CN108390663A - 一种有限冲激响应滤波器系数矢量的更新方法及装置 - Google Patents

一种有限冲激响应滤波器系数矢量的更新方法及装置 Download PDF

Info

Publication number
CN108390663A
CN108390663A CN201810194544.4A CN201810194544A CN108390663A CN 108390663 A CN108390663 A CN 108390663A CN 201810194544 A CN201810194544 A CN 201810194544A CN 108390663 A CN108390663 A CN 108390663A
Authority
CN
China
Prior art keywords
time
updating
diagonal matrix
coefficient vector
filter coefficient
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.)
Granted
Application number
CN201810194544.4A
Other languages
English (en)
Other versions
CN108390663B (zh
Inventor
周璇
梁民
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.)
Telecommunications Science and Technology Research Institute Co Ltd
Original Assignee
Telecommunications Science and Technology Research Institute Co Ltd
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 Telecommunications Science and Technology Research Institute Co Ltd filed Critical Telecommunications Science and Technology Research Institute Co Ltd
Priority to CN201810194544.4A priority Critical patent/CN108390663B/zh
Publication of CN108390663A publication Critical patent/CN108390663A/zh
Priority to PCT/CN2019/076259 priority patent/WO2019170020A1/zh
Priority to US16/978,644 priority patent/US11450335B2/en
Application granted granted Critical
Publication of CN108390663B publication Critical patent/CN108390663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0223—Computation saving measures; Accelerating measures
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L21/0232—Processing in the frequency domain
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0043—Adaptive algorithms
    • 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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
    • 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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0219—Compensation of undesirable effects, e.g. quantisation noise, overflow
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0223—Computation saving measures; Accelerating measures
    • H03H17/0227—Measures concerning the coefficients
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/06—Non-recursive filters
    • H03H17/0621—Non-recursive filters with input-sampling frequency and output-delivery frequency which differ, e.g. extrapolation; Anti-aliasing
    • H03H17/0635—Non-recursive filters with input-sampling frequency and output-delivery frequency which differ, e.g. extrapolation; Anti-aliasing characterized by the ratio between the input-sampling and output-delivery frequencies
    • H03H17/065—Non-recursive filters with input-sampling frequency and output-delivery frequency which differ, e.g. extrapolation; Anti-aliasing characterized by the ratio between the input-sampling and output-delivery frequencies the ratio being integer
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M9/00—Arrangements for interconnection not involving centralised switching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M9/00—Arrangements for interconnection not involving centralised switching
    • H04M9/08—Two-way loud-speaking telephone systems with means for conditioning the signal, e.g. for suppressing echoes for one or both directions of traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M9/00—Arrangements for interconnection not involving centralised switching
    • H04M9/08—Two-way loud-speaking telephone systems with means for conditioning the signal, e.g. for suppressing echoes for one or both directions of traffic
    • H04M9/082—Two-way loud-speaking telephone systems with means for conditioning the signal, e.g. for suppressing echoes for one or both directions of traffic using echo cancellers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R29/00—Monitoring arrangements; Testing arrangements
    • H04R29/004—Monitoring arrangements; Testing arrangements for microphones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L2021/02082—Noise filtering the noise being echo, reverberation of the speech
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
    • G10L2021/02163—Only one microphone
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H2017/0072—Theoretical filter design
    • H03H2017/0081—Theoretical filter design of FIR filters
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0223—Computation saving measures; Accelerating measures
    • H03H2017/0244—Measures to reduce settling time
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0043—Adaptive algorithms
    • H03H2021/0056—Non-recursive least squares algorithm [LMS]
    • H03H2021/0061—Normalized LMS [NLMS]
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H2021/007—Computation saving measures; Accelerating measures
    • H03H2021/0076—Measures relating to the convergence time
    • H03H2021/0078—Measures relating to the convergence time varying the step size
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R3/00—Circuits for transducers, loudspeakers or microphones
    • H04R3/02—Circuits for transducers, loudspeakers or microphones for preventing acoustic reaction, i.e. acoustic oscillatory feedback

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Otolaryngology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Filters That Use Time-Delay Elements (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

本发明提供了一种有限冲激响应滤波器系数矢量的更新方法及装置，涉及语音信号处理技术领域，该更新方法，包括：获取FIR滤波器系数矢量更新的步长对角矩阵；根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量。上述方案，通过对步长对角矩阵进行更新，依据更新后的步长对角矩阵，进行FIR滤波器系数矢量的更新，加快了FIR滤波器系数的收敛速度，提高了采用FIR自适应滤波器技术进行的诸如回声消除与抑制、噪声与干扰消除与抑制和系统辨识等子系统或模块的整体质量。

Description

一种有限冲激响应滤波器系数矢量的更新方法及装置
技术领域
本发明涉及语音信号处理技术领域，特别涉及一种有限冲激响应滤波器系数矢量的更新方法及装置。
背景技术
声学回声抵消器(Acoustic Echo Cancellation，AEC)通常用来抵消由扬声器耦合到拾音麦克风所致的声学回声信号，以便系统可进行语音全双工(Full duplex)通信，从而给用户提供更好的通话体验。现有的AEC通常采用归一化最小均方误差(NormalizedLMS，NLMS)算法来自适应地更新其有限冲激响应(Finite Impulse Response，FIR)滤波器的系数，但该算法对非平稳的语音信号而言，其收敛速度较慢。
注意到房间的室内冲击响应通常具有这样的特性：冲激响应样本沿着时间轴呈现指数衰减，并且这些冲击响应样本间的变化量也呈现相同的指数衰减率。这一特性使得FIR滤波器每个系数的期望误差将随系数序号的增大而以相同的指数衰减率逐步地变小。将这一统计特性集成到NLMS算法中，提出了一种称之为指数加权步长因子(exponentiallyweighted step-size，ES)的NLMS算法(以下简称为ES-NLMS算法)，尽管现有ES-NLMS算法可在一定程度上模拟了房间冲击响应而加快了算法的收敛速度，但该算法中步长对角矩阵的参数α0和γ都是根据经验值进行预先设定的，而在通话过程中，室内冲击响应是随其周围环境在不断变化的，这便使得根据经验值而进行预先设定的步长对角矩阵不能及时地跟踪室内冲击响应的时变特性，从而会使算法性能降低、收敛速度变慢。
发明内容
本发明实施例提供一种有限冲激响应滤波器系数矢量的更新方法及装置，以解决在通话过程中，室内冲击响应是随其周围环境在不断变化，造成ES-NLMS算法中根据经验值而进行预先设定的步长对角矩阵不能及时地跟踪室内冲击响应的时变特性，从而会使算法性能降低、收敛速度变慢的问题。
为了解决上述技术问题，本发明实施例提供一种有限冲激响应FIR滤波器系数矢量的更新方法，包括：
获取FIR滤波器系数矢量更新的步长对角矩阵；
根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量。
进一步地，所述获取FIR滤波器系数矢量更新的步长对角矩阵的步骤，包括：
根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵。
进一步地，所述根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵的步骤，包括：
获取步长对角矩阵更新时刻的FIR滤波器系数矢量；
根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值；
根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵。
进一步地，在所述更新时刻为预学习结束时刻时，所述获取步长对角矩阵更新时刻的FIR滤波器系数矢量的步骤，包括：
根据公式：获取预学习结束时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；α为学习率常数，且0<α<2；e(k)为第k时刻的误差信号；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；δ(k)为时变正则化因子；(k+1)为预学习结束时刻的信号的时间样本序号。
进一步地，在所述更新时刻为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻时，所述获取步长对角矩阵更新时刻的FIR滤波器系数矢量的步骤，包括：
根据公式：获取预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为更新前的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；(k+1)为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的信号的时间样本序号，且(k+1-T0)为T1的正整数倍；T0为预学习结束时刻，T1为步长对角矩阵进行更新的预设更新周期。
进一步地，根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值的步骤，包括：
根据公式：获取衰减因子的估计值；
其中，为衰减因子的估计值；hi(k)为k时刻FIR滤波器系数矢量的第i+1个分量；hi+1(k)为k时刻FIR滤波器系数矢量的第i+2个分量；i为滤波器系数索引变量，i＝0，1，2，…，L-2，且L为滤波器系数的个数；k为步长对角矩阵更新时刻。
进一步地，所述根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵的步骤，包括：
根据公式：获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵；
其中，为ES-NLMS算法的更新后的步长对角矩阵；为步长对角矩阵主对角线上第i个元素，且α为学习率常数，且0<α<2；为衰减因子的估计值；i为滤波器系数索引变量，i＝1，2，…，L，且L为滤波器系数的个数。
进一步地，所述根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量的步骤，包括：
根据公式：获取更新后的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为ES-NLMS算法的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；k为信号的时间样本序号，且k≥T0，T0为预学习结束时刻。
进一步地，所述时变正则化因子的获取方式，包括：
获取麦克风接收信号功率；
根据所述麦克风接收信号功率，获取时变正则化因子。
进一步地，所述获取麦克风接收信号功率的步骤，包括：
根据公式：
获取麦克风接收信号功率；
其中，为第k时刻的麦克风接收信号功率；βattack和βdecay为递归常数，且0≤βattack<βdecay<1；为第k-1时刻的麦克风接收信号功率；d(k)为第k时刻麦克风接收信号；|·|为复数的取模运算符；k为信号的时间样本序号。
进一步地，所述根据所述麦克风接收信号功率，获取时变正则化因子的步骤，包括：
根据公式：获取时变正则化因子；
其中，δ(k)为第k时刻的时变正则化因子；为第k时刻的麦克风接收信号功率；δmin为预设正常数；L为滤波器系数的个数。
本发明实施例还提供一种有限冲激响应FIR滤波器系数矢量的更新装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其中，所述处理器执行所述计算机程序时实现以下步骤：
获取FIR滤波器系数矢量更新的步长对角矩阵；
根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
获取步长对角矩阵更新时刻的FIR滤波器系数矢量；
根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值；
根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵。
进一步地，在所述更新时刻为预学习结束时刻时，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取预学习结束时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；α为学习率常数，且0<α<2；e(k)为第k时刻的误差信号；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；δ(k)为时变正则化因子；(k+1)为预学习结束时刻的信号的时间样本序号。
进一步地，在所述更新时刻为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻时，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为更新前的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；(k+1)为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的信号的时间样本序号，且(k+1-T0)为T1的正整数倍；T0为预学习结束时刻，T1为步长对角矩阵进行更新的预设更新周期。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取衰减因子的估计值；
其中，为衰减因子的估计值；hi(k)为k时刻FIR滤波器系数矢量的第i+1个分量；hi+1(k)为k时刻FIR滤波器系数矢量的第i+2个分量；i为滤波器系数索引变量，i＝0，1，2，…，L-2，且L为滤波器系数的个数；k为步长对角矩阵更新时刻。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵；
其中，为ES-NLMS算法的更新后的步长对角矩阵；为步长对角矩阵主对角线上第i个元素，且α为学习率常数，且0<α<2；为衰减因子的估计值；i为滤波器系数索引变量，i＝1，2，…，L，且L为滤波器系数的个数。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取更新后的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为ES-NLMS算法的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；k为信号的时间样本序号，且k≥T0，T0为预学习结束时刻。
进一步地，所述时变正则化因子的获取方式，包括：
获取麦克风接收信号功率；
根据所述麦克风接收信号功率，获取时变正则化因子。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：
获取麦克风接收信号功率；
其中，为第k时刻的麦克风接收信号功率；βattack和βdecay为递归常数，且0≤βattack<βdecay<1；为第k-1时刻的麦克风接收信号功率；d(k)为第k时刻麦克风接收信号；|·|为复数的取模运算符；k为信号的时间样本序号。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取时变正则化因子；
其中，δ(k)为第k时刻的时变正则化因子；为第k时刻的麦克风接收信号功率；δmin为预设正常数；L为滤波器系数的个数。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述的更新方法中的步骤。
本发明实施例还提供一种有限冲激响应FIR滤波器系数矢量的更新装置，包括：
第一获取模块，用于获取FIR滤波器系数矢量更新的步长对角矩阵；
第二获取模块，用于根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量。
进一步地，所述第一获取模块用于：
根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵。
进一步地，所述第一获取模块，包括：
第一获取单元，用于获取步长对角矩阵更新时刻的FIR滤波器系数矢量；
第二获取单元，用于根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值；
第三获取单元，用于根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵。
进一步地，在所述更新时刻为预学习结束时刻时，所述第一获取单元用于：
根据公式：获取预学习结束时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；α为学习率常数，且0<α<2；e(k)为第k时刻的误差信号；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；δ(k)为时变正则化因子；(k+1)为预学习结束时刻的信号的时间样本序号。
进一步地，在所述更新时刻为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻时，所述第一获取单元用于：
根据公式：获取预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为更新前的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；(k+1)为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的信号的时间样本序号，且(k+1-T0)为T1的正整数倍；T0为预学习结束时刻，T1为步长对角矩阵进行更新的预设更新周期。
进一步地，所述第二获取单元，用于：
根据公式：获取衰减因子的估计值；
其中，为衰减因子的估计值；hi(k)为k时刻FIR滤波器系数矢量的第i+1个分量；hi+1(k)为k时刻FIR滤波器系数矢量的第i+2个分量；i为滤波器系数索引变量，i＝0，1，2，…，L-2，且L为滤波器系数的个数；k为步长对角矩阵更新时刻。
进一步地，所述第三获取单元，用于：
根据公式：获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵；
其中，为ES-NLMS算法的更新后的步长对角矩阵；为步长对角矩阵主对角线上第i个元素，且α为学习率常数，且0<α<2；为衰减因子的估计值；i为滤波器系数索引变量，i＝1，2，…，L，且L为滤波器系数的个数。
进一步地，所述第二获取模块，用于：
根据公式：获取更新后的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为ES-NLMS算法的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；k为信号的时间样本序号，且k≥T0，T0为预学习结束时刻。
进一步地，所述时变正则化因子的获取方式，包括：
获取麦克风接收信号功率；
根据所述麦克风接收信号功率，获取时变正则化因子。
进一步地，所述获取麦克风接收信号功率的方式，包括：
根据公式：
获取麦克风接收信号功率；
其中，为第k时刻的麦克风接收信号功率；βattack和βdecay为递归常数，且0≤βattack<βdecay<1；为第k-1时刻的麦克风接收信号功率；d(k)为第k时刻麦克风接收信号；|·|为复数的取模运算符；k为信号的时间样本序号。
进一步地，所述根据所述麦克风接收信号功率，获取时变正则化因子的方式，包括：
根据公式：获取时变正则化因子；
其中，δ(k)为第k时刻的时变正则化因子；为第k时刻的麦克风接收信号功率；δmin为预设正常数；L为滤波器系数的个数。
本发明的有益效果是：
上述方案，通过对步长对角矩阵进行更新，依据更新后的步长对角矩阵，进行FIR滤波器系数矢量的更新，加快了FIR滤波器系数的收敛速度，提高了采用FIR自适应滤波器技术进行的诸如回声消除与抑制、噪声与干扰消除与抑制和系统辨识等子系统或模块的整体质量。
附图说明
图1表示声学回声消除工作原理框图；
图2表示本发明实施例的FIR滤波器系数矢量的更新方法的流程图；
图3表示本发明实施例的FIR滤波器系数矢量的更新方法的详细流程示意图；
图4表示本发明实施例的FIR滤波器系数矢量的更新装置的结构示意图；
图5表示本发明实施例的FIR滤波器系数矢量的更新装置的模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
AEC的基本工作原理如图1所示，其FIR滤波器系数矢量通常是在单讲条件下根据传统的归一化最小均方误差(Normalized LMS，NLMS)算法来进行自适应迭代更新的，而在双讲的情况下，FIR滤波器系数矢量将停止更新。传统的NLMS算法可用公式一表述为：
公式一：
其中，用公式二表示为：
公式二：
其中，用公式三表示为：
公式三：
其中，e(k)用公式四表示为：
公式四：
这里，L表示FIR滤波器系数的个数，k表示信号的时间样本序号，δ为大于零的正则化因子，T表示转置运算；d(k)为麦克风接收信号，y(k)为其中的回声信号，而为回声信号的估计，n(k)为麦克风接收的环境噪声信号；α为预定的FIR滤波器系数的更新步长因子，通常设定为一个0至2之间的固定值。
ES-NLMS算法可用公式五表述为：
公式五：
其中A是一个步长对角矩阵，可用公式六表示为：
公式六：
这里αi＝α0γi-1(i＝1,…L)，γ是一个指数衰减因子(0<γ<1)。可以看出现有ES-NLMS算法可在一定程度上模拟了室内冲击响应，从而加快了算法的收敛速度。
为了使得ES-NLMS自适应学习算法具有更好的鲁棒性，在变化的通话环境中仍能保持较快的收敛速度，本发明提出了一种用于AEC的环境自适应可持续学习的ES-NLMS算法，使得FIR滤波器系数在复杂环境下特别是在双讲发生的条件下能够更快的收敛，从而提升回声消除的整体效果。本发明的主要思想是：首先应用可持续学习的NLMS算法对FIR滤波器的运行环境进行一段时间的预学习，然后根据预学习的结果(即FIR滤波器系数矢量的波形)来计算参数α0和γ，并由此构造一个步长对角矩阵应用到可持续学习的ES-NLMS算法中；此后每隔一个预定周期，均需要根据FIR滤波器系数矢量的波形来重新计算参数α0和γ，从而刷新可持续学习的ES-NLMS算法中步长对角矩阵。
可持续学习的NLMS算法采用变正则化因子的方式来克服传统NLMS算法需要双讲检测器(DTD)配合工作的缺点，从而无需DTD，由此使算法可持续性地学习。该算法可用公式七表述为：
公式七：
其中，δ(k)用公式八表示为：
公式八：
具体地，用公式九表示为：
公式九：
其中0≤βattack<βdecay<1为递归常数，d(k)为麦克风接收信号，δmin为一小正常数。0<α<2为学习率常数。
在预学习结束时刻T0，可利用FIR滤波器系数矢量(此时k为预学习结束时刻T0)来求取ES-NLMS算法的步长对角矩阵A。事实上，公式六定义的步长对角矩阵中的元素αi在数学上可用公式十表达为：
公式十：αi＝αγi-1
其中，i＝1,2，…，L。
那么衰减因子γ的估计值可由FIR滤波器的系数矢量按公式十一来计算：
公式十一：
其中，hi(k)为k时刻FIR滤波器系数矢量的第(i+1)个分量。
由此求得步长对角矩阵A的估计用公式十二表示为：
公式十二：
其中，用公式十三表示为：
公式十三：
具体地，i＝1,2，…，L。
将公式十二应用于公式七，可得环境自适应可持续学习的ES-NLMS算法如公式十四所示：
公式十四：
其中，k≥T0。
公式十四中矩阵的刷新周期(即预设更新周期)为T1，即在(当前时刻-T0)为T1的整数倍时刻，用重新估计继而刷新矩阵
根据上述描述对本发明实施例的FIR滤波器系数矢量的更新方法具体说明如下。
如图2所示，本发明实施例的FIR滤波器系数矢量的更新方法，包括：
步骤21，获取FIR滤波器系数矢量更新的步长对角矩阵；
需要说明的是，步长对角矩阵的更新方式的具体实现过程为：根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵。
步骤22，根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量。
需要说明的是，在对步长对角矩阵进行更新后，需要依据该更新后的步长对角矩阵继续获取FIR滤波器系数矢量，以此通过更新步长对角矩阵实现对FIR滤波器系数矢量的更新。
具体地，步骤21中根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵的具体实现方式为：
获取步长对角矩阵更新时刻的FIR滤波器系数矢量；
根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值；
根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵。
需要说明的是，为了实现对步长对角矩阵的更新，首先需要进行步长对角矩阵更新过程的预学习，即在预学习过程中，采用可持续学习NLMS算法的定义方式进行FIR滤波器系数矢量的获取，在预学习结束时刻(即T0时刻)获取此时刻的FIR滤波器系数矢量，根据该时刻的FIR滤波器系数矢量进行步长对角矩阵的第一次更新(即获取第一次用于更新后续FIR滤波器系数矢量的步长对角矩阵)，之后根据第一次更新的步长对角矩阵进行FIR滤波器系数矢量的计算，在到达步长对角矩阵的更新时刻时，对步长对角矩阵进行下一次更新，并利用更新后的步长对角矩阵继续进行FIR滤波器系数矢量的计算，依次循环进行，直到语音信号采集完毕。
由上述可知，更新时刻可以为预学习结束时刻，也可以为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻，在此两种情况下，FIR滤波器系数矢量的获取方式会有所不同，下面分别从这两个方面对获取步长对角矩阵更新时刻的FIR滤波器系数矢量的方式进行具体说明如下。
一、在所述更新时刻为预学习结束时刻时
具体地，所述获取步长对角矩阵更新时刻的FIR滤波器系数矢量的具体实现方式为：
根据上述公式七：获取预学习结束时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；α为学习率常数，且0<α<2；e(k)为第k时刻的误差信号；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；δ(k)为时变正则化因子；(k+1)为预学习结束时刻的信号的时间样本序号。
二、在所述更新时刻为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻时
具体地，所述获取步长对角矩阵更新时刻的FIR滤波器系数矢量的具体实现方式为：
根据上述公式十四：获取预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为更新前的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；(k+1)为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的信号的时间样本序号，且(k+1-T0)为T1的正整数倍；T0为预学习结束时刻，T1为步长对角矩阵进行更新的预设更新周期。
需要说明的是，只有在第一次更新时，使用第一种方式获取FIR滤波器系数矢量的方式，其余情况下的更新，都采用第二种方式进行FIR滤波器系数矢量的获取。
具体地，根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值的步骤，包括：
根据上述公式十一：获取衰减因子的估计值；
其中，为衰减因子的估计值；hi(k)为k时刻FIR滤波器系数矢量的第i+1个分量；hi+1(k)为k时刻FIR滤波器系数矢量的第i+2个分量；i为滤波器系数索引变量，i＝0，1，2，…，L-2，且L为滤波器系数的个数；k为步长对角矩阵更新时刻。
具体地，所述根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵的步骤，包括：
根据上述公式十二：获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵；
其中，为ES-NLMS算法的更新后的步长对角矩阵；为步长对角矩阵主对角线上第i个元素，且α为学习率常数，且0<α<2；为衰减因子的估计值；i为滤波器系数索引变量，i＝1，2，…，L，且L为滤波器系数的个数。
因后续的步长对角矩阵的更新过程与第一次更新类似，即在步长对角矩阵的更新时刻，重复利用公式十一和公式十二进行步长对角矩阵的获取，具体地，除第一次外，其余步长对角矩阵的更新时刻按照如下方式确定：将(当前时刻-T0)为T1的整数倍的时刻确定为步长对角矩阵的更新时刻，其中，T1为步长对角矩阵的预设更新周期。
具体地，在得到更新后的步长对角矩阵后，利用该步长对角矩阵获取更新后的FIR滤波器系数矢量的方式具体为：
根据上述公式十四：获取更新后的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为ES-NLMS算法的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；k≥T0，T0为预学习结束时刻。
进一步需要说明的是，上述的时变正则化因子的获取方式为：
获取麦克风接收信号功率；
根据所述麦克风接收信号功率，获取时变正则化因子。
具体地，获取麦克风接收信号功率的方式为：
根据上述公式九：
获取麦克风接收信号功率；
其中，为第k时刻的麦克风接收信号功率；βattack和βdecay为递归常数，且0≤βattack<βdecay<1；为第k-1时刻的麦克风接收信号功率；d(k)为第k时刻麦克风接收信号；|·|为复数的取模运算符。
具体地，根据所述麦克风接收信号功率，获取时变正则化因子的方式为：
根据上述公式八：获取时变正则化因子；
其中，δ(k)为第k时刻的时变正则化因子；为第k时刻的麦克风接收信号功率；δmin为预设正常数。
综上所述，如图3所示，本发明提出的一种FIR滤波器系数矢量的更新方法(即用于AEC的环境自适应时域可持续快速学习算法)的详细实现流程为：
步骤301，进行算法初始化；
具体地，此步骤，需要设置的参数如下所示：
(1)、设置参数α，δmin，FIR滤波器系数个数L，设置预学习结束时刻T0和步长对角矩阵的预设更新周期T1；
(2)、初始化滤波器系数，hi(0)＝0，i＝0,1,2,…L-1；
(3)、初始化时间序号k，k＝0。
步骤302，对FIR滤波器系数矢量进行自适应迭代预学习处理；
在此步骤中主要利用上述的公式四、公式七至公式九获取FIR滤波器系数矢量
步骤303，判断当前时刻是否大于或等于T0，若当前时刻是否大于或等于T0，则执行步骤305，否则，执行步骤304；
步骤304，执行k＝k+1操作，跳转到步骤302，继续执行对FIR滤波器系数矢量进行自适应迭代预学习处理的过程；
步骤305，判断当前时刻是否等于T0，若当前时刻等于T0，则执行步骤306；否则，执行步骤307。
步骤306，进行步长对角矩阵的估计；
在此步骤中利用公式十一至公式十三进行步长对角矩阵的第一次更新。
步骤307，判断当前时刻与T0的差值是否为T1的整数倍，若为T1的整数倍，则执行步骤308；否则，执行步骤309。
步骤308，进行步长对角矩阵的更新；
在此步骤中利用公式十一至公式十三进行步长对角矩阵的后续更新。
步骤309，对FIR滤波器系数矢量进行自适应可持续迭代；
在此步骤中主要利用上述的公式四、公式八、公式九和公式十四获取FIR滤波器系数矢量
步骤310，判断学习进程是否结束，若结束，则结束算法流程，否则执行步骤311。
步骤311，执行k＝k+1操作，跳转到步骤307，继续执行判断当前时刻与T0的差值是否为T1的整数倍的过程。
通过上述的实现过程，可以使得FIR滤波器系数矢量可及时跟踪AEC运行环境的变化。
需要说明的是，本发明实施例的该FIR滤波器系数矢量的更新方法不仅可以适用于回声抵消器(AEC)，也可应用于自适应系统辨识、自适应干扰/噪声抵消等场景。
本发明提出的这种FIR滤波器系数矢量的更新方法与已有方法相比，它具有更好的鲁棒性，可以实时跟踪通话系统中回声路径的响应的统计特性，加快了FIR滤波器系数的收敛速度，提高采用FIR自适应滤波器技术进行的诸如回声消除与抑制、噪声与干扰消除与抑制和系统辨识等子系统或模块的整体质量。
如图4所示，本发明实施例还提供一种有限冲激响应FIR滤波器系数矢量的更新装置，包括存储器41、处理器42及存储在所述存储器41上并可在所述处理器上运行的计算机程序，且所述存储器41通过总线接口43与所述处理器42连接；其中，所述处理器42执行所述计算机程序时实现以下步骤：
获取FIR滤波器系数矢量更新的步长对角矩阵；
根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
获取步长对角矩阵更新时刻的FIR滤波器系数矢量；
根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值；
根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵。
进一步地，在所述更新时刻为预学习结束时刻时，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取预学习结束时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；α为学习率常数，且0<α<2；e(k)为第k时刻的误差信号；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；δ(k)为时变正则化因子；(k+1)为预学习结束时刻的信号的时间样本序号。
进一步地，在所述更新时刻为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻时，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为更新前的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；(k+1)为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的信号的时间样本序号，且(k+1-T0)为T1的正整数倍；T0为预学习结束时刻，T1为步长对角矩阵进行更新的预设更新周期。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取衰减因子的估计值；
其中，为衰减因子的估计值；hi(k)为k时刻FIR滤波器系数矢量的第i+1个分量；hi+1(k)为k时刻FIR滤波器系数矢量的第i+2个分量；i为滤波器系数索引变量，i＝0，1，2，…，L-2，且L为滤波器系数的个数；k为步长对角矩阵更新时刻。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵；
其中，为ES-NLMS算法的更新后的步长对角矩阵；为步长对角矩阵主对角线上第i个元素，且α为学习率常数，且0<α<2；为衰减因子的估计值；i为滤波器系数索引变量，i＝1，2，…，L，且L为滤波器系数的个数。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取更新后的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为ES-NLMS算法的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；k为信号的时间样本序号，且k≥T0，T0为预学习结束时刻。
进一步地，所述时变正则化因子的获取方式，包括：
获取麦克风接收信号功率；
根据所述麦克风接收信号功率，获取时变正则化因子。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：
获取麦克风接收信号功率；
其中，为第k时刻的麦克风接收信号功率；βattack和βdecay为递归常数，且0≤βattack<βdecay<1；为第k-1时刻的麦克风接收信号功率；d(k)为第k时刻麦克风接收信号；|·|为复数的取模运算符；k为信号的时间样本序号。
进一步地，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取时变正则化因子；
其中，δ(k)为第k时刻的时变正则化因子；为第k时刻的麦克风接收信号功率；δmin为预设正常数；L为滤波器系数的个数。
本领域技术人员可以理解，实现上述实施例的全部或者部分步骤可以通过硬件来完成，也可以通过计算机程序来指示相关的硬件来完成，所述计算机程序包括执行上述方法的部分或者全部步骤的指令；且该计算机程序可以存储于一可读存储介质中，存储介质可以是任何形式的存储介质。
如图5所示，本发明实施例还提供一种有限冲激响应FIR滤波器系数矢量的更新装置50，包括：
第一获取模块51，用于获取FIR滤波器系数矢量更新的步长对角矩阵；
第二获取模块52，用于根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量。
进一步地，所述第一获取模块51用于：
根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵。
进一步地，所述第一获取模块51，包括：
第一获取单元，用于获取步长对角矩阵更新时刻的FIR滤波器系数矢量；
第二获取单元，用于根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值；
第三获取单元，用于根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵。
进一步地，在所述更新时刻为预学习结束时刻时，所述第一获取单元用于：
根据公式：获取预学习结束时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；α为学习率常数，且0<α<2；e(k)为第k时刻的误差信号；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；δ(k)为时变正则化因子；(k+1)为预学习结束时刻的信号的时间样本序号。
进一步地，在所述更新时刻为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻时，所述第一获取单元用于：
根据公式：获取预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为更新前的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；(k+1)为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的信号的时间样本序号，且(k+1-T0)为T1的正整数倍；T0为预学习结束时刻，T1为步长对角矩阵进行更新的预设更新周期。
进一步地，所述第二获取单元，用于：
根据公式：获取衰减因子的估计值；
其中，为衰减因子的估计值；hi(k)为k时刻FIR滤波器系数矢量的第i+1个分量；hi+1(k)为k时刻FIR滤波器系数矢量的第i+2个分量；i为滤波器系数索引变量，i＝0，1，2，…，L-2，且L为滤波器系数的个数；k为步长对角矩阵更新时刻。
进一步地，所述第三获取单元，用于：
根据公式：获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵；
其中，为ES-NLMS算法的更新后的步长对角矩阵；为步长对角矩阵主对角线上第i个元素，且α为学习率常数，且0<α<2；为衰减因子的估计值；i为滤波器系数索引变量，i＝1，2，…，L，且L为滤波器系数的个数。
进一步地，所述第二获取模块52，用于：
根据公式：获取更新后的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为ES-NLMS算法的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；k为信号的时间样本序号，且k≥T0，T0为预学习结束时刻。
进一步地，所述时变正则化因子的获取方式，包括：
获取麦克风接收信号功率；
根据所述麦克风接收信号功率，获取时变正则化因子。
进一步地，所述获取麦克风接收信号功率的方式，包括：
根据公式：
获取麦克风接收信号功率；
其中，为第k时刻的麦克风接收信号功率；βattack和βdecay为递归常数，且0≤βattack<βdecay<1；为第k-1时刻的麦克风接收信号功率；d(k)为第k时刻麦克风接收信号；|·|为复数的取模运算符；k为信号的时间样本序号。
进一步地，所述根据所述麦克风接收信号功率，获取时变正则化因子的方式，包括：
根据公式：获取时变正则化因子；
其中，δ(k)为第k时刻的时变正则化因子；为第k时刻的麦克风接收信号功率；δmin为预设正常数；L为滤波器系数的个数。
需要说明的是，该装置的实施例是与上述方法实施例一一对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述的FIR滤波器系数矢量的更新方法中的步骤。
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。

Claims (34)

1.一种有限冲激响应FIR滤波器系数矢量的更新方法，其特征在于，包括：
获取FIR滤波器系数矢量更新的步长对角矩阵；
根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量。
2.根据权利要求1所述的更新方法，其特征在于，所述获取FIR滤波器系数矢量更新的步长对角矩阵的步骤，包括：
根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵。
3.根据权利要求2所述的更新方法，其特征在于，所述根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵的步骤，包括：
获取步长对角矩阵更新时刻的FIR滤波器系数矢量；
根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值；
根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵。
4.根据权利要求3所述的更新方法，其特征在于，在所述更新时刻为预学习结束时刻时，所述获取步长对角矩阵更新时刻的FIR滤波器系数矢量的步骤，包括：
根据公式：获取预学习结束时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；α为学习率常数，且0<α<2；e(k)为第k时刻的误差信号；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；δ(k)为时变正则化因子；(k+1)为预学习结束时刻的信号的时间样本序号。
5.根据权利要求3所述的更新方法，其特征在于，在所述更新时刻为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻时，所述获取步长对角矩阵更新时刻的FIR滤波器系数矢量的步骤，包括：
根据公式：获取预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为更新前的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；(k+1)为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的信号的时间样本序号，且(k+1-T0)为T1的正整数倍；T0为预学习结束时刻，T1为步长对角矩阵进行更新的预设更新周期。
6.根据权利要求3所述的更新方法，其特征在于，根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值的步骤，包括：
根据公式：获取衰减因子的估计值；
其中，为衰减因子的估计值；hi(k)为k时刻FIR滤波器系数矢量的第i+1个分量；hi+1(k)为k时刻FIR滤波器系数矢量的第i+2个分量；i为滤波器系数索引变量，i＝0，1，2，…，L-2，且L为滤波器系数的个数；k为步长对角矩阵更新时刻。
7.根据权利要求3所述的更新方法，其特征在于，所述根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵的步骤，包括：
根据公式：获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵；
其中，为ES-NLMS算法的更新后的步长对角矩阵；为步长对角矩阵主对角线上第i个元素，且α为学习率常数，且0<α<2；为衰减因子的估计值；i为滤波器系数索引变量，i＝1，2，…，L，且L为滤波器系数的个数。
8.根据权利要求1所述的更新方法，其特征在于，所述根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量的步骤，包括：
根据公式：获取更新后的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为ES-NLMS算法的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；k为信号的时间样本序号，且k≥T0，T0为预学习结束时刻。
9.根据权利要求4、5或8所述的更新方法，其特征在于，所述时变正则化因子的获取方式，包括：
获取麦克风接收信号功率；
根据所述麦克风接收信号功率，获取时变正则化因子。
10.根据权利要求9所述的更新方法，其特征在于，所述获取麦克风接收信号功率的步骤，包括：
根据公式：
获取麦克风接收信号功率；
其中，为第k时刻的麦克风接收信号功率；βattack和βdecay为递归常数，且0≤βattack<βdecay<1；为第k-1时刻的麦克风接收信号功率；d(k)为第k时刻麦克风接收信号；|·|为复数的取模运算符；k为信号的时间样本序号。
11.根据权利要求9所述的更新方法，其特征在于，所述根据所述麦克风接收信号功率，获取时变正则化因子的步骤，包括：
根据公式：获取时变正则化因子；
其中，δ(k)为第k时刻的时变正则化因子；为第k时刻的麦克风接收信号功率；δmin为预设正常数；L为滤波器系数的个数。
12.一种有限冲激响应FIR滤波器系数矢量的更新装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
获取FIR滤波器系数矢量更新的步长对角矩阵；
根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量。
13.根据权利要求12所述的更新装置，其特征在于，所述计算机程序被处理器执行时还可实现如下步骤：
根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵。
14.根据权利要求13所述的更新装置，其特征在于，所述计算机程序被处理器执行时还可实现如下步骤：
获取步长对角矩阵更新时刻的FIR滤波器系数矢量；
根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值；
根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵。
15.根据权利要求14所述的更新装置，其特征在于，在所述更新时刻为预学习结束时刻时，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取预学习结束时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；α为学习率常数，且0<α<2；e(k)为第k时刻的误差信号；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；δ(k)为时变正则化因子；(k+1)为预学习结束时刻的信号的时间样本序号。
16.根据权利要求14所述的更新装置，其特征在于，在所述更新时刻为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻时，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为更新前的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；(k+1)为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的信号的时间样本序号，且(k+1-T0)为T1的正整数倍；T0为预学习结束时刻，T1为步长对角矩阵进行更新的预设更新周期。
17.根据权利要求14所述的更新装置，其特征在于，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取衰减因子的估计值；
其中，为衰减因子的估计值；hi(k)为k时刻FIR滤波器系数矢量的第i+1个分量；hi+1(k)为k时刻FIR滤波器系数矢量的第i+2个分量；i为滤波器系数索引变量，i＝0，1，2，…，L-2，且L为滤波器系数的个数；k为步长对角矩阵更新时刻。
18.根据权利要求14所述的更新装置，其特征在于，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵；
其中，为ES-NLMS算法的更新后的步长对角矩阵；为步长对角矩阵主对角线上第i个元素，且α为学习率常数，且0<α<2；为衰减因子的估计值；i为滤波器系数索引变量，i＝1，2，…，L，且L为滤波器系数的个数。
19.根据权利要求12所述的更新装置，其特征在于，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取更新后的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为ES-NLMS算法的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；k为信号的时间样本序号，且k≥T0，T0为预学习结束时刻。
20.根据权利要求15、16或19所述的更新装置，其特征在于，所述时变正则化因子的获取方式，包括：
获取麦克风接收信号功率；
根据所述麦克风接收信号功率，获取时变正则化因子。
21.根据权利要求20所述的更新装置，其特征在于，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：
获取麦克风接收信号功率；
其中，为第k时刻的麦克风接收信号功率；βattack和βdecay为递归常数，且0≤βattacK<βdecav<1；为第k-1时刻的麦克风接收信号功率；d(k)为第k时刻麦克风接收信号；|·|为复数的取模运算符；k为信号的时间样本序号。
22.根据权利要求20所述的更新装置，其特征在于，所述计算机程序被处理器执行时还可实现如下步骤：
根据公式：获取时变正则化因子；
其中，δ(k)为第k时刻的时变正则化因子；为第k时刻的麦克风接收信号功率；δmin为预设正常数；L为滤波器系数的个数。
23.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的更新方法中的步骤。
24.一种有限冲激响应FIR滤波器系数矢量的更新装置，其特征在于，包括：
第一获取模块，用于获取FIR滤波器系数矢量更新的步长对角矩阵；
第二获取模块，用于根据所述步长对角矩阵，获取更新后的FIR滤波器系数矢量。
25.根据权利要求24所述的更新装置，其特征在于，所述第一获取模块用于：
根据预学习结束时刻和预设更新周期，对用于FIR滤波器系数矢量更新的步长对角矩阵进行更新，获取更新后的步长对角矩阵。
26.根据权利要求25所述的更新装置，其特征在于，所述第一获取模块，包括：
第一获取单元，用于获取步长对角矩阵更新时刻的FIR滤波器系数矢量；
第二获取单元，用于根据步长对角矩阵更新时刻的FIR滤波器系数矢量，获取指数加权步长因子归一化最小均方ES-NLMS算法的步长对角矩阵的衰减因子的估计值；
第三获取单元，用于根据所述衰减因子的估计值，获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵。
27.根据权利要求26所述的更新装置，其特征在于，在所述更新时刻为预学习结束时刻时，所述第一获取单元用于：
根据公式：获取预学习结束时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；α为学习率常数，且0<α<2；e(k)为第k时刻的误差信号；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；δ(k)为时变正则化因子；(k+1)为预学习结束时刻的信号的时间样本序号。
28.根据权利要求26所述的更新装置，其特征在于，在所述更新时刻为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻时，所述第一获取单元用于：
根据公式：获取预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为更新前的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；(k+1)为预学习结束之后的步长对角矩阵的预设更新周期对应的时刻的信号的时间样本序号，且(k+1-T0)为T1的正整数倍；T0为预学习结束时刻，T1为步长对角矩阵进行更新的预设更新周期。
29.根据权利要求26所述的更新装置，其特征在于，所述第二获取单元，用于：
根据公式：获取衰减因子的估计值；
其中，为衰减因子的估计值；hI(k)为k时刻FIR滤波器系数矢量的第i+1个分量；hI+1(k)为k时刻FIR滤波器系数矢量的第i+2个分量；i为滤波器系数索引变量，i＝0，1，2，…，L-2，且L为滤波器系数的个数；k为步长对角矩阵更新时刻。
30.根据权利要求26所述的更新装置，其特征在于，所述第三获取单元，用于：
根据公式：获取步长对角矩阵更新时刻的ES-NLMS算法的更新后的步长对角矩阵；
其中，为ES-NLMS算法的更新后的步长对角矩阵；为步长对角矩阵主对角线上第i个元素，且α为学习率常数，且0<α<2；为衰减因子的估计值；i为滤波器系数索引变量，i＝1，2，…，L，且L为滤波器系数的个数。
31.根据权利要求24所述的更新装置，其特征在于，所述第二获取模块，用于：
根据公式：获取更新后的FIR滤波器系数矢量；
其中，为第k+1时刻的FIR滤波器系数矢量；为第k时刻的FIR滤波器系数矢量；为ES-NLMS算法的步长对角矩阵；δ(k)为时变正则化因子；为远端接收信号矢量，且x(k-n)为第k-n时刻的远端接收信号，n＝0，1，…，L-1，L为滤波器系数的个数，T为转置运算符；e(k)为第k时刻的误差信号，且y(k)为回声信号；为回声信号的估计；n(k)为麦克风接收的环境噪声信号；k为信号的时间样本序号，且K≥T0，T0为预学习结束时刻。
32.根据权利要求27、28或31所述的更新装置，其特征在于，所述时变正则化因子的获取方式，包括：
获取麦克风接收信号功率；
根据所述麦克风接收信号功率，获取时变正则化因子。
33.根据权利要求32所述的更新装置，其特征在于，所述获取麦克风接收信号功率的方式，包括：
根据公式：
获取麦克风接收信号功率；
其中，为第k时刻的麦克风接收信号功率；βattack和βdecay为递归常数，且0≤βattack<βdecay<1；为第k-1时刻的麦克风接收信号功率；d(k)为第k时刻麦克风接收信号；|·|为复数的取模运算符；k为信号的时间样本序号。
34.根据权利要求32所述的更新装置，其特征在于，所述根据所述麦克风接收信号功率，获取时变正则化因子的方式，包括：
根据公式：获取时变正则化因子；
其中，δ(k)为第k时刻的时变正则化因子；为第k时刻的麦克风接收信号功率；δmin为预设正常数；L为滤波器系数的个数。
CN201810194544.4A 2018-03-09 2018-03-09 一种有限冲激响应滤波器系数矢量的更新方法及装置 Active CN108390663B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810194544.4A CN108390663B (zh) 2018-03-09 2018-03-09 一种有限冲激响应滤波器系数矢量的更新方法及装置
PCT/CN2019/076259 WO2019170020A1 (zh) 2018-03-09 2019-02-27 有限冲激响应滤波器系数矢量的更新方法及装置
US16/978,644 US11450335B2 (en) 2018-03-09 2019-02-27 Method and device for updating coefficient vector of finite impulse response filter

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810194544.4A CN108390663B (zh) 2018-03-09 2018-03-09 一种有限冲激响应滤波器系数矢量的更新方法及装置

Publications (2)

Publication Number Publication Date
CN108390663A true CN108390663A (zh) 2018-08-10
CN108390663B CN108390663B (zh) 2021-07-02

Family

ID=63067300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810194544.4A Active CN108390663B (zh) 2018-03-09 2018-03-09 一种有限冲激响应滤波器系数矢量的更新方法及装置

Country Status (3)

Country Link
US (1) US11450335B2 (zh)
CN (1) CN108390663B (zh)
WO (1) WO2019170020A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109040499A (zh) * 2018-08-14 2018-12-18 西南交通大学 一种抗冲击干扰的自适应回声消除方法
CN109905793A (zh) * 2019-02-21 2019-06-18 电信科学技术研究院有限公司 一种风噪声抑制方法及装置
WO2019170020A1 (zh) * 2018-03-09 2019-09-12 电信科学技术研究院有限公司 有限冲激响应滤波器系数矢量的更新方法及装置
CN111525902A (zh) * 2020-06-02 2020-08-11 北京快鱼电子股份公司 一种音频限幅的方法和系统
CN111540372A (zh) * 2020-04-28 2020-08-14 北京声智科技有限公司 一种多麦克阵列降噪处理的方法及装置
CN113783551A (zh) * 2021-08-06 2021-12-10 浙江大华技术股份有限公司 滤波器系数确定方法、回声消除方法及装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11539833B1 (en) * 2020-01-10 2022-12-27 Amazon Technologies, Inc. Robust step-size control for multi-channel acoustic echo canceller
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
CN103718538A (zh) * 2011-05-17 2014-04-09 谷歌公司 用于实现声学回声消除的非线性后期处理
CN103780998A (zh) * 2012-10-23 2014-05-07 韩国电子通信研究院 消除声学回波的方法和设备、与自适应滤波系数更新方法
US20170142532A1 (en) * 2015-11-13 2017-05-18 Bose Corporation Double-Talk Detection for Acoustic Echo Cancellation
CN107749304A (zh) * 2017-09-07 2018-03-02 电信科学技术研究院 有限冲激响应滤波器系数矢量的可持续更新方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7072465B1 (en) * 1999-01-06 2006-07-04 Agere Systems, Inc. Adaptive filter for network echo cancellation
US7289557B2 (en) 2003-09-10 2007-10-30 Intel Corporation Adaptive equalization using a conditional update sign-sign least mean square algorithm
US7515704B2 (en) * 2004-01-05 2009-04-07 Telukuntla Krishna Prabhu N V R Method, apparatus and articles incorporating a step size control technique for echo signal cancellation
JP4581114B2 (ja) 2005-05-16 2010-11-17 株式会社国際電気通信基礎技術研究所 適応型ビーム形成器
EP1976122A1 (en) 2007-03-31 2008-10-01 Sony Deutschland Gmbh Adaptive filter device
US8547854B2 (en) * 2010-10-27 2013-10-01 King Fahd University Of Petroleum And Minerals Variable step-size least mean square method for estimation in adaptive networks
CN103680515B (zh) * 2013-11-21 2017-01-25 苏州大学 采用系数重用的比例自适应滤波器系数向量更新方法
US9036816B1 (en) * 2014-03-13 2015-05-19 Amazon Technologies, Inc. Frequency domain acoustic echo cancellation using filters and variable step-size updates
US10720138B2 (en) * 2017-04-24 2020-07-21 Cirrus Logic, Inc. SDR-based adaptive noise cancellation (ANC) system
US10880440B2 (en) * 2017-10-04 2020-12-29 Proactiv Audio Gmbh Echo canceller and method therefor
CN108390663B (zh) 2018-03-09 2021-07-02 电信科学技术研究院有限公司 一种有限冲激响应滤波器系数矢量的更新方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103718538A (zh) * 2011-05-17 2014-04-09 谷歌公司 用于实现声学回声消除的非线性后期处理
CN103780998A (zh) * 2012-10-23 2014-05-07 韩国电子通信研究院 消除声学回波的方法和设备、与自适应滤波系数更新方法
US20170142532A1 (en) * 2015-11-13 2017-05-18 Bose Corporation Double-Talk Detection for Acoustic Echo Cancellation
CN107749304A (zh) * 2017-09-07 2018-03-02 电信科学技术研究院 有限冲激响应滤波器系数矢量的可持续更新方法及装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019170020A1 (zh) * 2018-03-09 2019-09-12 电信科学技术研究院有限公司 有限冲激响应滤波器系数矢量的更新方法及装置
US11450335B2 (en) 2018-03-09 2022-09-20 Datang Mobile Communications Equipment Co., Ltd. Method and device for updating coefficient vector of finite impulse response filter
CN109040499A (zh) * 2018-08-14 2018-12-18 西南交通大学 一种抗冲击干扰的自适应回声消除方法
CN109040499B (zh) * 2018-08-14 2020-12-01 西南交通大学 一种抗冲击干扰的自适应回声消除方法
CN109905793A (zh) * 2019-02-21 2019-06-18 电信科学技术研究院有限公司 一种风噪声抑制方法及装置
CN111540372A (zh) * 2020-04-28 2020-08-14 北京声智科技有限公司 一种多麦克阵列降噪处理的方法及装置
CN111540372B (zh) * 2020-04-28 2023-09-12 北京声智科技有限公司 一种多麦克阵列降噪处理的方法及装置
CN111525902A (zh) * 2020-06-02 2020-08-11 北京快鱼电子股份公司 一种音频限幅的方法和系统
CN113783551A (zh) * 2021-08-06 2021-12-10 浙江大华技术股份有限公司 滤波器系数确定方法、回声消除方法及装置

Also Published As

Publication number Publication date
US11450335B2 (en) 2022-09-20
WO2019170020A1 (zh) 2019-09-12
CN108390663B (zh) 2021-07-02
US20200411029A1 (en) 2020-12-31

Similar Documents

Publication Publication Date Title
CN108390663B (zh) 一种有限冲激响应滤波器系数矢量的更新方法及装置
CN107749304B (zh) 有限冲激响应滤波器系数矢量的可持续更新方法及装置
Kuech et al. State-space architecture of the partitioned-block-based acoustic echo controller
CN105391879B (zh) 一种无回声残留双端通话鲁棒的声学回声消除方法
US5111481A (en) Dual mode LMS channel equalizer
CN111768796B (zh) 一种声学回波消除与去混响方法及装置
CN108900443B (zh) 一种水声通信中的水声信道干扰消除方法
CN106898359A (zh) 音频信号处理方法、系统、音频交互装置及计算机设备
CN102739886A (zh) 基于回声频谱估计和语音存在概率的立体声回声抵消方法
CN110191245B (zh) 一种基于时变参数的自适应回声消除方法
CN109102794A (zh) 基于凸组合的m估计成比例类仿射投影的回声消除方法
CN111028856A (zh) 一种变步长的回声消除方法
Dietzen et al. Partitioned block frequency domain Kalman filter for multi-channel linear prediction based blind speech dereverberation
CN110572525A (zh) 一种用于语音通信的自适应通信回声消除方法
CN114400017A (zh) 一种基于非线性滤波的声学回声消除方法
JP4067269B2 (ja) システム同定方法
CN107749303A (zh) 一种声学回声抵消器输出语音信号的后处理方法及装置
CN109151237B (zh) 基于零吸引的仿射投影自适应回声消除方法
CN113055787B (zh) 回声消除方法、装置、电子设备和存储介质
Malik et al. Double-talk robust multichannel acoustic echo cancellation using least-squares MIMO adaptive filtering: transversal, array, and lattice forms
CN111835383A (zh) 回音与近端串扰消除系统
Zhang et al. Adaptive inverse filtering of room acoustics
CN113345457B (zh) 一种基于贝叶斯理论的声学回声消除自适应滤波器及滤波方法
KR100545832B1 (ko) 간섭신호에 강인한 음향 반향 제거장치
CN109658950B (zh) 一种混合频域自适应算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant