CN112803921A - 自适应滤波器、方法、介质及电子设备 - Google Patents

自适应滤波器、方法、介质及电子设备 Download PDF

Info

Publication number
CN112803921A
CN112803921A CN202110391395.2A CN202110391395A CN112803921A CN 112803921 A CN112803921 A CN 112803921A CN 202110391395 A CN202110391395 A CN 202110391395A CN 112803921 A CN112803921 A CN 112803921A
Authority
CN
China
Prior art keywords
different
weight
decomposition
matrix
modes
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
CN202110391395.2A
Other languages
English (en)
Other versions
CN112803921B (zh
Inventor
罗开清
俞鸣园
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.)
Zhejiang Huachuang Video Signal Technology Co Ltd
Original Assignee
Zhejiang Huachuang Video Signal Technology 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 Zhejiang Huachuang Video Signal Technology Co Ltd filed Critical Zhejiang Huachuang Video Signal Technology Co Ltd
Priority to CN202110391395.2A priority Critical patent/CN112803921B/zh
Publication of CN112803921A publication Critical patent/CN112803921A/zh
Application granted granted Critical
Publication of CN112803921B publication Critical patent/CN112803921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本公开涉及一种自适应滤波器、方法、介质及电子设备，属于信号处理技术领域，不仅能够消除回声，而且还能够有效地平衡计算复杂度和收敛速度。一种自适应滤波方法，包括：利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换，得到不同的权重分解向量；利用所述不同的权重分解向量构建不同的权重迭代方式；利用所述不同的权重迭代方式对所述权重矩阵进行更新；利用更新后的权重矩阵对采集到的回声信号进行自适应滤波。

Description

自适应滤波器、方法、介质及电子设备
技术领域
本公开涉及信号处理技术领域，具体地，涉及一种自适应滤波器、方法、介质及电子设备。
背景技术
在现实生活中，当人们使用手机开启免提电话或视频会议终端以进行视频会议时，由于扬声器的外放会导致扬声器播放的声音再次被麦克风采集到，从而导致回声问题。通常来说，回声信号会严重影响通话质量和降低语音识别的准确性，因此需要采用自适应滤波器对产生的回声进行消除。目前常用的自适应滤波器算法（也即回声消除算法）一般是归一化最小均方（Normalized Least Mean Square，NLMS）算法、最小均方（Least MeanSquare，LMS）算法等自适应算法。然而，普通的NLMS算法虽然计算速度快但是收敛速度慢，而RLS算法虽然收敛速度快但计算效率高。
发明内容
本公开的目的是提供一种自适应滤波器、方法、介质及电子设备，不仅能够消除回声，而且还能够有效地平衡计算复杂度和收敛速度。
根据本公开的第一实施例，提供一种自适应滤波方法，包括：利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换，得到不同的权重分解向量；利用所述不同的权重分解向量构建不同的权重迭代方式；利用所述不同的权重迭代方式对所述权重矩阵进行更新；利用更新后的权重矩阵对采集到的回声信号进行自适应滤波。
可选地，所述利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换，得到不同的权重分解向量，通过下述公式来实现：
Figure 175784DEST_PATH_IMAGE001
其中，
Figure 472904DEST_PATH_IMAGE002
为第n时刻的权重矩阵；D为经验系数；
Figure 554779DEST_PATH_IMAGE003
和
Figure 304561DEST_PATH_IMAGE004
分别为所述不 同分解方式的特征矩阵；
Figure 681315DEST_PATH_IMAGE005
和
Figure 895259DEST_PATH_IMAGE006
分别为第n时刻的所述不同的权重分解向量。
可选地，所述初始化的权重矩阵为随机矩阵或单位矩阵。
可选地，所述不同分解方式的特征矩阵为奇异值分解矩阵。
可选地，所述利用所述不同的权重分解向量构建不同的权重迭代方式，通过以下公式来实现：
Figure 332057DEST_PATH_IMAGE007
其中，e(n)为第n时刻、所述采集到的回声信号与目标回声信号之间的误差信号；e 1 (n)和e 2 (n)分别是第n时刻对应于所述不同的权重分解向量的误差信号；y(n)为第n时刻 的所述采集到的回声信号；
Figure 100293DEST_PATH_IMAGE008
和
Figure 15159DEST_PATH_IMAGE009
分别是第n时刻的所述不同的权重分解向量 的转置；x i (n)为第n时刻的参考信号，i=1,2，该参考信号是由原始的参考信号x(n)经过所 述特征矩阵变换得来的；d=1,…,D；
Figure 349188DEST_PATH_IMAGE010
为克罗内克乘；
Figure 691308DEST_PATH_IMAGE011
为长度为L i 的单位矩阵，其中，L 1 ×L 2=N，N为
Figure 475069DEST_PATH_IMAGE012
的长度。
可选地，所述利用所述不同的权重迭代方式对所述权重矩阵进行更新，通过下述公式实现：
Figure 193626DEST_PATH_IMAGE013
其中，
Figure 382162DEST_PATH_IMAGE014
和
Figure 160762DEST_PATH_IMAGE015
分别是第n+1时刻的权重矩阵；μ是自适应滤波器 更新步长。
根据本公开的第二实施例，提供一种自适应滤波器，包括：转换模块，用于利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换，得到不同的权重分解向量；构建模块，用于利用所述不同的权重分解向量构建不同的权重迭代方式；更新模块，用于利用所述不同的权重迭代方式对所述权重矩阵进行更新；滤波模块，用于利用更新后的权重矩阵对采集到的回声信号进行自适应滤波。
可选地，所述转换模块利用以下公式得到所述不同的权重分解向量：
Figure 434748DEST_PATH_IMAGE001
其中，
Figure 691417DEST_PATH_IMAGE002
为第n时刻的权重矩阵；D为经验系数；
Figure 39DEST_PATH_IMAGE003
和
Figure 683961DEST_PATH_IMAGE004
分别为所述不 同分解方式的特征矩阵；
Figure 179665DEST_PATH_IMAGE005
和
Figure 240025DEST_PATH_IMAGE006
分别为第n时刻的所述不同的权重分解向量。
可选地，所述初始化的权重矩阵为随机矩阵或单位矩阵。
可选地，所述不同分解方式的特征矩阵为奇异值分解矩阵。
可选地，所述构建模块通过以下公式来构建所述不同的权重迭代方式：
Figure 137573DEST_PATH_IMAGE007
其中，e(n)为第n时刻、所述采集到的回声信号与目标回声信号之间的误差信号；e 1 (n)和e 2 (n)分别是第n时刻对应于所述不同的权重分解向量的误差信号；y(n)为第n时刻 的所述采集到的回声信号；
Figure 983608DEST_PATH_IMAGE008
和
Figure 232187DEST_PATH_IMAGE009
分别是第n时刻的所述不同的权重分解向量 的转置；x i (n)为第n时刻的参考信号，i=1,2，该参考信号是由原始的参考信号x(n)经过所 述特征矩阵变换得来的；d=1,…,D；
Figure 830658DEST_PATH_IMAGE010
为克罗内克乘；
Figure 582714DEST_PATH_IMAGE011
为长度为L i 的单位矩阵，其中，L 1 ×L 2=N，N为
Figure 608438DEST_PATH_IMAGE012
的长度。
可选地，所述利用所述不同的权重迭代方式对所述权重矩阵进行更新，通过下述公式实现：
Figure 344313DEST_PATH_IMAGE013
其中，
Figure 746476DEST_PATH_IMAGE014
和
Figure 618617DEST_PATH_IMAGE015
分别是第n+1时刻的权重矩阵；μ是自适应滤波器 更新步长。
根据本公开的第三实施例，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开第一实施例所述方法的步骤。
根据本公开的第四实施例，提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现根据本公开第一实施例所述方法的步骤。
通过采用上述技术方案，通过利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换得到不同的权重分解向量，从而将现有的自适应滤波设计准则转化成至少两个独立的子设计准则，也即，将自适应滤波器的需要估计的权重矩阵转换成利用两个不同的权重迭代方式进行估计，因此不仅能够消除回声，而且还能够有效地平衡计算复杂度和收敛速度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开一种实施例的自适应滤波方法的流程图。
图2是根据本公开一种实施例的自适应滤波器的示意框图。
图3是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据本公开一种实施例的自适应滤波方法的流程图。如图1所示，该方法包括以下步骤S11至S14。
在步骤S11中，利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换，得到不同的权重分解向量。
初始化的权重矩阵可以为随机矩阵或单位矩阵。
不同分解方式的特征矩阵可以为奇异值分解矩阵或者其它类型的特征矩阵，只要能够实现权重矩阵的转换即可，也即只要能够将权重矩阵转换成不同的权重分解向量即可。
在步骤S12中，利用不同的权重分解向量构建不同的权重迭代方式。
在步骤S13中，利用不同的权重迭代方式对权重矩阵进行更新。
在步骤S14中，利用更新后的权重矩阵对采集到的回声信号进行自适应滤波。
这里，采集到的回声信号指的是在免提电话、视频会议等场景中利用麦克风采集到的扬声器外放的音频信号。
通过采用上述技术方案，通过利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换得到不同的权重分解向量，从而将现有的自适应滤波设计准则转化成至少两个独立的子设计准则，也即，将自适应滤波器的需要估计的权重矩阵转换成利用两个不同的权重迭代方式进行估计，因此不仅能够消除回声，而且还能够有效地平衡计算复杂度和收敛速度。
自适应滤波器需要输入两个信号，一个称为参考信号，一个称为输入信号（也即采集到的回声信号）。自适应滤波的目的是要把输入信号中关于参考信号的那部分消除掉。由于参考信号经过环境的传播会有一些衰减，所以无法直接使用两者相减的方式来进行，这也是自适应滤波的作用。
自适应滤波的本质在于寻找一个有限脉冲响应（也即自适应滤波器需要估计的权重矩阵），使得该有限脉冲响应与参考信号卷积，得到采集到的回声信号与目标回声信号之间的差最小，也即：
Figure 80822DEST_PATH_IMAGE016
（1）
其中，y(n)为第n时刻的采集到的回声信号；d(n)为第n时刻的目标回声信号；
Figure 38414DEST_PATH_IMAGE017
为第n时刻的权重矩阵；N为
Figure 978688DEST_PATH_IMAGE002
的长度；x(n)为参考信号。
通常可以采用LMS算法、NLMS算法等对自适应滤波器的需要估计的权重矩阵进行估计。以LMS算法为例，则：
Figure 702406DEST_PATH_IMAGE018
(2)
Figure 601092DEST_PATH_IMAGE019
(3)
其中，e(n)为第n时刻的误差信号，该误差信号是采集到的回声信号与目标回声信 号之间的误差；μ是自适应滤波器更新步长；
Figure 780400DEST_PATH_IMAGE020
为第n+1时刻的权重矩阵。μ的取值 可以根据实际情况进行选择，例如可以为0.21或者其他数值。
利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换，就能够得到不同的权重分解向量，也即利用下式进行转换：
Figure 524365DEST_PATH_IMAGE021
（4）
其中，
Figure 371099DEST_PATH_IMAGE002
为第n时刻的权重矩阵；D为经验系数，例如可以为2或者其他数值；
Figure 909527DEST_PATH_IMAGE003
和
Figure 107291DEST_PATH_IMAGE004
分别为不同分解方式的特征矩阵，该特征矩阵可以是随机矩阵，其最终会 变成一个块对角形式的稀疏矩阵，其中块对角上为
Figure 389367DEST_PATH_IMAGE022
，i=1,2；
Figure 90607DEST_PATH_IMAGE005
和
Figure 65516DEST_PATH_IMAGE006
分别 为第n时刻的不同的权重分解向量。通过公式（4）的转换，就能够得到不同的权重分解向量， 进而就能够得到不同的权重迭代方式，使得能够利用不同的权重迭代方式对自适应滤波器 的权重矩阵进行迭代。
将式（4）代入到式（2），则，误差信号可以转换为以下两个不同的权重迭代方式：
Figure 219417DEST_PATH_IMAGE023
（5）
Figure 305185DEST_PATH_IMAGE024
（6）
其中：
Figure 270385DEST_PATH_IMAGE025
（7）
Figure 822721DEST_PATH_IMAGE026
（8）
其中，x i (n)为第n时刻的参考信号，i=1,2，该参考信号是由原始的参考信号x(n) 经过特征矩阵变换得来的；d=1,…,D；
Figure 463918DEST_PATH_IMAGE010
为克罗内克乘；
Figure 87797DEST_PATH_IMAGE011
为长度为L i 的单位矩阵，其中，L 1×L 2=N，N为
Figure 763629DEST_PATH_IMAGE012
的长度；e 1 (n)和e 2 (n)分别是第n时刻对应于不同的权重分解向量的误 差信号；
Figure 814762DEST_PATH_IMAGE008
和
Figure 208834DEST_PATH_IMAGE009
分别是第n时刻的不同的权重分解向量的转置。
最后，根据式（3），自适应滤波器的权重矩阵迭代可以转换为：
Figure 633474DEST_PATH_IMAGE027
（9）
Figure 508021DEST_PATH_IMAGE028
（10）
其中，
Figure 933317DEST_PATH_IMAGE014
和
Figure 549106DEST_PATH_IMAGE015
分别是第n+1时刻的权重矩阵。
得到了第n+1时刻的权重矩阵之后，将式（9）、（10）代入式（5）、（6）中，就可以计算得到下一时刻的误差信号。如此循环，就可以不断地更新自适应滤波器的权重矩阵。
通过采用上述技术方案，通过将待估计的权重矩阵转换成不同的权重分解向量，就能够将自适应滤波器的需要估计的权重矩阵转换成利用两个不同的权重迭代方式进行估计，因此可以加快整个算法的收敛速度，而通过设置不同的经验参数D，则可以调控自适应滤波器的计算复杂度与收敛速度之间的平衡性，因此，根据本公开实施例的自适应滤波方法不仅能够消除回声，而且还能够有效地平衡计算复杂度和收敛速度。
图2是根据本公开一种实施例的自适应滤波器的示意框图。如图2所示，该自适应滤波器包括：转换模块21，用于利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换，得到不同的权重分解向量；构建模块22，用于利用所述不同的权重分解向量构建不同的权重迭代方式；更新模块23，用于利用不同的权重迭代方式对权重矩阵进行更新；滤波模块24，用于利用更新后的权重矩阵对采集到的回声信号进行自适应滤波。
通过采用上述技术方案，通过利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换得到不同的权重分解向量，从而将现有的自适应滤波设计准则转化成至少两个独立的子设计准则，也即，将自适应滤波器的需要估计的权重矩阵转换成利用两个不同的权重迭代方式进行估计，因此不仅能够消除回声，而且还能够有效地平衡计算复杂度和收敛速度。
可选地，所述转换模块21利用以下公式得到所述不同的权重分解向量：
Figure 514788DEST_PATH_IMAGE001
其中，
Figure 899633DEST_PATH_IMAGE002
为第n时刻的权重矩阵；D为经验系数；
Figure 572796DEST_PATH_IMAGE003
和
Figure 675881DEST_PATH_IMAGE004
分别为所述不 同分解方式的特征矩阵；
Figure 179675DEST_PATH_IMAGE005
和
Figure 153447DEST_PATH_IMAGE006
分别为第n时刻的所述不同的权重分解向量。
可选地，所述初始化的权重矩阵为随机矩阵或单位矩阵。
可选地，所述不同分解方式的特征矩阵为奇异值分解矩阵。
可选地，所述构建模块22通过以下公式来构建不同的权重迭代方式：
Figure 717283DEST_PATH_IMAGE007
其中，e(n)为第n时刻、所述采集到的回声信号与目标回声信号之间的误差信号；e 1 (n)和e 2 (n)分别是第n时刻对应于所述不同的权重分解向量的误差信号；y(n)为第n时刻 的所述采集到的回声信号；
Figure 307665DEST_PATH_IMAGE008
和
Figure 615149DEST_PATH_IMAGE009
分别是第n时刻的所述不同的权重分解向量 的转置；x i (n)为第n时刻的参考信号，i=1,2，该参考信号是由原始的参考信号x(n)经过所 述特征矩阵变换得来的；d=1,…,D；
Figure 240166DEST_PATH_IMAGE010
为克罗内克乘；
Figure 240483DEST_PATH_IMAGE011
为长度为L i 的单位矩阵，其中，L 1 ×L 2=N，N为
Figure 318160DEST_PATH_IMAGE012
的长度。
可选地，所述利用所述不同的权重迭代方式对所述权重矩阵进行更新，通过下述公式实现：
Figure 691985DEST_PATH_IMAGE013
其中，
Figure 46874DEST_PATH_IMAGE014
和
Figure 218093DEST_PATH_IMAGE015
分别是第n+1时刻的权重矩阵；μ是自适应滤波器 更新步长。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图3是根据一示例性实施例示出的一种电子设备700的框图。如图3所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出（I/O）接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的自适应滤波方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器（Static Random Access Memory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，简称EPROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），只读存储器（Read-Only Memory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信（Near FieldCommunication，简称NFC），2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路（Application Specific Integrated Circuit，简称ASIC）、数字信号处理器（DigitalSignal Processor，简称DSP）、数字信号处理设备（Digital Signal Processing Device，简称DSPD）、可编程逻辑器件（Programmable Logic Device，简称PLD）、现场可编程门阵列（Field Programmable Gate Array，简称FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的自适应滤波方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的自适应滤波方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的自适应滤波方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种自适应滤波方法，其特征在于，包括：
利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换，得到不同的权重分解向量；
利用所述不同的权重分解向量构建不同的权重迭代方式；
利用所述不同的权重迭代方式对所述权重矩阵进行更新；
利用更新后的权重矩阵对采集到的回声信号进行自适应滤波。
2.根据权利要求1所述的方法，其特征在于，所述利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换，得到不同的权重分解向量，通过下述公式来实现：
Figure 981659DEST_PATH_IMAGE001
其中，
Figure 630946DEST_PATH_IMAGE002
为第n时刻的权重矩阵；D为经验系数；
Figure 964976DEST_PATH_IMAGE003
和
Figure 572675DEST_PATH_IMAGE004
分别为所述不同分 解方式的特征矩阵；
Figure 359365DEST_PATH_IMAGE005
和
Figure 812343DEST_PATH_IMAGE006
分别为第n时刻的所述不同的权重分解向量。
3.根据权利要求1所述的方法，其特征在于，所述初始化的权重矩阵为随机矩阵或单位矩阵。
4.根据权利要求1所述的方法，其特征在于，所述不同分解方式的特征矩阵为奇异值分解矩阵。
5.根据权利要求2所述的方法，其特征在于，所述利用所述不同的权重分解向量构建不同的权重迭代方式，通过以下公式来实现：
Figure 879DEST_PATH_IMAGE007
其中，e(n)为第n时刻、所述采集到的回声信号与目标回声信号之间的误差信号；e 1 (n) 和e 2 (n)分别是第n时刻对应于所述不同的权重分解向量的误差信号；y(n)为第n时刻的所 述采集到的回声信号；
Figure 510970DEST_PATH_IMAGE008
和
Figure 50536DEST_PATH_IMAGE009
分别是第n时刻的所述不同的权重分解向量的转 置；x i (n)为第n时刻的参考信号，i=1,2，该参考信号是由原始的参考信号x(n)经过所述特 征矩阵变换得来的；d=1,…,D；
Figure 307205DEST_PATH_IMAGE010
为克罗内克乘；
Figure 615827DEST_PATH_IMAGE011
为长度为L i 的单位矩阵，其中，L 1×L 2=N，N为
Figure 299749DEST_PATH_IMAGE012
的长度。
6.根据权利要求5所述的方法，其特征在于，所述利用所述不同的权重迭代方式对所述权重矩阵进行更新，通过下述公式实现：
Figure 795452DEST_PATH_IMAGE013
其中，
Figure 855812DEST_PATH_IMAGE014
和
Figure 753361DEST_PATH_IMAGE015
分别是第n+1时刻的权重矩阵；μ是自适应滤波器更新 步长。
7.一种自适应滤波器，其特征在于，包括：
转换模块，用于利用不同分解方式的特征矩阵对初始化的权重矩阵进行转换，得到不同的权重分解向量；
构建模块，用于利用所述不同的权重分解向量构建不同的权重迭代方式；
更新模块，用于利用所述不同的权重迭代方式对所述权重矩阵进行更新；
滤波模块，用于利用更新后的权重矩阵对采集到的回声信号进行自适应滤波。
8.根据权利要求7所述的自适应滤波器，其特征在于，所述转换模块利用以下公式得到所述不同的权重分解向量：
Figure 608184DEST_PATH_IMAGE001
其中，
Figure 856763DEST_PATH_IMAGE002
为第n时刻的权重矩阵；D为经验系数；
Figure 455235DEST_PATH_IMAGE003
和
Figure 210220DEST_PATH_IMAGE004
分别为所述不同分 解方式的特征矩阵；
Figure 767103DEST_PATH_IMAGE005
和
Figure 237399DEST_PATH_IMAGE006
分别为第n时刻的所述不同的权重分解向量。
9.一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，该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。
CN202110391395.2A 2021-04-13 2021-04-13 自适应滤波器、方法、介质及电子设备 Active CN112803921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110391395.2A CN112803921B (zh) 2021-04-13 2021-04-13 自适应滤波器、方法、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110391395.2A CN112803921B (zh) 2021-04-13 2021-04-13 自适应滤波器、方法、介质及电子设备

Publications (2)

Publication Number Publication Date
CN112803921A true CN112803921A (zh) 2021-05-14
CN112803921B CN112803921B (zh) 2021-09-07

Family

ID=75816899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110391395.2A Active CN112803921B (zh) 2021-04-13 2021-04-13 自适应滤波器、方法、介质及电子设备

Country Status (1)

Country Link
CN (1) CN112803921B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4219611B2 (ja) * 2002-05-01 2009-02-04 独立行政法人理化学研究所 雑音除去システムおよび雑音除去方法
CN102281045A (zh) * 2011-04-15 2011-12-14 深圳大学 一种构建子带自适应滤波器方法
JP2013113866A (ja) * 2011-11-25 2013-06-10 Nippon Telegr & Teleph Corp <Ntt> 残響除去方法、残響除去装置、プログラム
CN104825157A (zh) * 2015-05-14 2015-08-12 中国科学院上海微系统与信息技术研究所 运动状态下监/检测心电信号的运动干扰移除方法
CN105070296A (zh) * 2015-07-10 2015-11-18 西南交通大学 一种活性因子集员成比例子带自适应回声消除方法
CN105575397A (zh) * 2014-10-08 2016-05-11 展讯通信（上海）有限公司 语音降噪方法及语音采集设备
CN105871356A (zh) * 2016-03-23 2016-08-17 西安交通大学 基于最大混合互相关熵准则的自适应滤波方法
CN105306010B (zh) * 2015-11-10 2017-04-26 西安交通大学 一种基于最小误差熵的凸组合自适应滤波方法
CN111988708A (zh) * 2020-09-03 2020-11-24 昆腾微电子股份有限公司 一种基于单麦克风的啸叫抑制方法及装置
CN112037811A (zh) * 2020-09-04 2020-12-04 四川大学 一种函数连接型自适应非线性回声消除方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4219611B2 (ja) * 2002-05-01 2009-02-04 独立行政法人理化学研究所 雑音除去システムおよび雑音除去方法
CN102281045A (zh) * 2011-04-15 2011-12-14 深圳大学 一种构建子带自适应滤波器方法
JP2013113866A (ja) * 2011-11-25 2013-06-10 Nippon Telegr & Teleph Corp <Ntt> 残響除去方法、残響除去装置、プログラム
CN105575397A (zh) * 2014-10-08 2016-05-11 展讯通信（上海）有限公司 语音降噪方法及语音采集设备
CN104825157A (zh) * 2015-05-14 2015-08-12 中国科学院上海微系统与信息技术研究所 运动状态下监/检测心电信号的运动干扰移除方法
CN105070296A (zh) * 2015-07-10 2015-11-18 西南交通大学 一种活性因子集员成比例子带自适应回声消除方法
CN105306010B (zh) * 2015-11-10 2017-04-26 西安交通大学 一种基于最小误差熵的凸组合自适应滤波方法
CN105871356A (zh) * 2016-03-23 2016-08-17 西安交通大学 基于最大混合互相关熵准则的自适应滤波方法
CN111988708A (zh) * 2020-09-03 2020-11-24 昆腾微电子股份有限公司 一种基于单麦克风的啸叫抑制方法及装置
CN112037811A (zh) * 2020-09-04 2020-12-04 四川大学 一种函数连接型自适应非线性回声消除方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MAHFOUD HAMIDIA; ABDERRAHMANE AMROUCHE: "Double-talk detection using the singular value decomposition for acoustic echo cancellation", 《 2013 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 *
万建伟，王玲编著: "《信号处理仿真技术》", 31 March 2008, 国防科技大学出版社 *
黄福艺: "组合步长自适应滤波理论与方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112803921B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
WO2017116532A1 (en) An acoustic keystroke transient canceler for communication terminals using a semi-blind adaptive filter model
KR102190833B1 (ko) 에코 억제
WO2014194009A1 (en) Echo removal
Albu et al. Pseudo-affine projection algorithms for multichannel active noise control
Tran et al. Proportionate NLMS for adaptive feedback control in hearing aids
Gil-Cacho et al. Nonlinear acoustic echo cancellation based on a parallel-cascade kernel affine projection algorithm
CN112863532A (zh) 回音抑制装置、回音抑制方法以及存储介质
CN112803921B (zh) 自适应滤波器、方法、介质及电子设备
Wang et al. Affine projection algorithm based on least mean fourth algorithm for system identification
CN105491256A (zh) 一种声学回声消除器启动阶段稳健的步长调整方法
Tran et al. Acoustic feedback cancellation in hearing aids using two microphones employing variable step size affine projection algorithms
CN111370016B (zh) 一种回声消除方法及电子设备
Munjal et al. RLS algorithm for acoustic echo cancellation
CN113488066B (zh) 音频信号处理方法、音频信号处理装置及存储介质
JP2023024338A (ja) 制御パラメータを用いた音響エコーキャンセル
KR20220157475A (ko) 반향 잔류 억제
JP2005198093A (ja) 音声処理装置、音声処理方法および音声処理プログラム
WO2023093292A1 (zh) 一种多通道回声消除方法和相关装置
Kotte Performance Analysis of Adaptive Algorithms based on different parameters Implemented for Acoustic Echo Cancellation in Speech Signals
Okhassov et al. Cost-Effective Proportionate Affine Projection Algorithm with Variable Parameters for Acoustic Feedback Cancellation
US20230051021A1 (en) Apparatus, Methods and Computer Programs for Performing Acoustic Echo Cancellation
CN118138690B (zh) 用于电话通信的鲁棒回声抵消方法与系统
Carline et al. An Investigation on Adaptive Algorithms for Echo Cancellation of Acoustic Signals
Yin et al. Nonlinear acoustic echo cancellation based on pipelined Hermite filters
CN114615382A (zh) 通话回声处理方法、系统、存储介质及电子设备

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