CN102164210A - 用于回声消除和回声抑制的系统和方法 - Google Patents

Abstract

传统地，在双向通信系统中，回声消除利用线性自适应滤波器来消除回声。自适应速率通常是动态的并且随时间而变化。公开了新颖的自适应速率，其能够在存在背景噪声时、在双讲期间和在回声路径变化的情况下表现良好。此外，通过使用联合频时域处理执行的非线性处理，能够进一步抑制回声或残余回声。

Description

用于回声消除和回声抑制的系统和方法

技术领域

本发明一般地涉及双向通信系统，并且具体涉及双向通信系统中的回声的抑制和消除。

背景技术

在双向通信系统，例如电话系统中，回声是令人困扰和不希望有的。两种常见类型的回声是典型地由在中心局部署的混合电路中的阻抗不匹配导致的混合回声、以及其中扬声器产生的声音被麦克风拾取的声学回声。

图1示出典型电话系统中的回声，这里电话系统描述为基于陆上线路的或移动的。在电话102和电话112之间的通话期间，电话102发送信号104并接收信号106。此外，电话112的麦克风116拾取扬声器114产生的信号104，并将其叠加到信号106上。这被示出为声学回声118。扬声器114和麦克风116能够可替换地为另一类通信设备的一部分，例如附接到提供基于因特网协议的语音(VoIP)通信的个人计算机的外部扬声器和麦克风。

回声消除是通过产生回声的估计值(estimate)并将其从接收的信号中减去而从系统中去除回声的过程。图2示出能够用来进行回声消除的声学回声的模型。从电话112的方面来看，信号104是远端信号，信号106是近端信号。扬声器114向用户发送远端信号104，其作为声学回声反射回(echo back)麦克风116。回声消除器300包括回声近似器(approximator)304和减法器302。回声估计器304接收远端信号104并求叠加到信号106上的回声118的近似。从近端信号106中减去近似回声306从而产生近端信号308。如果回声近似器304准确地求出回声118的近似，那么从近端信号106中减去近似回声306将会产生近似于没有回声的声音信号202的信号308。

图2中的回声消除在图3示出的信号处理图中更详细描述。示出的信号是数字信号。回声e(n)被建模为将具有冲激响应s(k)的回声传输函数306应用到远端信号x(n)的结果，其通过加法器308与近端信号d(n)相加从而产生组合信号y(n)。通常，索引n是时间索引，其是离散时间变量，索引k是冲激响应的采样时间索引。具有冲激响应h(k)的自适应滤波器304求远端信号x(n)的回声的近似，其被示出为近似回声ê(n)。减法器302从信号y(n)中减去近似回声ê(n)以产生作为对近端信号d(n)的近似的信号z(n)。

数学上，在麦克风处的总接收信号是

y(n)＝e(n)+d(n)    (1)

其中通过下式对回声进行建模： $e\left(n\right)=\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{s}^{*}\left(k\right)x(n-k)---\left(2\right)$

，s(k)是L-1阶的有限冲激响应。回声消除器的输出，即电话发送到远端的信号通过下式给出

z(n)＝y(n)-ê(n)    (3)

其中ê(n)是估计回声，且使用L-1阶的自适应线性滤波器近似得到，被给出为：

$\hat{e}\left(n\right)=\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{h}^{*}(n,k)x(n-k)---\left(4\right)$

其中h(n，k)是自适应滤波器在时间采样n处的冲激响应。应当注意，由于滤波器是自适应的，其随时间而变化，因此如上所示冲激响应也是时间的函数。

回声消除器的输出也可表示为

z(n)＝d(n)+ε(n)    (5)

其中ε(n)＝e(n)-ê(n)是残余回声。由于期望信号输出信号z(n)是近端信号d(n)，回声消除器的目标是尽可能多地减小残余回声。

自适应滤波器的一种自适应(adaptation)方式是最小化残余回声ε(n)的均方误差。一种称为最小均方(LMS)的自适应方法产生以下自适应公式：

h(n+1，k)＝h(n，k)+μ(n)z^*(n)x(n-k)    (6)

其中μ(n)是非负数，是自适应系数并且0≤k＜L。尽管LMS通常获得最小值，但是由自适应系数定义的自适应速率(adaptation rate)并未被指明。恰当的自适应速率控制能够导致回声近似器向回声的快速收敛。

如果自适应系数随时间变化，自适应滤波器算法被称为可变步长最小均方(LMS)自适应滤波算法。其中最为著名的是正规化(normalized)LMS(NLMS)算法，其使用自适应系数：

$\mathrm{\μ}\left(n\right)=\frac{\mathrm{\μ}}{{\mathrm{LP}}_{\mathrm{xx}}^L\left(n\right)}---\left(7\right),$

其中

是近端信号x(n)在L个样本的窗上的短期能量，其中L是自适应滤波器(filter)。为了方便，用所述窗上的平均能量来表示短期能量。算术平均能量等于：

$P_{\mathrm{xx}}^L\left(n\right)=\frac{1}{L}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{\left|x(n-l)\right|}^2---\left(8\right),$

其中μ是0和2之间的常数。NLMS自适应滤波算法对x(n)的缩放(scaling)不敏感，这使得更容易通过恰当选择自适应系数来控制其自适应速率。然而，NLMS自适应滤波算法在接收信号中存在背景噪声和双讲(double talk)时性能较差。

Hansler等(“Signal Channel Acoustic Echo Cancellation”，Chapter 3Adaptive Signal Processing，Springer，2003)通过下式求最优自适应系数的近似：

$\mathrm{\μ}\left(n\right)=\frac{E\left\{z\left(n\right)\mathrm{\ϵ}\left(n\right)\right\}}{{\mathrm{LP}}_{\mathrm{xx}}^L\left(n\right)E\{{\left|z\left(n\right)\right|}^2}---\left(9\right),$

其中E(x)是x的期望值。Hansler公开了没有

项的“NLMS”自适应系数。在本公开中加入

项以保持一致。期望值需要了解信号的统计量，并且不适合变化的环境。例如，如果回声路径变化，期望值也可能变化。为了利用公式(9)，自适应滤波器需要知道变化的统计量。

若干情形可能使得自适应更加困难，包括双讲、回声路径变化和背景噪声。双讲是当双方都在讲话时的情形，因此在远端和近端信号中都存在相当大的能量。回声路径变化可能出现在电话移动到另一个环境时。这相当于回声传输函数204的变化。为了处理背景噪声，典型的回声消除器估计背景噪声并根据存在的噪声量调整自适应速率(例如，当噪声低时较高的自适应，当噪声相对于信号电平高时较慢的自适应)。对于双讲，典型的回声消除器估计双讲时段并在双讲时段期间停止自适应。

线性自适应回声消除已经被成功地应用以便处理电子环境中的回声。声学回声具有由背景引入的附加的、经常是显著的伪信号(artifact)，例如噪声，以及引起残余误差的动态回声路径。非线性处理(NLP)可以作为线性自适应滤波的附加或替代而使用。在传统系统中，NLP在单讲时段期间去除或抑制残余回声，并且它能够在该时段期间插入舒适噪声。通常，NLP在双讲时段期间不做任何事情。由于残余回声在单讲和双讲时段期间可能仍然相当大，因此需要NLP将回声抑制添加到线性回声消除。

NLP系统可以在为听众保持近端信号质量的同时，去除残余回声。NLP系统中使用的一种技术是中心削波(clipping)方法，用于去除处于中心削波阈值处或之下的低音量(volume)信号，包括残余回声。中心削波的缺点是处于阈值处或之下的近端信号也被去除，且高于中心削波阈值的残余回声可能仍然存在。另一种方法是舒适噪声插入，其去除或衰减线性回声消除器输出，并且当远端信号高于所述输出预定阈值时，和/或当所述输出低于近端信号不同的预定阈值时，任选地插入舒适噪声。当残余回声小且线性回声消除器收敛良好时，这种方法下的性能较好。然而，在大多数声学情况中，即使利用包括良好的双讲检测器的良好的线性回声消除器，残余回声也并不小。另一种已知方法(切换损耗(switched loss))在近端信号和远端信号都高时降低远端信号音量。通过这样做，有效减小回声以及啸叫的可能性。传统NLP的主要失败之处在于其不能在保持全双工通信的同时抑制残余回声。

在行业中需要一种改进的回声消除和/或抑制系统，其在存在背景噪声时、在双讲时段期间以及在回声路径变化期间表现良好，同时保持全双工通信。

发明内容

全双工回声消除和抑制系统解决了现有技术的缺陷。回声消除系统的一个实施例包括回声近似器，减法器和自适应系数生成器。回声近似器是自适应线性滤波器，并且其自适应由自适应系数生成器提供的自适应系数控制。自适应系数生成器生成近似于最优自适应系数的自适应系数。自适应生成器将估计函数(estimator function)的结果除以短期远端功率加上预定值以避免除以零。估计函数可以采取多种形式，但通常是升高到预定幂的、平均值的比率。该比率取输出信号与由回声近似器生成的近似回声的复共轭的乘积的平均值，并且将其除以输出信号幅度的平均值和所接收的信号功率的幅度的平均值的乘积，其中所接收的信号是混合了回声的近端信号。在一个实施例中，所述平均值是标准算术平均值。在另一个实施例中，所述平均值是均方根平均值。在另一个实施例中，所述平均值是平滑平均值(smooth average)。在另一个实施例中，所述平均值是平方幅度(magnitude squared)的平滑平均值的平方根。相应的方法利用上面描述的相同公式表示来生成回声消除器的自适应系数。

在回声抑制系统的一个实施例中，应用滤波器组(bank)到远端信号以将该信号分成频率子带，所述频率子带形成联合时频域信号。第二滤波器组将输入信号分成输入频率子带信号。输入信号可以是麦克风处的接收信号或者可以是线性回声消除系统的输出。与每个频率子带关联的是非线性处理单元，其使用远端信号对输入信号执行非线性处理以在每个子带的基础上抑制回声。

在另一个实施例中，在每个子带内还与线性回声消除器相关联以部分消除回声。在该实施例中，非线性处理单元抑制残余回声。

非线性处理单元的一个实施例利用中心削波来抑制回声。在另一个实施例中，利用了舒适噪声插入。在另一个实施例中，利用切换损耗。在另一个实施例中，通过由估计器单元确定的缩放因子衰减接收信号。在另一个实施例中，通过具有估计器单元确定的系数的线性滤波器处理接收信号。在另一个实施例中，估计器单元向回声消除器反馈估计值以改进(refine)回声消除器的自适应系数。

当查看下面附图和详细描述时，本公开的其他系统、方法、特征和优点对于本领域技术人员将是或将变得显而易见。意图是，所有这些附加系统、方法、特征和优点都包含在本描述中，在本公开的范围内，并由所附权利要求保护。

附图说明

参考以下附图能够更好地理解本公开的很多方面。附图中的组件不一定是按比例的，相反，重点被放在清楚地说明本公开的原理上。此外，在附图中，相似的标号在多个视图中指示相应的部分。

图1示出典型的电话系统；

图2示出典型的回声消除系统；

图3示出典型回声消除系统的信号处理图；

图4示出回声消除系统的示范性实施例；

图5示出利用使用合成回声的自适应系统的线性自适应回声消除器；

图6示出全双工子带非线性处理系统；

图7示出具有线性回声消除器的全双工子带非线性处理系统；

图8示出具有子带线性回声消除器的全双工子带非线性处理系统；

图9示出具有子带线性回声消除器的回声消除系统；

图10示出子带非线性处理单元的示范性实施例；

图11示出子带非线性处理单元的另一个实施例；

图12示出具有子带线性回声消除器的一个子带非线性处理单元的实施例；

图13示出具有子带线性回声消除器的一个子带非线性处理单元的另一个实施例；

图14示出包括混合电路的电话通信系统；

图15示出电话通信系统，其中回声消除器置于混合电路内或附接到混合电路；

图16示出另一个电话通信系统，其中回声消除器置于电话中。

具体实施方式

以下呈现本发明实施例的详细描述。尽管将结合这些图来描述本公开，但意图不是将其限于这里公开的一个或多个实施例。相反地，意图是覆盖所有包含在本公开的精神和范围内的所有替换、修改和等同物。

图4示出回声消除系统的示范性实施例。回声消除系统400包括回声近似器302和减法器304，其像先前描述的那样工作。具体地，回声近似器302生成近似回声，然后从麦克风116处的接收信号y(n)中减去该近似回声，并且产生消除了回声的输出信号z(n)。回声消除系统400还包括自适应系数生成器402，其能够使用接收信号y(n)、输出信号z(n)、远端信号x(n)和近似回声ê(n)来对于每个时间索引n生成自适应系数μ(n)。自适应系数能够与公式(6)一起使用来控制回声近似器302的自适应速率。

虚线框410表示环境产生的回声生成，其被建模为具有冲激响应s(k)的回声传输函数306和加法器308。这些元件不是回声消除系统的一部分，但示出电话的信号处理环境。

使得回声近似器、减法器和自适应系数生成器以软件、固件存在，或者或以硬件或其某种组合实现。一种这样的实现方式是作为在数字信号处理器(DSP)上执行的软件或固件，其中所描述的每个组件被实现为用于数字信号处理器的一组指令。在另一个实施例中，所述功能中的一些可实现为DSP上执行的软件或固件，并且利用应用专用逻辑来实现一些部分。

自适应系数生成器402求最优自适应系数的近似，所述最优自适应系数可被表示为

$\mathrm{\μ}\left(n\right)=\frac{z^{*}\left(n\right)\mathrm{\ϵ}\left(n\right)+z\left(n\right){\mathrm{\ϵ}}^{*}\left(n\right)}{2{\left|z\left(n\right)\right|}^2{\mathrm{LP}}_{\mathrm{xx}}^L\left(n\right)}=\frac{\mathrm{Re}\left\{z\left(n\right){\mathrm{\ϵ}}^{*}\left(n\right)\right\}}{{\left|z\left(n\right)\right|}^2{\mathrm{LP}}_{\mathrm{xx}}^L\left(n\right)}---\left(10\right)$

其中||是绝对值的标准表示法(notation)，Re{}是复数实部的标准表示法，*是复数的复共轭的标准表示法。

当所有信号都是实数时，则z^*(n)＝z(n)并且ε^*(n)＝ε(n)，公式(10)变为

$\mathrm{\μ}\left(n\right)=\frac{\left|z\left(n\right)\mathrm{\ϵ}\left(n\right)\right|}{{{\left|z\left(n\right)\right|}^2\mathrm{LP}}_{\mathrm{xx}}^L\left(n\right)}---\left(11\right),$

公式(11)优于现有技术中的公式(9)。首先，公式(11)是最优自适应系数而公式(9)是对于最优自适应系数的近似。其次，公式(9)在存在背景噪声时、在双讲期间或在回声路径变化的情况下性能不好，而公式(10)和(11)在这些情形下是最优的。最后，公式(10)和(11)不需要任何信号的统计量，只使用任何信号的短期平均值。

不幸的是，残余回声ε(n)不是直接可获得的。在原理上，估计残余回声是个困难的问题。然而，通过使用观察窗上的平均值而不是给定时间处的值，可以使得公式(10)和(11)的自适应系数变得更易处理。因此公式(10)能够通过以下公式来估计

$\mathrm{\μ}\left(n\right)=\frac{\mathrm{Re}\left\{P_{\mathrm{z\ϵ}}^N\left(n\right)\right\}}{P_{\mathrm{zz}}^N\left(n\right){\mathrm{LP}}_{\mathrm{xx}}^L\left(n\right)}---\left(12\right),$

其中是z(n)ε^*(n)在给定时间段上的算术平均值，并且被定义为

$P_{\mathrm{z\ϵ}}^N\left(n\right)=\frac{1}{N}\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}z(n-l){\mathrm{\ϵ}}^{*}(n-l)---\left(13\right)$

其中N是平滑观察窗的长度。公式(12)比公式(10)更便于使用，因为相比于对于每个时间点，更容易估计时间窗上的值，例如残余回声。此外，时间平均值的使用平滑了自适应系数，因此减轻了自适应滤波器的自适应中的突然改变，并且自适应滤波器保持平滑函数。

可以用一般的平均值来概况公式(12)以及公式(10)和(11)中的算术平均值。应当注意的是，本公开中使用的算子A{}和相关算子A₁{}、A₂{}意图是表达一般意义的平均值。在相同公式中，如果运算对象(operand)不同，算子A{}可以表达不同的平均值。例如，在相同公式中，A{a(n)}可以是a(n)在大小为M的观察窗上的算术平均值，A{b(n)}可以是b(n)在大小为N的观察窗上的均方根平均值。下标的使用用来指示：即使对相同的运算对象，两个平均值也是可能不同的类型，例如如果A{a(n)}在公式中出现两次，则意图是使用相同的平均值。然而，如果是A₁{a(n)}和A₂{a(n)}，则它们不应被假设为相同的平均值。此外，取决于上下文和期望的实现方式，A{}可以从多种平均值中选择，所述多种平均值包括但不限于下面描述的算术平均值、均方根平均值、调和平均值、平滑平均值或它们的加权变体、以及其他不太常规的平均值，例如中值、最大值、或观察窗上的模(mode)。

为了本公开，方便的是引入以下表示法：

${\tilde{P}}_{\mathrm{xy}}^{\mathrm{\α}}\left(n\right)=\mathrm{\αx}\left(n\right)y^{*}\left(n\right)+(1-\mathrm{\α}){\tilde{P}}_{\mathrm{xy}}^{\mathrm{\α}}(n-1)---\left(14\right)$

以及

${\tilde{P}}_x^{\mathrm{\α}}\left(n\right)=\mathrm{\α}\left|x\left(n\right)\right|+(1-\mathrm{\α}){\tilde{P}}_x^{\mathrm{\α}}(n-1),---\left(15\right)$

其中0＜α＜1。公式(14)和(15)是平滑平均值，对于α的适当选择，其近似于算术平均值。典型地，α反比于N，

${\tilde{P}}_{\mathrm{xy}}^{\mathrm{\α}}\left(n\right)\≈P_{\mathrm{xy}}^N\left(N\right)---\left(16\right)$

在计算自适应系数时，与存储旧信号值相比，利用公式(14)以及公式(12)中给出的近似需要更少的存储器。不考虑该简化，

可能还是难以估计。

期望的是自适应系数是对回声消除器可用的信号的函数，并且近似于公式(10)或(11)的最优自适应系数或公式(12)的时间平均自适应系数。对于回声消除器可容易取得的信号包括远端信号x(n)、麦克风处的接收信号y(n)、回声消除器输出信号z(n)以及近似回声ê(n)。这引出通过下式给出的自适应系数的通用形式：

$\mathrm{\μ}\left(n\right)=\frac{f(x,y,\hat{e},z,n)}{{\mathrm{LP}}_{\mathrm{xx}}^L\left(n\right)+\mathrm{\Δ}}---\left(17\right),$

在公式(17)中，可被推广为|x(n)|²的任何平均值，导致：

$\mathrm{\μ}\left(n\right)=\frac{f(x,y,\hat{e},z,n)}{\mathrm{LA}\left\{{\left|x\left(n\right)\right|}^2\right\}+\mathrm{\Δ}}----\left(18\right)$

值得注意的例子是当

时。由于x(n)是作为(例如电话中的)扬声器产生的信号的远端信号，y(n)是麦克风接收的信号，ê(n)是回声消除器生成的近似回声，z(n)是回声消除器的输出，所有量对于回声消除器都可获得，因此公式(17)和(18)中的自适应系数能够完全确定。常数Δ是被设计为避免μ在远端信号中的无声时段期间(即当P_xx是0或接近0时)变大的小的数值(number)。本质上，常数Δ用于避免除以0。通常，期望将自适应系数保持在给定最大值μ_max之下以保持对自适应的限制。为此，可以将限制函数(limiter function)L_μ(x)＝max(μ_max，min(U，x))应用于公式(17)和/或(18)的结果以保持自适应系数的值在0和μ_max之间。在公式(17)和(18)中，f是估计函数，该估计函数是非负函数，其对抗背景噪声、双讲和回声路径变化是近似最优的，并且

根据远端功率将该估计函数正规化。

这种估计量(estimator)的例子通过以下通用公式给出：

$f(x,y,\hat{e},z,n)={\left[\frac{{\left|A\right\{z\left(n\right){\hat{e}}^{*}\left(n\right)\left\}\right|}^2}{A\left\{{\left|z\left(n\right)\right|}^2\right\}A\left\{{\left|y\left(n\right)\right|}^2\right\}}\right]}^v---\left(19\right)$

其中v是非负值。如果v等于1/2，则估计量反比于输出功率。在高背景噪声或近端讲话时段期间，回声消除器的输出功率z(n)增大。根据公式(19)，估计量响应于高背景噪声和双讲的时段，并且在这些时段期间自适应减慢。当回声路径变化时，交叉相关平均值|A{z(n)ê^*(n)}|²增大，导致自适应滤波器更快适应回声路径的变化。

在一个实施例中，使用算术平均值，因此公式(19)变为：

$f(x,y,\hat{e},z,n)={\left[\frac{{\left|P_{z\hat{e}}^{N_1}\left(n\right)\right|}^2}{P_{\mathrm{zz}}^{N_2}\left(n\right)P_{\mathrm{yy}}^{N_3}\left(n\right)}\right]}^v---\left(20\right)$

其中向公式(20)中的每个平均值给出了任意的观察窗大小。然而，能够使用相同的观察窗(即N₁＝N₂＝N₃)。

在另一个实施例中，使用平滑平均值，因此公式(19)变为：

$f(x,y,\hat{e},z,n)={\left[\frac{{\left|{\tilde{P}}_{z\hat{e}}^{{\mathrm{\β}}_1}\left(n\right)\right|}^2}{{\tilde{P}}_{\mathrm{zz}}^{{\mathrm{\β}}_2}\left(n\right){\tilde{P}}_{\mathrm{yy}}^{{\mathrm{\β}}_3}\left(n\right)}\right]}^v---\left(21\right)$

同样，向公式(21)中的每个平均值给出了任意观察窗大小。同样，能够使用相同的窗(即β₁＝β₂＝β₃)。

在另一个实施例中，估计函数通过以下公式给出：

$f(x,y,\hat{e},z,n)={\left[\frac{\left|A\right\{z\left(n\right){\hat{e}}^{*}\left(n\right)\left\}\right|}{A\left\{\right|z\left(n\right)\left|\right\}A\left\{\right|y\left(n\right)\left|\right\}}\right]}^{2v}---\left(22\right)$

除了在分母中代替|z(n)|²和|y(n)|²而使用|z(n)|和|y(n)|的平均值以外，公式(22)与公式(19)类似。实际上，公式(22)是公式(19)的一般化。具体地，如果在分母中使用均方根(RMS)平均值，则以及

并且在分子中使用算术平均值，则公式(22)简化为公式(20)。如果使用|z(n)|²和|y(n)|²的平滑平均值的平方根，即和

则公式(22)简化为公式(21)。公式(23)给出了另一种可以使用的值得注意的平均值

$A\left\{\right|z\left(n\right)\left|\right\}=\sqrt[\mathrm{\γ}]{\frac{1}{N}\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|z(n-1)\right|}^{\mathrm{\γ}}}---\left(23\right)$

具体地，公式(23)的平均值在γ＝1时变为|z(n)|的算术平均值，在γ＝2时变为RMS平均值。此外，当γ＝∞时，A{|z(n)|}＝max{观察窗上的z(n)}。

也可以使用采用公式(23)的平滑平均值变体的其他实施例，具体地，

其中，一般地：

${\tilde{P}}_x^{\mathrm{\γ},\mathrm{\α}}\left(n\right)=\mathrm{\α}{\left|x\left(n\right)\right|}^{\mathrm{\γ}}+(1-\mathrm{\α}){\tilde{P}}_x^{\mathrm{\γ},\mathrm{\α}}(n-1)---\left(24\right)$

在实施例中，当γ＝1时，公式(22)变为：

$f(x,y,\hat{e},z,n)={\left[\frac{\left|{\tilde{P}}_{z\hat{e}}^{{\mathrm{\β}}_1}\left(n\right)\right|}{{\tilde{P}}_z^{{\mathrm{\β}}_2}\left(n\right){\tilde{P}}_y^{{\mathrm{\β}}_3}\left(n\right)}\right]}^{2v}---\left(25\right)$

因为平滑平均值能够通过使用|z(n)|和|y(n)|而不是|z(n)|²和|y(n)|²来更新，从而避免额外的乘法和平方根运算，因此公式(25)是在计算上更高效的估计函数。通过实验已经表明：即使在存在双讲、背景噪声和回声路径变化时，这些估计量也能够良好地工作，。

对于自适应系数，公式(10)和(11)的最优性能够通过最小化以下公式来获得：

Δh(n，k)＝s(k)-h(n，k)    (26)

理想地，自适应滤波器的冲激响应h(n，k)和回声传输函数的冲激响应s(k)应当是相同的。然而，原则上它们不匹配。误差是二者之间的差值，并且通过公式(26)表征。

在代入自适应公式(6)后，公式(26)变为：

Δh(n+1，k)＝Δh(n，k)-μ(n)z^*(n)x(n-k)    (27)

为了最小化Δh，使用最小二乘方法，即成本函数

$E_{\mathrm{\Δh}}\left(n\right)=\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{\left|\mathrm{\Δh}(n,k)\right|}^2---\left(28\right)$

被最小化。通过将公式(27)代入公式(28)并展开该表达式，所述成本函数可重写为：

$E_{\mathrm{\Δh}}(n+1)=E_{\mathrm{\Δh}}\left(n\right)-\mathrm{\μ}\left(n\right)z^{*}\left(n\right)\mathrm{\ϵ}\left(n\right)-\mathrm{\μ}\left(n\right)z\left(n\right){\mathrm{\ϵ}}^{*}\left(n\right)+{\mathrm{\μ}}^2\left(n\right){\left|z\left(n\right)\right|}^2\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{\left|x(n-k)\right|}^2$

(29)

对于自适应系数，通过在成本函数的导数中找出零来找出最优值。具体地，所述导数被表示为：

$\frac{\∂}{\∂\mathrm{\μ}}{E}_{\mathrm{\Δh}}(n+1)=-z^{*}\left(n\right)\mathrm{\ϵ}\left(n\right)-z\left(n\right){\mathrm{\ϵ}}^{*}\left(n\right)+2\mathrm{\μ}\left(n\right){\left|z\left(n\right)\right|}^2{\mathrm{LP}}_{\mathrm{xx}}^L\left(n\right)---\left(30\right)$

通过将该导数设为零并对于μ(n)求解，找出公式(10)给出的最优自适应系数。

一个警告是，对于自适应滤波器的初始条件不能设为零，因为这将导致估计回声ê(n)为零，从而导致零估计函数值。此外，应当监视自适应系数以确保其不是零——例如，当自适应系数是零时用小的值代替它。

图5示出使用具有合成回声的自适应系统的线性自适应回声消除器的实施例。与自适应回声消除器400类似，回声消除器500包括回声近似器302、减法器304和自适应系数生成器402。线性自适应回声消除器500包括回声合成器502和加法器504，其混合合成回声

和在麦克风接收的信号

从而产生y(n)。信号

和y(n)的命名法与参照图4描述的系统的命名法略有不同。具体地，在麦克风接收的信号标识为

而不是y(n)。这是为了保留上面公开的自适应系数公式的表示法。合成回声

是将具有L-1阶的冲激响应

的传输函数应用到远端信号x(n)的产物，具体地：

$\stackrel{\‾}{e}\left(n\right)=\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{\stackrel{\‾}{s}}^{*}\left(k\right)x(n-k)---\left(31\right)$

由于回声合成器的冲激响应已知，自适应滤波器系数可被初始化为合成回声的冲激响应，即

这样，合成回声在最初被消除。叠加合成回声分量保证近似误差ê不总是零，因此避免自适应系数到达自适应系数总是零的状态。因为合成回声是人为产生的，冲激响应已知，所以线性自适应滤波器将消除合成回声。

在上面描述的实施例中，公开了线性自适应回声消除。除了线性自适应回声消除，还能够利用非线性处理来抑制从自适应回声消除系统残留的残余回声或者甚至完全抑制回声。先前的非线性处理系统是不理想的，导致电话表现为好像不停地在全双工和半双工操作之间切换一样。

图6示出全双工子带非线性处理系统。系统600接收远端信号x(n)和在麦克风接收的信号y(n)，所述信号y(n)包括合并了任何回声的近端信号。在联合频时域环境中应用非线性处理。为了实现这一点，滤波器组602将远端信号分成M个频率子带，也就是说，每个信号x_i(n)由远端信号的落入第i个频带的频率分量形成。同样，滤波器组604将信号y(n)细分成M个频率子带。非线性处理单元610包括M个子单元612a、612b到612m，其对每个子带分量执行非线性处理。非线性处理子单元在下文更详细地描述。最后，合成滤波器组620将每个频率子带的经滤波的输出信号z_i(n)组合成组合输出信号z(n)。在一个实施例中，如Y.Lu和J.M.Morris，“Gabor Expansion for Adaptive Echo Cancellation”，IEEE Signal Processing Magazine，Vol.16，No.2，March，1999中描述的那样构造所述滤波器组。

图7示出替换实施例，其与图6中描述的非线性处理系统类似，除了线性回声消除是由回声估计器304和减法器302执行的。也可有自适应系数生成器，其为了清楚而并未示出。滤波器组702执行与滤波器组602相同的功能，滤波器组704将线性回声消除器的输出信号

细分成M个频率子带分量非线性处理单元710包括M个子单元712a、712b到712m，其对每个子带分量执行非线性处理。最后，合成滤波器组720将每个频率子带的经滤波的输出信号z_i(n)组合成组合输出信号z(n)。不同于非线性处理单元610，本实施例中的非线性处理单元710用于抑制残余回声而不是全部回声。通过非线性处理子单元对于每个频率子带执行所述非线性处理。

在一个实施例中，使用舒适噪声插入，使得如果远端信号比线性回声消除器的输出大预定阈值和/或该输出比在麦克风处接收的信号低不同的预定阈值，则去除该输出。更一般地，将舒适噪声插入表示为：

其中dist{a(n)，b(n)}是在时间索引n处两个序列a(n)和b(n)之间的距离的量度(measure)，T₁和T₂是所述预定阈值，nc_i(n)是舒适噪声。在两个序列之间有许多有用的距离量度。一个有用的例子是当前信号值之间的距离(即，dist{a(n)，b(n)}＝|a(n)-b(n)|)。另一个有用的例子是取每个样本的最近的N个样本，并且应用如公式(33)和(34)中的矢量距离运算：

$\mathrm{dist}\{a\left(n\right),b\left(n\right)\}=\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}|a(n-l)-b(n-l)|---\left(33\right)$

$\mathrm{dist}\{a\left(n\right),b\left(n\right)\}=\sqrt{\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}{|a(n-1)-b(n-1)|}^2}.---\left(34\right)$

与传统的舒适噪声插入NLP方法不同，该舒适噪声插入基于每个频率子带执行。衰减项g₁和g₂典型地是在0到1之间并且包含0和1的预定数值。在一个实施例中，g₁＝0和g₂＝1对应于舒适噪声替换NLP方法，在该方法中，回声消除器的输出完全由舒适噪声替换。在另一个实施例中，当g₁＞0时，回声消除器的输出被衰减，但未被去除，并且对应于传统NLP中使用的“软”NLP方法。在另一个实施例中，对一些或所有频率子带nc_i(n)＝0，即，代替舒适噪声，引入无声(silence)。

作为例子，如果远端用户相比于近端用户具有更低音高(pitch)的声音，他们都能讲话，但负责低频的非线性处理子单元可以替换所接收的麦克风信号，这是因为近端说话者的声音具有较高音高而不会受到影响。进一步，来自远端说话者的回声将被替换，因为回声通常会在相同的频率范围内。因此，残余回声被抑制，两个用户都能讲话。在没有子带NLP的情况下，在该双讲时段期间，任一个用户将被抑制或者残余回声将被允许保留。这种技术也可以应用在非线性处理单元610执行的NLP。

图8是基于子带的回声消除系统的另一个实施例。系统800与前面的实施例不同之处在于对于每个频率子带执行线性回声消除。滤波器组802将远端信号x(n)分成M个频率子带分量。滤波器组804将信号y(n)分成M个频率子带分量。线性回声消除器810包括回声近似器812a、812b到812m以及减法器814a、814b到814m，其每一个在它们各自的子带中执行线性回声消除。每一个也可包括自适应系数生成器(未示出)。非线性处理单元820包括M个子单元822a、822b到822m，其对每个子带分量执行非线性处理。最后，合成滤波器组830将每个频率子带的经滤波的输出信号z_i(n)组合成组合输出信号z(n)。在每个子带中都是具有线性回声消除器和NLP回声抑制器的完整回声消除系统。

在另一个实施例中，使用中心削波(clipping)，因此如果对于特定频率子带的、在麦克风接收的信号y_i(n)低于中心削波阈值，该信号被简单去除。在数学上，这可以简单地表示为：

其中T是预定阈值。在每个频率子带的基础上执行所述抑制，这允许以全双工设置操作。

在另一个实施例中，与合成滤波器组一起使用远端衰减，以便重新组合远端信号分量，所述远端信号分量可具有根据传统远端衰减NLP衰减的某些频率。

图9示出子带线性回声消除系统的另一个实施例。系统900与系统800类似，除了它不具有非线性处理单元820以外。因为每个子带凭借其自身能力而成为线性回声消除系统，所以可以对每个子带独立地应用上面导出的最优自适应系数，也就是，每个子带能够使用其自己的μ_i(n)。在每个子带中，在子带内能够进行某些在全频带环境(下面进一步描述)内不能进行的某些统计假设，因此更易于估计某些平均值，例如

图10示出能够与系统600、700和/或800一起使用的子带非线性处理单元。子带非线性处理单元1000包括估计器单元1002，其接收被表示为x_i(n)的远端信号的第i个子带分量以及在系统600的情况下被表示为y_i(n)的所接收的信号的第i个子带分量、或者在系统700或800的情况下被表示为

的线性回声消除器的输出的第i个子带分量。估计器单元1002计算权重w_i(n)，取决于使用哪个系统产生输出，权重w_i(n)通过缩放器1004被施加到y_i(n)或在数学上，

z_i(n)＝w_i(n)y_i(n)    (36)

或

$z_i\left(n\right)=w_i\left(n\right){\tilde{z}}_i\left(n\right).$

在本例子中，为简化的目的，用

来表示子带非线性处理单元的输入，其在系统600中等于y_i(n)，并且在系统700或800中等于

一种调整权重的自适应方法由如下公式控制：

w_i(n)＝f(μ_i(n))    (37)

其中

其中Δ_i是避免当在时间窗上为零时出现除以零的情况的常数。函数f典型地是非负单调增加函数且f(1)＝1。具体地，可以使用f(x)＝x^v，其中v是分数(fractional)值。例如，v可以选择为具有值1/2，因此但根据应用，也能使用其他v的值。函数

将结果限制在0和1之间(包括0和1)，更具体地：

关于平均值，

和

是

在两个观察窗上的平均值，尽管这些平均值可以是在不同观察窗上的不同类型的平均值，但是常常将它们选择为在相同观察窗上的相同类型的平均值。此外，A₁{|x_i(n)|²}是|x_i(n)|²在另一个观察窗上的平均值，该观察窗可以不同于用于

的观察窗。数值K是产生q_i(n，k)的最大值的数值。

量q_i(n，k)通过下式给出：

$q_i(n,k)=\left|\frac{A\left\{{\tilde{y}}_i\left(n\right)x(n-k)\right\}}{A_2\left\{{\left|x_i(n-k)\right|}^2\right\}}\right|---\left(40\right)$

其中A₂{|x_i(n)|²}是| x_i(n)|²在观察窗上的平均值。尽管典型地将相同类型的平均值用于A₁{|x_i(n)|²}和A₂{| x_i(n)|²}，但是用于A₁{| x_i(n)|²}的观察窗典型地小于用于A₂{|x_i(n)|²}的观察窗。当使用算术平均值时，公式(3 8)和(40)变为

和

$q_i(n,k)=\left|\frac{P_{{\tilde{y}}_i{x}_i}^{N_4}(n,k)}{P_{x_i{x}_i}^{N_5}(n-k)}\right|---\left(42\right)$

其中N₁，N₂，N₃，N₄和N₅是观察窗大小并且

$P_{\mathrm{xy}}^N(n,k)=\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}x(n-l)y^{*}(n-l-k)---\left(43\right)$

同样，如果使用平滑平均值，则公式(38)和(40)变为

和

$q_i(n,k)=\left|\frac{{\tilde{P}}_{{\tilde{y}}_i{x}_i}^{{\mathrm{\β}}_4}(n,k)}{{\tilde{P}}_{x_i{x}_i}^{{\mathrm{\β}}_5}(n-k)}\right|---\left(45\right)$

其中β₁，β₂，β₃，β₄和β₅反比于观察窗大小，并且

${\tilde{P}}_{\mathrm{xy}}^{\mathrm{\α}}(n,k)=(1-\mathrm{\α}){\tilde{P}}_{\mathrm{xy}}^{\mathrm{\α}}(n-1,k)+\mathrm{\α}{x}_i\left(n\right)y_i^{*}(n-k)---\left(46\right)$

公式(38)实际上是下面公式的近似

因为e_i(n)不是直接可获得的，必须估计A₁{|e_i(n)|²}。这里采用的方法找出在k的范围上最大化q_i(n，k)的K，其中利用该最大值通过公式(48)确定A₁{|e_i(n)|²}：

$A_1\left\{{\left|e_i\left(n\right)\right|}^2\right\}\≈q_i^{*}(n,K)A_1\left\{{\left|x_i(n-K)\right|}^2\right\}---\left(48\right)$

通常，k的范围是小的数值，q_i(n，k)的最大值可以通过暴力计算确定。可替换地，也可基于可用于暴力计算的资源来选择对于k选择的范围。因此，公式(37)的评估可被认为是首先估计A₁{|e_i(n)|²}，即平均回声功率，使用公式(47)，然后应用函数f。

图11示出能够与系统600、700和/或800一同使用的子带非线性处理单元的另一个实施例。子带非线性处理单元1100将处理扩展超出简单的权重而扩展为具有滤波器系数w_i(n，k)的滤波器。估计器单元1102估计这些权重，滤波器1104将它们应用到信号根据所使用的系统，信号

是y_i或是输出信号通过下式定义：

$z_i\left(n\right)=\underset{k=0}{\overset{K}{\mathrm{\Σ}}}{\tilde{y}}_i(n-k-N)w_i(n,k)---\left(49\right).$

图12示出诸如系统800中示出的回声消除器的回声消除器的一个子带的实施例。包括回声近似器1202和减法器1204的线性回声消除器被与非线性处理单元一同示出，所述非线性处理单元包括估计器单元1206和缩放器1208。除了估计器单元1206具有可用于确定所述权重的合成回声ê(n)以外，估计器单元1206与估计器单元1002类似地工作。缩放器1208将所述权重应用于消除了回声的信号y_i(n)。在本实施例中，权重仍通过公式(37)自适应地确定。然而，u_i(n)由公式(50)给出为：

其中

和

是

在两个观察窗上的平均值，尽管这些平均值可以是不同观察窗上的不同类型的平均值，但是通常它们被选择为相同观察窗上的相同类型的平均值。此外，A₁{|x_i(n)|²}是|x_i(n)|²在另一个观察窗上的平均值，该另一个观察窗可以不同于用于的观察窗。此外，q_i(n)通过下式给出

$q_i\left(n\right)=\frac{{\left|A\right\{y_i\left(n\right){\hat{e}}_i^{*}\left(n\right)\left\}\right|}^2}{A_2\left\{{\left|x_i\left(n\right)\right|}^2\right\}A\left\{{\left|{\hat{e}}_i\left(n\right)\right|}^2\right\}}---\left(51\right),$

其中A₂{|x_i(n)|²}是|x_i(n)|²在观察窗上的平均值。尽管典型地将相同类型的平均值用于A₁{|x_i(n)|²}和A₂{|x_i(n)|²}，但是用于A₁{|x_i(n)|²}的观察窗典型地小于用于A₂{|x_i(n)|²}的观察窗。此外，

是

的平均值，并且A{|ê_i(n)|²}是|ê_i(n)|²每个在观察窗上的平均值，其可以与公式(50)和(51)中的其他平均值相同或不同。

当使用算术平均值时，公式(50)和(51)变为

和

$q_i\left(n\right)=\frac{{\left|P_{y_i{\hat{e}}_i}^{N_4}\left(n\right)\right|}^2}{P_{x_i{x}_i}^{N_5}\left(n\right)P_{{\hat{e}}_i{\hat{e}}_i}^{N_6}\left(n\right)})---\left(53\right)$

其中N₁，N₂，N₃，N₄，N₅和N₆是观察窗大小。

类似地，如果使用平滑平均值，则公式(50)和(51)变为

和

$q_i\left(n\right)=\frac{{\left|{\tilde{P}}_{y_i{\hat{e}}_i}^{{\mathrm{\β}}_4}\left(n\right)\right|}^2}{{\tilde{P}}_{x_i{x}_i}^{{\mathrm{\β}}_5}\left(n\right){\tilde{P}}_{{\hat{e}}_i{\hat{e}}_i}^{{\mathrm{\β}}_6}\left(n\right)})---\left(55\right)$

其中β₁，β₂，β₃，β₄，β₅和β₆反比于观察窗大小。

公式(50)也是近似。具体地，它是对下式的近似

其中A₁|ε_i(n)|²}是残余回声在观察窗上的平均功率。通过使用下面的近似，

$A\left\{{\left|{\mathrm{\ϵ}}_i\left(n\right)\right|}^2\right\}\≈q_i^{*}\left(n\right)A_1\left\{{\left|x_i\left(n\right)\right|}^2\right\}---\left(57\right)$

导出公式(50)。同样，确定权重的过程可被认为是首先求残余回声的平均功率的近似，然后使用公式(56)，并应用函数f。

应当注意的是，近似(approximation)(48)和(57)的数学基础取决于简化以下假设：在特定子带中，信号具有白噪声特性，也就是它们的频率响应基本平坦。尽管这对于跨越所有频带的信号不成立，但是如果子带被选择得足够窄，则每个信号将近似地表现出白噪声特性。在特定子带的环境中使得估计这些量困难的一些交叉相关项可以被假设为零，以简化对回声和残余回声的估计。

因为在子带内现在能够估计回声功率和残余回声功率，所以对全时域信号不能容易地估计的量、以及基于残余回声或回声的其他平均值(例如

或更一般的

也能够在每个子带中更容易地估计，它们随后可以被提供给任何附接的线性回声消除器。

图13示出诸如系统800中示出的回声消除器的回声消除器的一个子带的另一个实施例。与非线性处理单元一同示出包括回声近似器1302、减法器1304和自适应系数生成器1310的线性回声消除器，非线性处理单元包括估计器单元1306和缩放器1308。估计器单元1306与估计器单元1206类似地工作，除了估计器单元1306能够向回声近似器1302提供信息以外，例如，估计器单元1306能够将对于

或

的近似提供给自适应系数生成器1310，其可用来调整用于回声估计器1302的自适应系数。

如同回声消除器400和500的具体实现方式一样，包括任何舒适噪声插入模块、中心削波模块、缩放器和/或估计器单元的回声消除/抑制系统600、700、800和900的各种组件能够以硬件实现，或者作为由诸如DSP的处理器执行的软件或固件指令实现。它也可以是软件或固件和专用电路的组合。

图14示出包括混合电路的电话通信系统。在电话中，回声也可由混合电路产生。在电话102和电话112之间的通话期间，电话102发送信号104并接收信号106。信号104和106通过至少一个混合电路1402，所述至少一个混合电路1402是电话网络的一部分。混合电路1402将信号104的一个版本反射回到信号106中，其被示为混合回声1404。多个回声源的存在导致上面描述的回声消除和抑制系统的若干替换实现方式。尽管在电话通信系统中示出回声消除/抑制，其中回声消除系统被包含到电话中以处理声学回声，但是上面描述的相同系统可用来处理电子混合回声或可处理两种类型的回声。

图15示出电话通信系统，其中回声消除器置于混合电路中或附接到混合电路。回声消除器1502被设计为去除由混合电路108引起的混合回声。这种方法的优点和缺点在于回声消除器仅处理由混合电路108引起的回声。因为只有一种类型的回声被处理，因此它更简单，但是它也留下了声学回声118。

图16示出电话通信系统，其中回声消除器置于电话中。在该例子中，从电话1602的方面看，信号104是近端信号，信号106是远端信号。不像电话102，电话1602中的回声消除器1604消除电话112导致的声学回声。它也可以消除混合回声。实际上，单个电话可以采用如这里示出的“入站(inbound)”回声消除器和“出站(outbound)”回声消除器，其中入站回声消除器处理远程电话和/或混合电路引起的回声，出站回声消除器处理本地声学回声。

应当强调的是，上面描述的实施例仅是可能地实现方式的示例。在不脱离本公开的原理的情况下，对上述实施例能够进行各种变形和修改。例如，尽管用电话通信系统来表述本公开，但这里公开的回声消除和抑制系统能够应用于任何双向通信系统，特别是任何出现声学回声的系统，具体地是具有麦克风和邻近扬声器的设备。作为例子，其可以应用到个人计算机中使用的通信软件或系统来驱动VoIP系统。在这里，所有这样的修改和变形都意欲被包括在本公开的范围中，并由所附权利要求保护。

Claims (33)

1.一种在双向通信系统中消除远端信号的回声的方法，包括：

通过将传输函数应用到远端信号以生成近似回声，来求所述回声的近似，所述传输函数具有冲激响应和阶；

从包括近端信号和回声的接收信号中减去所述近似回声以产生输出信号；

生成自适应系数；

通过基于自适应系数修改所述冲激响应来适配所述传输函数；

通过将估计函数生成的值除以远端信号在第一观察窗上的总能量与预定常数之和来生成所述自适应系数；

所述估计函数基于所述接收信号、所述输出信号、所述远端信号和/或所述近似回声来生成值。

2.如权利要求1所述的方法，其中：

所述总能量是|x(n)|²在第一观察窗上的平均值乘以传输函数的阶，其中所述平均值是算术平均值或平滑平均值，其中第一观察窗具有等于传输函数的阶的大小，并且其中x(n)是远端信号，n是采样时间索引。

3.如权利要求1所述的方法，进一步包括：

合成一合成回声；以及

将该合成回声加到所述接收信号上。

4.如权利要求1所述的方法，其中估计函数生成的值是被升高到预定幂的比率，该比率具有分母和分子，其中分子是z(n)ê^*(n)在第二观察窗上的平均值的实部或绝对值，分母是|z(n)|在第三观察窗上的平均值和|y(n)|在第四观察窗上的平均值的乘积，其中z(n)是输出信号，ê^*(n)是近似回声的复共轭，y(n)是所述接收信号，n是采样时间索引。

5.如权利要求4所述的方法，其中第二观察窗、第三观察窗和第四观察窗具有相同的大小。

6.如权利要求5所述的方法，其中z(n)ê^*(n)的平均值是平滑平均值或算术平均值；

其中|z(n)|的平均值是|z(n)|的平滑平均值、|z(n)|²的平滑平均值的平方根、|z(n)|的算术平均值、或者|z(n)|的均方根平均值；并且

其中|y(n)|的平均值是|y(n)|的平滑平均值、|y(n)|²的平滑平均值的平方根、|y(n)|的算术平均值、或者|y(n)|的均方根平均值。

7.如权利要求1所述的方法，进一步包括：

将所述远端信号分成远端频率子带信号；

将所述接收信号分成接收频率子带信号；并且

从输出频率子带信号合成所述输出信号；

其中，求回声的近似、减去近似回声、生成自适应系数和适配传输函数的步骤是在至少一个子带上执行的。

8.一种回声消除系统，包括

回声近似器，可操作用于向远端信号应用具有冲激响应和阶的传输函数并且产生近似回声；

减法器，可操作用于从包括近端信号和远端信号的回声的接收信号中减去所述近似回声以产生输出信号；

用于生成自适应系数的装置；

其中基于自适应系数来修改传输函数的冲激响应。

9.如权利要求8所述的回声消除系统，其中，用于生成自适应系数的装置包括自适应系数生成器，其通过将估计函数生成的值除以远端信号在第一观察窗上的总能量和预定常数之和来生成自适应系数；

所述估计函数基于所述接收信号、所述输出信号、所述远端信号和/或所述近似回声来生成值。

10.如权利要求8所述的回声消除系统，进一步包括：

回声合成器，可操作用于从远端信号生成合成回声；以及

加法器，可操作用于将合成回声加到所述接收信号上。

11.如权利要求9所述的回声消除系统，其中估计函数生成的值是被升高到预定幂的比率，该比率具有分母和分子，其中分子是z(n)ê^*(n)在第二观察窗上的平均值的实部或绝对值，分母是|z(n)|在第三观察窗上的平均值和|y(n)|在第四观察窗上的平均值的乘积，其中z(n)是输出信号，ê^*(n)是近似回声的复共轭，y(n)是所述接收信号，n是采样时间索引。

12.如权利要求11所述的回声消除系统，其中z(n)ê^*(n)的平均值是平滑平均值或算术平均值；

其中|z(n)|的平均值是|z(n)|的平滑平均值、|z(n)|²的平滑平均值的平方根、|z(n)|的算术平均值、或者|z(n)|的均方根平均值；

其中|y(n)|的平均值是|y(n)|的平滑平均值、|y(n)|²的平滑平均值的平方根、|y(n)|的算术平均值、或者|y(n)|的均方根平均值；并且

其中所述总能量是|x(n)|²在第一观察窗上的平均值乘以传输函数的阶，其中第一观察窗具有等于传输函数的阶的大小，并且其中所述平均值是算术平均值或平滑平均值。

13.一种回声抑制器，包括：

第一滤波器组，用于将远端信号分成多个远端频率子带信号；

第二滤波器组，用于将输入信号分成多个输入频率子带信号；

多个非线性处理单元，其中每个非线性处理单元接收所述多个远端频率子带信号之一和所述多个输入频率子带信号之一并产生回声被抑制的输出频率子带信号；以及

第三滤波器组，用于从所有输出频率子带信号合成一组合输出信号。

14.如权利要求13所述的回声抑制器，其中从线性回声消除信号接收所述输入信号。

15.如权利要求13所述的回声抑制器，其中每个非线性处理单元应用中心削波。

16.如权利要求13所述的回声抑制器，进一步包括多个线性回声消除系统，每个线性回声消除系统耦接到每个非线性处理单元，并且每个线性回声消除系统包括回声近似器和减法器，所述回声近似器可操作用于从远端频率子带信号求近似回声的近似，所述减法器可操作用于从输入频率子带信号减去所述近似回声。

17.如权利要求16所述的回声抑制器，其中每个非线性处理单元应用舒适噪声插入。

18.如权利要求16所述的回声抑制器，其中每个非线性处理单元包括估计器单元和缩放器，估计器单元可操作用于接收输入频率子带信号和远端频率子带信号，其中估计器确定要应用到输入频率子带信号的缩放因子，缩放器通过该缩放因子缩放输入频率子带信号。

19.如权利要求13所述的回声抑制器，其中每个非线性处理单元包括估计器单元和具有滤波器系数的滤波器，其中估计器确定所述滤波器系数，该滤波器被应用到输入频率子带信号。

20.如权利要求13所述的回声抑制器，其中每个非线性处理单元包括估计器单元和缩放器，估计器单元可操作用于接收输入频率子带信号、近似回声和远端频率子带信号，其中估计器确定要应用到输入频率子带信号的缩放因子，缩放器通过该缩放因子缩放输入频率子带信号。

21.一种在双向通信系统中进行回声抑制的方法，包括：

将远端信号分成对应于预定的一组频率子带的多个远端频率子带信号；

将输入信号分成多个输入频率子带信号；

对每个输入频率子带信号，使用来自所述多个远端频率子带信号的对应远端频率子带对该输入频率子带信号应用非线性处理，以产生回声被抑制的输出频率子带信号；以及

从输出频率子带信号合成一组合输出信号。

22.如权利要求21所述的方法，进一步包括：利用回声消除系统消除接收信号中的回声以产生所述输入信号。

23.如权利要求21所述的方法，其中应用非线性处理包括应用中心削波。

24.如权利要求21所述的方法，进一步包括：

对输入频率子带信号，从对应远端频率子带信号求近似回声的近似，并从输入频率子带信号中减去该近似回声。

25.如权利要求24所述的方法，其中应用非线性处理包括应用舒适噪声插入。

26.如权利要求21所述的方法，其中应用非线性处理包括：

确定缩放因子；以及

通过该缩放因子缩放输入频率子带信号。

27.如权利要求26所述的方法，其中确定缩放因子包括：

求输入频率子带信号中的回声的平均功率的近似；

计算

以产生第一计算值，其中A{|e_i(n)|²}是回声在第一观察窗上的平均功率，

是

在第二观察窗上的第一平均值，

是

在第三观察窗上的第二平均值，Δ_i是预定数值，

是输入频率子带信号；

将第一计算值限制为0、1、或者0和1之间的数值，以及

向第一计算值应用单调增加函数以产生缩放因子。

28.如权利要求27所述的方法，其中

29.如权利要求27所述的方法，求近似进一步包括：

确定在k的预定范围上产生q_i(n，k)最大值的值K，其中k是整数；以及

将q_i(n，K)和A₁{|x_i(n-K)|²}相乘以产生所述平均功率，其中

$q_i(n,k)=\left|\frac{A\left\{{\tilde{y}}_i\left(n\right)x\left(n\right)\right\}}{A_2\left\{{\left|x_i(n-k)\right|}^2\right\}}\right|$

并且A₁{|x_i(n)|²}是|x_i(n)|²在第四观察窗上的第一平均值，A₂{|x_i(n)|²}是|x_i(n)|²在第五观察窗上的第二平均值，

是

在第六观察窗上的平均值。

30.如权利要求29所述的方法，其中

是

在第二观察窗上的算术平均值或

在第二观察窗上的平滑平均值，

是

在第三观察窗上的算术平均值或

在第三观察窗上的平滑平均值，

A₁{|x_i(n)|²}是|x_i(n)|²在第四观察窗上的算术平均值或|x_i(n)|²在第四观察窗上的平滑平均值，

A₂{|x_i(n)|²}是|x_i(n)|²在第五观察窗上的算术平均值或|x_i(n)|²在第五观察窗上的平滑平均值，以及

是

在第六观察窗上的算术平均值或

在第六观察窗上的平滑平均值。

31.如权利要求24所述的方法，其中应用非线性处理包括：

确定缩放因子；以及

通过该缩放因子缩放输入频率子带信号；

所述确定缩放因子包括：

求输入频率子带信号中的残余回声的平均功率的近似；

计算

以产生第一计算值，其中A{|ε_i(n)|²}是残余回声在第一观察窗上的平均功率，是在第二观察窗上的第一平均值，是

在第三观察窗上的第二平均值，Δ_i是预定数值，是输入频率子带信号；

将第一计算值限制为0、1、或者0和1之间的数值；以及

向第一计算值应用单调增加函数以产生缩放因子。

32.如权利要求31所述的方法，求近似进一步包括：

将q_i(n)和A₁{|x_i(n)|²}相乘以产生平均功率，其中

$q_i\left(n\right)=\frac{{\left|A\right\{y_i\left(n\right){\hat{e}}_i^{*}\left(n\right)\left\}\right|}^2}{A_2\left\{{\left|x_i\left(n\right)\right|}^2\right\}A\left\{{\left|{\hat{e}}_i\left(n\right)\right|}^2\right\}}$

以及A₁{|x_i(n)|²}是|x_i(n)|²在第四观察窗上的第一平均值，A₂{|x_i(n)|²}是|x_i(n)|²在第五观察窗上的第二平均值，

是

在第六观察窗上的平均值。

33.如权利要求32所述的方法，其中

是

在第二观察窗上的算术平均值或

在第二观察窗上的平滑平均值，

是

在第三观察窗上的算术平均值或

在第三观察窗上的平滑平均值，

A₁{|x_i(n)|²}是|x_i(n)|²在第四观察窗上的算术平均值或|x_i(n)|²在第四观察窗上的平滑平均值，

A₂{|x_i(n)|²}是|x_i(n)|²在第五观察窗上的算术平均值或|x_i(n)|²在第五观察窗上的平滑平均值，以及

是

在第六观察窗上的算术平均值或

在第六观察窗上的平滑平均值。

Images