数期间获得的一个或多个计算值确定归一化值的部件。此外，为了执行LMS算法，该滤波器系统包括更新级，用于依赖于该经滤波的信号和归一化值确定自适应滤波器的至少一个更新的滤波器系数。 
整个滤波器系统或其各部分可以通过DSP(数字信号处理器)得以实现。 
与本发明第一方面和第二方面有关的上述讨论也可应用于本发明第三方面。 
本发明第四方面涉及一种软件程序，其包括用于当例如在计算机上或在DSP上运行该程序时执行根据本发明第一方面的方法的指令。 
与本发明第一方面、第二方面和第三方面有关的上述讨论也可应用于本发明第四方面。 
本发明第五方面涉及一种用于通过自适应滤波器对信号进行滤波的方法，其中，所述自适应滤波器由LMS算法调整。根据以上讨论的方法确定该自适应滤波器的至少一个更新的滤波器系数。与本发明其它方面有关的上述讨论也可应用于本发明第五方面。 
附图说明
以下参照附图以示例性方式解释本发明，其中： 
图1示出通过系统模型对未知系统建模； 
图2示出自适应LMS滤波器系统模型； 
图3示出用于自适应信道均衡的自适应LMS滤波器的使用； 
图4示出基于第M阶的线性预测器的LPC白化滤波器； 
图5示出通过LPC白化滤波器预白化输入信号的自适应LMS滤波器； 
图6示出具有在主信号路径的外部的预白化的自适应LMS滤波器； 
图7示出第一实施例，其中，将归一化因子从LPC白化滤波器 发送到自适应系数更新级； 
图8示出第二实施例，其中，将归一化因子从LPC白化滤波器发送到自适应系数更新级，并且在主信号路径外部进行预白化； 
图9示出作为第一应用的自适应均衡器； 
图10示出作为第二应用的自适应回波消除器； 
图11示出作为第三应用的反馈自适应噪声控制系统； 
图12示出图11中的第三应用的第一简化版本；以及 
图13示出图11中的第三应用的第二简化版本。 
具体实施方式
以上已经讨论了图1-6。 
图7示出本发明第一实施例。第一实施例与图5中的配置相似。图5和图7中的相同标号表示的图示元件基本上相同。此外，对图5的讨论基本上也可应用于图7。 
在图7中，将输入信号x(n)馈送到单元25′，单元25′包括LPC白化滤波器和LPC分析部件(即用于确定LPC白化滤波器的滤波器系数的部件)。LPC白化滤波器优选地是基于FIR结构的LPC白化滤波器。LPC白化滤波器25’生成的残差信号rx(n)馈送到未知系统21、用于对未知系统21建模的自适应滤波器22、以及用于确定自适应滤波器22的更新的滤波器系数的LMS滤波器系数更新级23′。通过从未知系统21的输出信号减去自适应滤波器22的输出信号生成误差信号re(n)。 
此外，用于确定滤波器系数的单元25′还基于在确定LPC滤波器的滤波器系数期间获得的计算值确定残差信号rx(n)的能量估计 该能量估计然后被取倒数，并且作为归一化比例因子 从单元25′发送到自适应系数更新级23′。 
实现方式 
优选地，如以上已经讨论的那样，确定用于求解自相关方程的Durbin算法的最后迭代的平方预测误差EM，并将其用作能量估计 在使用EM作为能量估计 的情况下，优选地，通过其中确定1-KM 2的第一MAC运算并且通过其中将第一MAC运算的结果乘以EM-1的第二MAC运算，计算能量估计EM(见方程16)。 
因此，一旦已经使用Durbin算法确定LPC白化滤波器系数，则简单加法运算(即2次MAC)产生残差能量的估计EM，其然后被取倒数(1次除法)以确定归一化因子1/EM。 
在使用EM作为能量估计 的情况下，根据以下方程更新自适应滤波器22的滤波器系数： 
h ^ i ( n + 1 ) = h ^ i ( n ) + 1 E M · μ · r x ( n - i ) · r e ( n ) , for i＝0，1，...，N-1. 
(方程18) 
这里，项1/EM对应从单元25′发送到更新级23′的归一化比例因子。可替换地，可以使用EM作为除法运算中的除数(而不是乘法运算中的乘法因子)来执行归一化。作为发送1/EM的替代，在替换实施例中EM或在另一替换实施例中EM-1和kM被从单元25′发送到更新级23′。如已经结合方程8讨论的那样，信号x(n)并且因此残差信号rx(n)也可以是复值信号，而不是实值信号。在此情况下，在方程18中必须使用共轭复数re ＊(n)而不是re(n)。 
优选地，每输入信号x(n)的K个采样就更新LPC白化滤波器25′的滤波器系数和归一化值，其中K＞1，例如K＝8，16，32或64。与以上已经讨论的用于在标准NLMS算法中确定归一化比例因子的计算代价相比，这减少了用于确定归一化比例因子的计算代价。可替换地，可以使用K＝1。 
虽然输入信号x(n)的预白化改进了自适应LMS滤波器的收敛性能，但其具有改动未知系统21的输入信号的缺点。在某些应用中，改动未知系统21的输入是不期望的。特别地，对于这些应用，可将LPC白化滤波器25′移动到主信号路径外部，从而其不改动未知系统21和自适应滤波器22的输入。已经结合图6讨论了这种方法。 
图8示出第二实施例，其中，与图7中的第一实施例相对照地，如已结合图6讨论的那样在主信号路径外部执行预白化。图6-图8中的相同标号表示的图示元件基本上相同。与图7中的第一实施例相对 照地，在图8中，LPC白化滤波器25′(优选地基于FIR结构)被移入LMS滤波器的更新路径，即与自适应滤波器22平行的更新级27′的路径。在图8中，自适应滤波器22和未知系统21两者接收来自LPC白化滤波器25′的上游的非白化信号x(n)，而在图7中，自适应滤波器22和未知系统21接收经滤波的信号rx(n)。为了使得这种替换系统运作，将另一LPC白化滤波器26应用于误差信号e(n)，从而在白化之后的残差误差信号re(n)被用作用于LMS更新算法的误差信号。块26中的LPC白化滤波器与块25′中的LPC白化滤波器相同，即，两个滤波器的滤波器系数相同。因此，仅在信号处理块25′(见图8的块25′中的“LPC分析”，其在块26中不存在)执行LPC白化滤波器25′和26的滤波器系数的确定，并且将确定的LPC白化滤波器25′的滤波器系数发送到LPC白化滤波器26(图8中未示出发送)。 
在图8中，以与图7相同的方式确定归一化比例因子，优选地，该归一化比例因子对应于已经结合图7讨论的1/EM。在此情况下，简单加法运算(即2次MAC)产生残差能量的估计EM，其然后被取倒数(1次除法)以确定归一化因子1/EM。优选地，每输入信号x(n)的K个采样就更新LPC白化滤波器25′的滤波器系数和归一化值，其中K＞1。 
从单元25′接收归一化比例因子的滤波器更新级27′根据方程18更新自适应滤波器22的滤波器系数。 
如上所述，对于其中每K个采样将第一白化滤波器的滤波器系数和归一化比例因子更新一次的图7和图8中的系统，方程17定义用于计算优选的归一化比例因子1/EM的每一采样的计算代价C，如下所示： 
C ( K ) = 2 K MACs + 1 K Divisions (方程17) 
随着K从1开始增加，用于计算归一化因子的每一采样的代价下降，相对于标准NLMS(其中，用于计算归一化比例因子的每一采样的代价是2次MAC+1次除法)减少了复杂度。优选地，用于更新LPC白化滤波器25′的滤波器系数以及用于更新归一化比例因子的更 新速率被选择为使得输入信号的统计特性在更新时段上基本上是稳定的。在此情况下，能量估计并且因此归一化因子将与NLMS算法中的归一化因子十分相似。这允许复杂度减少，而没有对性能有显著影响。 
虽然分析计算归一化项的代价的减少是有用的，但检查该减少所代表的整个自适应滤波算法的计算代价的百分比也是令人感兴趣的。 
对于计算整个自适应滤波算法的复杂度减少，进行以下假设： 
1.计算自适应的长度N的FIR滤波器(即，自适应滤波器22或LPC白化滤波器中的线性预测器)的滤波器输出需要每一采样N次MAC。 
2.执行长度N的LMS滤波器系数更新需要N次MAC。 
3.LPC分析窗口的长度(即，用于计算线性预测器的滤波器系数的窗口的长度)选取为等于LMS滤波器阶数N。 
4.利用长度N分析窗口的用于长度M的LPC滤波器的LPC分析需要N·(M+1)次MAC。 
5.LPC分析更新时段(更新速率的倒数)选取为等于LMS滤波器的长度的1/2。 
6.一次除法需要24次MAC。 
7.如图6和图8所示使用两个LPC白化滤波器。 
使用每一采样更新的NLMS算法的代价X1是： 
X1＝A+B+C+D+E1+F1+G        (方程19) 
在此，X1指示包括预白化的完整NLMS所需的每一采样的MAC的平均数量。项A(＝N)对应于用于自适应FIR滤波器(见图6中的滤波器22)的MAC的数量。项B(＝N)指示用于LMS系数更新的MAC的数量。项C(＝M)对应于用于第一LPC白化滤波器(见图6中的滤波器25)的MAC的数量。项D(＝M)指示用于第二LPC白化滤波器(见图6中的滤波器26)的MAC的数量。项E1(＝2)指的是计算归一化项、即功率和(功率和被每一采样计算一次)所需的MAC的数量。项F1(＝24)对应于基于归一化项计算(除法)归一化比例因子所需的MAC的数量，该计算被每一采样执行一次。项G指 示当假设N/2的更新时段时执行LPC分析所需的每一采样的MAC的平均数量。根据以上假设4，项G等于(N·(M+1))/(N/2)＝2·(M+1)。 
另一方面，用于执行图8所示的优选实施例的代价X2(每一采样的MAC的平均数量X2)是： 
X2＝A十B十C+D+E2+F2+G    (方程20) 
在方程20中，项A(＝N)指的是用于自适应FIR滤波器(见图8中的滤波器22)的MAC的数量。项B(＝N)指示用于LMS系数更新的MAC的数量。项C(＝M)对应于用于第一LPC白化滤波器(见图8中的滤波器25′)的MAC的数量。项D(＝M)表示用于第二LPC白化滤波器(见图8中的滤波器26)的MAC的数量。项E2指的是当假设N/2的更新时段时计算归一化项所需的每一采样的MAC的平均数量。项E2等于2/(N/2)＝4/N。项F2指示在假设N/2的更新时段的情况下基于归一化项计算(除法)归一化比例因子所需的每一采样的MAC的平均数量。项F2等于24/(N/2)＝48/N。项G对应于假设N/2的更新时段执行LPC分析所需的每一采样的MAC的平均数量。根据以上假设4，项G等于(N·(M十1))/(N/2)＝2·(M+1)。 
所公开的方法的相对于NLMS的MIPS节省S(按百分比)可以被估计为： 
S＝100·(1-(X2/X1))                (方程21) 
下文中的表示出了针对各种自适应滤波器长度N和预测器阶数M的根据方程21所估计的优选实施例相对于标准NLMS的复杂度减少S。对于所有项，假设LPC分析窗口长度为N(见以上假设3)以及更新时段(更新时段的倒数)为K＝N/2(见以上假设5)。 
在表中可见，有效复杂度减少S大致反比于自适应滤波器阶数N，并且在较小程度上反比于预测器阶数M。这种减少对于依赖于电池供电的便携式设备是尤其重要的，这是因为其在再次充电之间提供了更长的电池寿命，并且/或者允许将处理器资源分配给其它任务。 
本申请中公开的所述方法、装置和滤波器系统在包含基于未知输入信号收敛的自适应LMS滤波器的任何产品中可以是有用的。特别地，本申请中公开的方法、装置和滤波器系统可以用于自适应均衡器、自适应回波消除器或反馈自适应噪声控制系统。在图9-图13中示出这些应用。 
图9中的第一应用是自适应均衡器，其中，信号穿过具有以不期望的方式改动输入信号x(n)的未知频率响应的信道30。包括自适应滤波器31、在更新路径中的LPC预白化滤波器块32和33以及基于LPC分析的滤波器块32中的归一化比例因子的计算的滤波器系统被用于使得信号路径的整体频率响应收敛到期望的频率响应。在滤波器系数更新级34中更新自适应滤波器31的系数。该滤波器系统与图8中的滤波器系统相似(作为替代，还可以使用图7的结构)。在很多情况下，期望的整体频率响应是平坦的，并且完全除去表示具有期望的频率响应的滤波器的框35(在此情况下，由直连线代替框35)。 
图10中的第二应用是自适应回波消除器，其中，由近端麦克风拾取的信号(见图10中的麦克风输入)被经由语音编码器45和发射机46发送到远端扬声器(图10中未示出，远端扬声器是信道40的一部分)，由远端麦克风(图10中未示出，远端麦克风是信道40的一部分)拾取，并且作为不期望的回波经由接收机47和话音解码器48被返回到近端扬声器(见图10中的扬声器输出)。在图10中，使用具有在更新路径中的预白化(见白化滤波器42和43)和基于LPC分析的归一化比例因子的计算的自适应滤波器(见回波路径模型FIR滤波器41)。在滤波器系数更新级44中更新FIR滤波器41的系数。该结构与图8中的滤波器系统的结构相似(作为替代，也可以使用图7的配置)。自适应滤波器对远端回波路径进行建模，并且产生返回到 近端扬声器的回波信号的估计y′(n)。从返回到近端扬声器的信号y(n)减去来自自适应滤波器的回波估计输出y′(n)，以消除不期望的回波。 
图11-图13中的第三应用是反馈自适应噪声控制系统，其中，输出到以声学方式耦合到人耳的外放扬声器的信号y(n)因不期望的环境噪声源n(n)的存在而失真。外放扬声器是与声学信道对应的声学设施(plant)50的一部分。在接近扬声器之处的麦克风(麦克风是声学设施50的一部分)拾取的信号y1(n)包含从外放扬声器输出的信号与干扰噪声n(n)之和。设施模型滤波器51生成从外放扬声器输出的信号的估计y2′(n)，其被从麦克风拾取的信号中减去以生成误差信号e2′(n)。误差信号e2′(n)穿过控制滤波器58以生成反馈抗噪信号，其被与期望的音频输入信号x(n)相加以生成经修改的输入信号y(n)。与不期望的噪声源n(n)相比，抗噪信号在通过外放扬声器再现时将在幅度上相等但在相位上相反，导致感知噪声电平降低。 
图11是第三应用的版本，其中，设施模型滤波器和控制滤波器都是这样的滤波器系统，其包括具有更新路径中的预白化(见用于设施模型滤波器的LPC白化滤波器52和53，以及用于控制滤波器的LPC白化滤波器54和55)以及基于LPC分析的归一化比例因子的计算的自适应滤波器(见设施模型FIR滤波器51和控制FIR滤波器58)。在滤波器系数更新级56和57中更新滤波器系数。这些滤波器系统与图8中的滤波器系统相似(可替代地，也可以使用图7的结构)。 
图12是第三应用的第二版本。相同标号表示的图11和图12中的图示元件是相似或相同的。在图12中，控制滤波器是这样的滤波器系统，其包括具有更新路径中的预白化(见LPC白化滤波器54和55)和基于LPC分析的归一化比例因子的计算的自适应滤波器(见控制FIR滤波器58)。在滤波器系数更新级57中更新滤波器系数。该滤波器系统与图8中的滤波器系统相似(可替代地，也可以使用图7的结构)。在第三应用的该版本中设备模型滤波器51′未被调整。 
图13是第三应用的第三版本。相同标号表示的图11和图13中的图示元件是相似或相同的。在图13中，设施模型滤波器是这样的滤 波器系统，其包括具有更新路径中的预白化(见LPC白化滤波器52和53)和基于LPC分析的归一化比例因子的计算的自适应滤波器(见FIR滤波器51)。在滤波器系数更新级56中更新滤波器系数。该滤波器系统与图8中的滤波器系统相似(可替代地，也可以使用图7的结构)。在第三应用的该版本中控制滤波器58′未被调整。 
本专利申请提供了通过输入信号预白化来自适应地滤波的新方法。特别地，本发明提供了用于使用LPC预白化滤波器来减少自适应LMS滤波算法中的复杂度的新方法。当通过2次MAC运算和1次除法计算归一化因子时，相对于NLMS算法的复杂度减少与更新LPC预白化滤波器系数的频率成反比。在此情况下，对于所有LPC预白化滤波器系数更新速率，计算复杂度小于或等于标准NLMS算法。 

Claims (31)

1.一种用于确定通过最小均方算法调整的自适应滤波器(22)的至少一个更新的滤波器系数的方法，所述方法包括以下步骤：
确定输出经滤波的信号的第一白化滤波器(25′)的滤波器系数；
基于在确定第一白化滤波器(25′)的滤波器系数的步骤中获得的一个或多个计算值确定归一化值，所述归一化值与所述经滤波的信号的能量相关联；以及
将归一化值从所述第一白化滤波器(25')发送至所述自适应滤波器的更新级(27)，所述更新级(27)被配置用于接收所述经滤波的信号以及所述归一化值并且用于依赖于所述经滤波的信号和所述归一化值确定所述自适应滤波器(22)的至少一个更新的滤波器系数。
2.权利要求1所述的方法，其中，所述第一白化滤波器是输出残差信号作为经滤波的信号的线性预测编码白化滤波器(25′)。
3.权利要求1所述的方法，其中，确定归一化值的步骤包括：
基于在确定所述第一白化滤波器(25′)的滤波器系数的步骤中获得的一个或多个计算值确定所述经滤波的信号的能量估计。
4.权利要求3所述的方法，其中，确定归一化值的步骤还包括：
对所述能量估计取倒数。
5.权利要求3所述的方法，其中，基于以下最小均方滤波器系数更新方程确定至少一个滤波器系数：
h ^ i ( n + 1 ) = h ^ i ( n ) + μ · r x ( n - i ) · r e ( n ) E ~ r ,
其中，表示更新的至少一个滤波器系数，其中i∈[0，1，...，N-1]并且N指示自适应滤波器的滤波器系数的数量，表示实际的至少一个滤波器系数，rx表示经滤波的信号，re表示误差信号，并且表示能量估计。
6.权利要求3所述的方法，其中，所述第一白化滤波器是输出残差信号作为经滤波的信号的线性预测编码白化滤波器(25′)，并且其中，基于与结合用于求解自相关方程的Durbin算法的自相关方法对应的方法确定线性预测编码白化滤波器(25′)的滤波器系数。
7.权利要求6所述的方法，其中，能量估计与Durbin算法的第j次迭代的平方预测误差Ei对应，并且j∈[1，2，...，M]，其中M指示线性预测编码白化滤波器(25′)中的预测器的阶数。
8.权利要求6所述的方法，其中，能量估计与Durbin算法的最后迭代的平方预测误差EM对应，其中M指示线性预测编码白化滤波器(25′)中的预测器的阶数。
9.权利要求8所述的方法，其中，基于Durbin算法的倒数第二迭代的平方预测误差EM-1确定平方预测误差EM。
10.权利要求9所述的方法，其中，通过两个乘法累加运算确定所述能量估计。
11.权利要求1所述的方法，其中，自适应地更新所述第一白化滤波器(25′)的滤波器系数。
12.权利要求11所述的方法，其中，每次更新所述第一白化滤波器(25′)的滤波器系数时，确定更新的归一化值。
13.权利要求12所述的方法，其中，以比所述自适应滤波器(22)和所述第一白化滤波器(25′)的上游的输入信号的采样速率低的更新速率更新所述第一白化滤波器(25′)的滤波器系数和所述归一化值。
14.权利要求13所述的方法，其中，在所述归一化值的更新时段期间，输入信号的统计特性是稳定的。
15.权利要求1所述的方法，其中，将确定归一化值的步骤以及确定第一白化滤波器(25′)的滤波器系数的步骤执行一次，并且此后，使所述归一化值和所述第一白化滤波器(25′)的滤波器系数保持固定。
16.权利要求1所述的方法，其中，所述自适应滤波器(22)接收所述经滤波的信号。
17.权利要求1所述的方法，其中，
所述自适应滤波器(22)接收来自所述第一白化滤波器(25′)的上游的信号，以及
进一步依赖于由第二白化滤波器(26)滤波的误差信号确定所述自适应滤波器(22)的所述至少一个更新的滤波器系数，所述第二白化滤波器(26)具有与所述第一白化滤波器(25′)相同的滤波器系数。
18.权利要求1所述的方法，其中，确定所述自适应滤波器(22)的所有滤波器系数的更新的滤波器系数。
19.权利要求3所述的方法，其中，在确定第一白化滤波器(25′)的滤波器系数期间确定所述能量估计。
20.一种用于确定通过最小均方算法调整的自适应滤波器(22)的至少一个更新的滤波器系数的装置，所述装置包括：
用于确定输出经滤波的信号的第一白化滤波器(25′)的滤波器系数的部件，以及用于基于通过确定所述第一白化滤波器(25′)的滤波器系数而获得的一个或多个计算值确定归一化值的部件，所述归一化值与所述经滤波的信号的能量相关联；
所述自适应滤波器的更新级(27′)，被配置用于接收所述经滤波的信号以及所述归一化值并且用于依赖于所述经滤波的信号和所述归一化值确定所述自适应滤波器(22)的至少一个更新的滤波器系数；以及
用于将归一化值发送至所述更新级(27')的部件。
21.权利要求20所述的装置，其中，所述第一白化滤波器为输出残差信号作为经滤波的信号的线性预测编码白化滤波器(25′)。
22.权利要求20所述的装置，其中，用于确定归一化值的部件被配置用于基于通过确定所述第一白化滤波器(25′)的滤波器系数而获得的一个或多个计算值确定经滤波的信号的能量估计。
23.权利要求22所述的装置，其中，所述第一白化滤波器为输出残差信号作为经滤波的信号的线性预测编码白化滤波器(25′)，并且其中，用于确定线性预测编码白化滤波器的滤波器系数的部件被配置用于基于与结合用于求解自相关方程的Durbin算法的自相关方法对应的方法确定滤波器系数。
24.权利要求23所述的装置，其中，能量估计与Durbin算法的最后迭代的平方预测误差EM对应，其中M指示线性预测编码白化滤波器(25′)中的预测器的阶数。
25.权利要求20所述的装置，其中，用于确定归一化值的部件被配置用于每次更新所述第一白化滤波器(25′)的滤波器系数时，确定更新的归一化值。
26.权利要求25所述的装置，其中，第一白化滤波器(25′)的滤波器系数和归一化值被以比所述自适应滤波器(22)和所述第一白化滤波器(25′)的上游的输入信号的采样速率低的更新速率更新。
27.一种滤波器系统，包括：
通过最小均方算法调整的自适应滤波器(22)；
输出经滤波的信号的第一白化滤波器(25′)；
用于确定第一白化滤波器的滤波器系数的部件，以及用于基于通过用于确定第一白化滤波器的滤波器系数的部件获得的一个或多个计算值确定归一化值的部件，其中，用于确定第一白化滤波器的滤波器系数的部件以及用于确定归一化值的部件形成公共单元，归一化值与经滤波的信号的能量相关联；以及
所述自适应滤波器的更新级(27′)，所述更新级(27')被配置用于接收所述经滤波的信号以及所述归一化值并且用于依赖于所述经滤波的信号和所述归一化值确定所述自适应滤波器的至少一个更新的滤波器系数，其中公共单元将归一化值发送到所述更新级(27')。
28.权利要求27所述的滤波器系统，其中，所述自适应滤波器(22)接收所述经滤波的信号。
29.权利要求27所述的滤波器系统，还包括第二白化滤波器(26)，其中，所述更新级(27)接收由所述第二白化滤波器(26)滤波的误差信号。
30.权利要求27-29中的任一项所述的滤波器系统，其中，所述自适应滤波器(22)是有限脉冲响应滤波器。
31.一种用于通过自适应滤波器(22)对信号进行滤波的方法，所述自适应滤波器(22)通过最小均方算法被调整，其中，根据权利要求1-19中的任一项所述的方法确定所述自适应滤波器(22)的至少一个更新的滤波器系数。
CN200980133068.4A 2008-08-25 2009-08-24 用于通过预白化确定通过lms算法调整的自适应滤波器的更新滤波系数的方法 Expired - Fee Related CN102132491B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US9152708P 2008-08-25 2008-08-25
US61/091,527 2008-08-25
PCT/US2009/054726 WO2010027722A1 (en) 2008-08-25 2009-08-24 Method for determining updated filter coefficients of an adaptive filter adapted by an lms algorithm with pre-whitening

Publications (2)

Publication Number Publication Date
CN102132491A CN102132491A (zh) 2011-07-20
CN102132491B true CN102132491B (zh) 2014-07-16

Family

ID=41268139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200980133068.4A Expired - Fee Related CN102132491B (zh) 2008-08-25 2009-08-24 用于通过预白化确定通过lms算法调整的自适应滤波器的更新滤波系数的方法

Country Status (7)

Country Link
US (1) US8594173B2 (zh)
EP (1) EP2327156B1 (zh)
JP (1) JP5284475B2 (zh)
KR (1) KR101225556B1 (zh)
CN (1) CN102132491B (zh)
AT (1) ATE542294T1 (zh)
WO (1) WO2010027722A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120140918A1 (en) * 2010-12-06 2012-06-07 Pagebites, Inc. System and method for echo reduction in audio and video telecommunications over a network
EP2676263B1 (en) 2011-02-16 2016-06-01 Dolby Laboratories Licensing Corporation Method for configuring filters
DE102011006129B4 (de) * 2011-03-25 2013-06-06 Siemens Medical Instruments Pte. Ltd. Hörvorrichtung mit Rückkopplungsunterdrückungseinrichtung und Verfahren zum Betreiben der Hörvorrichtung
WO2011100928A2 (zh) * 2011-04-14 2011-08-25 华为技术有限公司 滤波处理方法和装置
JP5496418B2 (ja) 2011-05-10 2014-05-21 三菱電機株式会社 適応等化器、音響エコーキャンセラ装置および能動騒音制御装置
WO2014047854A1 (zh) * 2012-09-27 2014-04-03 华为技术有限公司 基于误差子带的自适应滤波方法及系统
WO2014096236A2 (en) * 2012-12-19 2014-06-26 Dolby International Ab Signal adaptive fir/iir predictors for minimizing entropy
GB201309779D0 (en) 2013-05-31 2013-07-17 Microsoft Corp Echo removal
GB201309777D0 (en) 2013-05-31 2013-07-17 Microsoft Corp Echo suppression
GB201309771D0 (en) 2013-05-31 2013-07-17 Microsoft Corp Echo removal
GB201309773D0 (en) 2013-05-31 2013-07-17 Microsoft Corp Echo removal
CN104009788A (zh) * 2014-05-21 2014-08-27 京信通信系统（中国）有限公司 直放站反馈抵消抗自激方法、系统及直放站
KR101982788B1 (ko) * 2014-10-01 2019-05-27 엘지전자 주식회사 향상된 예측 필터를 이용하여 비디오 신호를 인코딩, 디코딩하는 방법 및 장치
DE102014224911A1 (de) * 2014-12-04 2016-06-09 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen statistischer Eigenschaften von Rohmesswerten
DE102015204010B4 (de) 2015-03-05 2016-12-15 Sivantos Pte. Ltd. Verfahren zur Unterdrückung eines Störgeräusches in einem akustischen System
CN104753849B (zh) * 2015-04-21 2018-01-02 东南大学 Mimo dco‑ofdm通信方法、信号接收装置及系统
CN105654959B (zh) * 2016-01-22 2020-03-06 韶关学院 一种自适应滤波的系数更新方法及装置
CN108710106B (zh) * 2018-05-15 2021-04-09 中国科学院声学研究所 一种基于红外定位的有源头枕装置
CN112313966A (zh) * 2019-05-29 2021-02-02 李待勋 骨传导蓝牙单声道耳麦
TWI699090B (zh) * 2019-06-21 2020-07-11 宏碁股份有限公司 訊號處理裝置、訊號處理方法及非暫態電腦可讀取記錄媒體
CN111025903B (zh) * 2019-12-07 2021-01-26 河南大学 一种基于结构自适应滤波的非线性系统辨识方法
CN113507279B (zh) * 2021-06-11 2024-05-03 西安空间无线电技术研究所 一种高精度星间距离观测数据的降速率滤波方法
CN113676156B (zh) * 2021-08-09 2024-01-26 成都玖锦科技有限公司 一种基于lms的任意幅频响应fir滤波器设计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1114122A (zh) * 1993-08-27 1995-12-27 莫托罗拉公司 用于回声抑制器的话音作用检测器和回声抑制器
US6163608A (en) * 1998-01-09 2000-12-19 Ericsson Inc. Methods and apparatus for providing comfort noise in communications systems
US6246760B1 (en) * 1996-09-13 2001-06-12 Nippon Telegraph & Telephone Corporation Subband echo cancellation method for multichannel audio teleconference and echo canceller using the same
EP1569357A1 (en) * 1997-09-16 2005-08-31 Sanyo Electric Co., Ltd. Voice switch

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59224913A (ja) 1983-06-03 1984-12-17 Canon Inc 適応型線形予測方法
US4939685A (en) * 1986-06-05 1990-07-03 Hughes Aircraft Company Normalized frequency domain LMS adaptive filter
JP3002049B2 (ja) * 1992-02-06 2000-01-24 松下電器産業株式会社 消音装置
EP0517525A3 (en) * 1991-06-06 1993-12-08 Matsushita Electric Ind Co Ltd Noise suppressor
JP3147207B2 (ja) 1994-05-17 2001-03-19 日本電信電話株式会社 適応的未知系出力推定方法
JPH08250981A (ja) 1995-03-09 1996-09-27 Fujitsu Ltd フィルタ係数の推定装置
US5590121A (en) 1995-03-30 1996-12-31 Lucent Technologies Inc. Method and apparatus for adaptive filtering
CA2174366C (en) * 1995-04-20 2001-03-27 Shoji Makino Subband echo cancellation method using projection algorithm
JP3185709B2 (ja) 1997-05-19 2001-07-11 日本電気株式会社 アダプティブフィルタおよびその適応化方法
JPH1168518A (ja) 1997-08-13 1999-03-09 Fujitsu Ltd 係数更新回路
US6570985B1 (en) 1998-01-09 2003-05-27 Ericsson Inc. Echo canceler adaptive filter optimization
DE19831320A1 (de) 1998-07-13 2000-01-27 Ericsson Telefon Ab L M Digitales adaptives Filter und akustischer Echokompensator
US6678254B1 (en) * 1999-05-03 2004-01-13 Nortel Networks Limited Method and communication device for optimizing echo cancellation
US6959167B1 (en) * 2000-08-11 2005-10-25 Scansoft, Inc. Noise-level adaptive residual echo suppressor
SE0004163D0 (sv) * 2000-11-14 2000-11-14 Coding Technologies Sweden Ab Enhancing perceptual performance of high frequency reconstruction coding methods by adaptive filtering
US20030005009A1 (en) 2001-04-17 2003-01-02 Mohammad Usman Least-mean square system with adaptive step size
WO2002093774A1 (en) 2001-05-17 2002-11-21 Stmicroelectronics Asia Pacific Pte Ltd Echo canceller and a method of cancelling echo
US7212593B2 (en) * 2003-10-14 2007-05-01 Telefonaktiebolaget Lm Ericsson (Publ) Method of and apparatus for noise whitening filtering

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1114122A (zh) * 1993-08-27 1995-12-27 莫托罗拉公司 用于回声抑制器的话音作用检测器和回声抑制器
US6246760B1 (en) * 1996-09-13 2001-06-12 Nippon Telegraph & Telephone Corporation Subband echo cancellation method for multichannel audio teleconference and echo canceller using the same
EP1569357A1 (en) * 1997-09-16 2005-08-31 Sanyo Electric Co., Ltd. Voice switch
US6163608A (en) * 1998-01-09 2000-12-19 Ericsson Inc. Methods and apparatus for providing comfort noise in communications systems

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Scott C. Douglas等.Self-Whitening Algorithms for Adaptive Equalization and Deconvolution.《IEEE TRANSACTIONS ON SIGNAL PROCESSING》.1999,第47卷(第4期),第1161-1165页.
Self-Whitening Algorithms for Adaptive Equalization and Deconvolution;Scott C. Douglas等;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;19990430;第47卷(第4期);第1161-1165页 *

Also Published As

Publication number Publication date
US8594173B2 (en) 2013-11-26
CN102132491A (zh) 2011-07-20
US20110158363A1 (en) 2011-06-30
EP2327156B1 (en) 2012-01-18
WO2010027722A1 (en) 2010-03-11
KR20110042232A (ko) 2011-04-25
JP5284475B2 (ja) 2013-09-11
EP2327156A1 (en) 2011-06-01
JP2012501152A (ja) 2012-01-12
ATE542294T1 (de) 2012-02-15
KR101225556B1 (ko) 2013-01-23

Similar Documents

Publication Publication Date Title
CN102132491B (zh) 用于通过预白化确定通过lms算法调整的自适应滤波器的更新滤波系数的方法
US8712068B2 (en) Acoustic echo cancellation
EP2920950B1 (en) Echo suppression
US20040057574A1 (en) Suppression of echo signals and the like
CN101461257A (zh) 自适应声学回声消除
RU2180984C2 (ru) Измерение сходимости адаптивных фильтров
EP2987314B1 (en) Echo suppression
CN105432062A (zh) 回波去除
JPH08125593A (ja) フィルタ係数の推定装置
CN112602150A (zh) 噪声估计方法、噪声估计装置、语音处理芯片以及电子设备
Prado et al. Frequency-domain adaptive filtering with applications to acoustic echo cancellation
US6895094B1 (en) Adaptive identification method and device, and adaptive echo canceller implementing such method
Ding Fast affine projection adaptation algorithms with stable and robust symmetric linear system slovers
CN109712637A (zh) 一种混响抑制系统及方法
AU4869200A (en) Apparatus and method for estimating an echo path delay
US7031461B2 (en) Robust adaptive filter for echo cancellation
CN1605186A (zh) 具有频谱回波尾部估计器的回波消除器
CN1157522A (zh) 回声排除装置
JP3673727B2 (ja) 反響消去方法、その装置、そのプログラム及びその記録媒体
TWI268093B (en) Echo cancellers for sparse channels
US8804946B2 (en) Stochastic vector based network echo cancellation
US11610598B2 (en) Voice enhancement in presence of noise
CN101496001B (zh) 通过后向和前向误差预测平方的有限递归的减少复杂度的递归最小二乘格型结构自适应滤波器
JPH09261135A (ja) 音響エコー消去装置
JP3403549B2 (ja) エコーキャンセラ

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180627

Address after: No. 18, Wu Sha seashore road, Changan Town, Dongguan, Guangdong

Patentee after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd.

Address before: American California

Patentee before: DOLBY LABORATORIES LICENSING Corp.

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140716