自适应噪声抵消（共5篇）
自适应噪声抵消 篇1
摘要：该文以语音信号为对象进行噪声抵消研究。首先对自适应噪声抵消(ANC)系统的基本原理进行了阐述;而后分别对基于LMS(最小均方)、NLMS(归一化最小均方)、RLS(递归最小二乘)、BP(误差反向传播神经网络)算法的自适应噪声抵消系统进行MATLAB仿真,发现LMS算法去噪效果较好、但迭代次数多,不能满足语音通信的实时性及高质量语音的要求。而训练函数为trainrp的BP算法去噪能力最好,可应用于语音质量要求高的去噪;训练函数为traincgf的BP算法收敛速度最快,可应用于抢险救灾、处突维稳等任务的实时语音去噪。
关键词：语音信号,自适应噪声抵消,LMS算法,NLMS算法,BP算法
1 引言
噪声消除是信号处理的核心问题之一。通常实现最优滤波的滤波器为维纳滤波器与卡尔曼滤波器;其要求预先知道信号和噪声的先验统计特性,而在现实中这往往是无法预知的。为此,不需预知信号和噪声统计特性的自适应滤波技术得以发展。1965年,美国斯坦福大学建成了世界上首个自适应噪声抵消(ANC)系统;随着计算机技术与集成电路技术的进步,新的自适应算法不断涌现,自适应噪声抵消在理论和应用上得到了很大发展。
自适应噪声抵消技术是一种有效消除噪声影响的信号处理技术;在未知外界干扰源特征、传递途径不断变化以及噪声和对象波形相似的情况下,通过自适应算法自动调节滤波器参数,有效消除外界声源干扰,获得高信噪比的对象信号。ANC系统的基本要求是其两路输入噪声必须统计相关;在现实中,噪声通道大多非常复杂,具有非线性;当两路输入噪声非线性相关时,传统的ANC系统(基于LMS、NLMS、RLS算法)去噪能力很难保证,甚至使对象信号失真。为此,必须寻求一种有效应对非线性相关的自适应噪声抵消方法。
神经网络是由大量处理单元广泛互联而成的复杂网络,它采用大规模并行处理,信息存储在神经元之间的连接上,存储区和操作区合二为一;它具有很强的自适应、自学习、鲁棒性、容错能力和非线性映射能力。激活函数为Sigmoid的多层前向神经网络能够以任意精度实现非线性函数逼近,实现对噪声非线性的模拟。
本文以语音信号为对象进行去噪研究;分别对基于LMS、NLMS、RLS、BP算法的ANC系统进行仿真,仿真结果表明基于BP算法的ANC系统去噪能力明显优于传统的ANC系统,具有收敛速度快、实时性好、去噪能力强、稳定性高等优点;可应用于各种应急突发事件的即时语音去噪。
2 噪声抵消系统的基本原理
2.1 自适应噪声抵消系统基本原理
自适应噪声抵消系统除了需要原始输入外,还需一个与原始输入中噪声相关的参考输入,以便抵消原始输入中的噪声,还原出有用信号。典型的自适应噪声抵消系统如图1所示:
其中原始输入是有用信号与噪声的叠加,参考输入是与噪声相关的,通过参数可调滤波器得到的输出信号与原始输入相减,将原始输入中的噪声消除,这样误差信号就变成有用信号,从而达到噪声消除的目的。
假设和不相关,那么,,相关,则自适应噪声抵消系统的输出为:
将式(1-1)两边取平方得:
将式((11--22))两边取数学期望得::
因为与不相关,则;将其带入式(1-3)可得:
当调节自适应滤波器使最小时,有用信号的功率不受影响,则相应的最小功率与的功率值有关即
所以当滤波器为参考输入噪声的最佳估计时,最小,噪声能够得到最大程度的抵消。
输出通常由有用信号和残余噪声两部分构成,由式(1-1)可知,残余噪声与的值有关,要使最小,有用信号功率保持不变,那么应使的功率最小,当其达到最小时,输出噪声功率也达到最小,那么输出信噪比达到最大,且,则此时,输出信号完全是有用信号,不包含任何噪声。
如果参考输入与原始输入不相关,输出也不相关,那么,则系统的输出功率表达式为:
要使系统输出功率最小,则必须最小,而只有当滤波器的所有权值都为0时,最小为0,但这样滤波器相当于“自行关闭”失去了滤波的作用。因此,自适应干扰抵消系统的基本要求是其两路输入噪声必须统计相关,否则就无法去噪。
2.2基于神经网络的自适应噪声抵消系统基本原理
基于神经网络的自适应噪声抵消系统如图2所示;由于环境的复杂性,叠加在输入信号上的噪声经过实际环境,往往是非线性的,所以利用来模拟实际中噪声所经过的通道。为了获得噪声,必须辨识出,实质就是获得自适应神经网络,使得在获得噪声源的条件下,自适应神经网络无限逼近。此时就无限逼近于原始输入中的噪声。由于一般无法获得,而为的叠加,且与不相关,所以利用替代对网络进行训练,完成对噪声通道的模拟;而后采取即可达到噪声抵消目的。
3 语音信号的自适应噪声抵消仿真研究
首先录入一段时长16 秒的语音信号,保存为.wav文件作为期望信号;利用randn函数生成一段随机噪声作为参考输入,将语音信号和噪声相混叠作为原始输入;而后依次调用LMS、NLMS、RLS和BP算法程序进行MATLAB仿真研究。
这里将基于LMS、NLMS、RLS算法的实验条件设置为:滤波器阶数:800,步长因子:0.001;基于BP算法的实验条件设置为:训练更新次数:10,最大训练次数:1000,期望误差:0.001,学习速率:0.001,输入层传递函数:tansig,隐层传递函数:logsig,输出层传递函数:purelin。
3.1 基于LMS算法的自适应噪声抵消
经LMS算法噪声抵消后,信号时、频域仿真结果如图3 至图6所示。
仿真结果: LMS算法经过800次迭代,趋于稳定;时域上存在少量“拖尾”,频谱差异较小;通过sound函数,开始存在一小段杂音,之后话音质量较清晰;仿真时长23.188秒。
3.2 基于NLMS算法的自适应噪声抵消
经NLMS算法噪声抵消后,信号时、频域仿真结果如图7至图8所示。
仿真结果: NLMS算法经过800 次迭代,趋于稳定;从时域“拖尾”现象明显,波形、频谱差异大,通过sound函数,话音浑浊,杂音大;仿真时长33.211秒。
3.3 基于RLS算法的自适应噪声抵消
经RLS算法噪声抵消后,信号时、频域仿真结果如图9 至图10所示。
仿真结果: RLS算法经过800 次迭代,趋于稳定;时域0 点附近有微量振幅、频域趋为0,通过sound函数,听不到一点声音,去噪效果最差;仿真时长6007.599秒。
3.4 基于BP算法的自适应噪声抵消
构建BP神经网络前,首先要确定隐层结点数。文献提出一个经验公式(q为隐层结点数,m为输入层结点数,n为输出层结点数,a为常数,范围[110])。本实验中,,取,将隐层结点数在3的邻域内变动,逐一学习直至隐层结点数达到最佳值,最终学习结果为4,于是我们构造一个1-4-1的BP神经网络。接着分别调用训练函数为traingdm(动量梯度下降法)、traingd(标准BP算法)、traingda(自适应学习算法)、trainrp(弹性BP算法)、traincgf(共轭梯度算法)的BP算法进行仿真研究。
3.4.1 训练函数为traingdm的BP算法
经训练函数为traingdm的BP算法噪声抵消后,频域仿真结果如图11,均方误差如图12所示。
仿真结果: 训练函数为traindm的BP算法经过1000 次迭代,才逼近零点;其波形、频谱差异大,通过sound函数,话音浑浊,杂音大;仿真时长760秒。
3.4.2 训练函数为traingd的BP算法
经训练函数为traingd的BP算法噪声抵消后,频域仿真结果如图13,均方误差如图14所示。
仿真结果: 训练函数为traingd的BP算法经过1000次迭代,才略趋于稳定;波形、频谱差异大,通过sound函数,话音浑浊,杂音大;仿真时长763秒。
3.4.3 训练函数为traingda的BP算法
经训练函数为traingda的BP算法噪声抵消后,频域仿真结果如图15,均方误差如图16所示。
仿真结果: 训练函数为traingda的BP算法经过987次迭代,趋于稳定;波形差异较大,频谱差异较小,通过sound函数,话音不清晰,有杂音较多;仿真时长761秒。
3.4.4 训练函数为trainrp的BP算法
经训练函数为traingrp的BP算法噪声抵消后,频域仿真结果如图17,均方误差如图18所示。
仿真结果: 训练函数为trainrp的BP算法经过195 次迭代,趋于稳定;波形及频谱相似度高,通过sound函数,话音清晰,无杂音;仿真时长148秒。
3.4.5 训练函数为traincgf的BP算法
经训练函数为traingcgf的BP算法噪声抵消后,频域仿真结果如图19,均方误差如图20所示。
仿真结果: 训练函数为traincgf的BP算法经过10 次迭代,趋于稳定;波形差异较小,频谱相似度较高,通过sound函数,话音较清晰,杂音少;仿真时长29秒。
3.5 仿真结果对比分析
1)去噪能力由强至弱依次为:trainrp >traincgf>LMS>NLMS>traingda >traingd >traingdm>RLS,其中训练函数为trainrp的BP算法去噪效果最好,RLS算法无去噪能力。
2)收敛速度由快至慢依次为:traincgf >trainrp>LMS>NLMS>traingda >traingd >traingdm>RLS,其中训练函数为traincgf的BP算法收敛速度最快。
4 结论
本文以语音信号为对象进行噪声抵消研究。首先对典型的和基于神经网络的自适应噪声抵消系统的基本原理进行了阐述;而后对基于LMS、NLMS、RLS算法的自适应噪声抵消系统进行MATLAB仿真研究,发现LMS算法去噪效果较好、但迭代次数多,不能满足语音通信的实时性及高质量语音的要求。继而又对训练函数为traingdm、traingd、traingda、trainrp、traincgf的BP算法的自适应噪声抵消系统进行仿真研究,发现训练函数为trainrp的BP算法去噪能力最好,可应用于语音质量要求高的去噪;训练函数为traincgf的BP算法收敛速度最快,可应用于抢险救灾、处突维稳等任务的实时语音去噪。
参考文献
[1]崔大鹏.神经网络在自适应噪声抵消中的应用研究[J].电子技术与软件工程,2012(3).
[2]曹斌芳.自适应噪声抵消技术的研究[D].湖南大学,2007.
[3]陈明.MATLAB神经网络原理与实例精解[M].北京:清华大学出版社,2013.
自适应噪声抵消 篇2
地震勘探资料处理中机械振动噪声的自适应去除方法
众所周知,对于穿过工业区的一些地震测线,不可避免地受到外界多种机械震源干扰的影响,造成采集资料的`大面积噪声干扰,这类干扰能量强、频带宽、有一定的规律性.叠前资料的去噪是资料处理中的首要任务.有针对性的各种叠前去噪方法也很多,但目前还没有一种有效的方法去除该类噪声.针对这类干扰,进行了详细地分析,并提出了一种自适应去噪方法,应用效果表明,该方法能较好地去除上述噪声,有效地提高了资料的信噪比.
作 者：尹俊清 作者单位：甘肃煤田综合普查队,甘肃,天水,741000 刊 名：甘肃科技 英文刊名：GANSU SCIENCE AND TECHNOLOGY 年，卷(期)： 25(22) 分类号：P631.4 关键词：去噪 静态噪声 频谱 信噪比自适应噪声抵消 篇3
关键词：自适应滤波,噪声抵消,LMS算法,MATLAB
0、引言
自适应滤波自适应滤波器不需要输入信号的先验知识，它是利用前一时刻已经获得的输入信号获参量，调节现时刻的滤波参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优维纳滤波。自适应滤波自Widrow等提出以来，因其计算量小，易于实现等特点，得到了各领域的广泛应用。
1、自适应滤波器噪声抵消的原理
1.1 自适应滤波器噪声抵消的基本原理
一个自适应滤波器包括两个不同的部分：一个是具有可调系数的数字滤波器，一个是用于调整或改变滤波系数的自适应算法。图1给出了自适应滤波器作为噪声对消的原理框图。
噪声消除的主要目的是对被污染信号中的噪声的最优估计，以获得信号的最优估计。其中x (n) 表示输入信号；y (n) 表示被污染的信号，包括所希望的信号和噪声信号；r (n) 表示被污染信号的某种测量，与叠加的噪声信号相关；d (n) :表示叠加噪声信号的估计值；e (n) ；表示作为输出的信号, 一是作为希望信号x (n) 的估计输出值，二是用于调整自适应滤波器的参数。利用此输出值通过某种自适应算法对滤波器参数进行调整, 最终获得噪声最优估计值，当输入信号的统计特性发生变化, 自适应数字滤波器能够跟踪这种变化, 自动调整参数, 使滤波器性能重新达到最佳。
1.2 自适应算法的研究
根据自适应算法优化准则的不同，其算法大致分为两大类，一是最小均方算法（LMS, least-meansquare），二是递归最小二乘法（RLS）。LMS算法是基于最小均方误差准则的维纳滤波器和最陡下降法提出的, 是对梯度下降算法的近似简化。算法的基本思想是：调整滤波器自身的参数，使滤波器的输出信号与期望输出信号之间的均方误差最小，系统输出为有用信号的最佳估计。其算法推导如下：
其中μ为固定步长因子，是一常数。
显然上面的算法不需要事先知道信号的统计量（即相关量R和P），而使用他们的瞬时估计代替算法获得的权重只是一个估计值，但随着调节权重，这些估计值逐渐提高，滤波器也越来越适应信号特性，最终权值收敛，收敛的条件为
其中λmax是输入数据方差矩阵的最大特征值。下面给出基本LMS算法实现的步骤：
1）初始化，令所有权重为任一固定值，或为0;
2）计算滤波输出
3）计算估计误差e (n) -y (n) ?x (-n)
4）更新下一时刻的滤波器的权重
3、自适应噪声抵消器的MATLAB的设计与实现
3.1 基于LMS算法的自适应噪声抵消的MATLAB编程
下面给出了LMS算法的自适应噪声抵消的MAT LAB主要程序段
w1=0；%权系数初值
for i=1:1000%LMS算法
3.2 MATLAB的仿真测试
在仿真过程中，采用正弦信号作为有用信号，均值为零，信噪比为3db的高斯白噪声作为叠加的噪声信号。基于LMS算法，步长分别设置为0.01和0.05的输出波形图将仿真输出结果进行比较：
从上面图得知：
步长u越大，收敛速度越快，但稳定性差；步长u越小，其稳定性越高，但其收敛速度慢。
4、结束语
本文从自适应滤波的基本原理出发，给出了自适应噪声对消的系统框图，并重点研究了基于LMS的自适应算法，其算法简单快捷易实现。在强噪声环境下，具有很好的去噪功能。
参考文献
[1]Emmanuel C.Ifeachor, Barrie W.Jervis Digital Signal Process-ing A Practical Approach, second Edition电子工业出版社[M], 2004
[2]韩利竹, 王华MATLAB电子仿真与应用 (第2版) , 国防工业出版社[M], 2003
[3]楼顺天, 刘小东等基于MATLAB7.X的系统分析与设计---信号处理 (第二版) 西安电子科技大学出版社[M], 2005
自适应噪声抵消 篇4
神经网络的应用已经渗透到各个领域, 几乎每个领域都离不开神经网络理论, 尤其是在非线性优化应用领域、模式识别领域、以及智能控制和信号处理等领域的应用, 神经网络在其中所体现的价值是无法估量的。经过这么多年的探索、研究和发展, 神经网络研究确实得到了突破性的发展, 但是我们可以看到不管事在理论或是技术方面, 神经网络仍然存在一些缺陷, 需要通过进一步的完善来建立一套完整的神经网络理论体系。本文将基于正交最小二乘的RBF神经网络算法引入自适应噪声对消中, 提出了一种基于RBF神经网络算法和正交最小二乘算法相结合的自适应噪声对消器。通过优化RBF神经网络的方式, 来提高自适应噪声消除的性能。并在MATLAB中的进行了仿真, 结果表明了算法用于自适应噪声对消中的有效性, 成功消除了噪声, 分离出了有用信号。
2 RBF神经网络
径向基函数神经网络 (Radial Basis Function Neural Network, RBFNN) 被常用在模式识别和函数逼近等方面。它结构上是三层前馈的神经网络, 应用非常广泛。RBF神经网络依靠的主要数学基础是:高维空间 (在某种特殊意义下) 中的分类问题比同样的处在低维空间的分类问题更可能是线性可分的。而构成一个RBF神经网络的基本思想为:构成隐层空间的隐层神经元的基用的就是RBF网络, 然后将输入矢量变换映射到隐层空间。而这种映射关系的确定要依靠RBF神经网络中心的确定。隐层空间到输出矢量所在层的映射关系是线性的, 也就是说, 隐层神经元的输出的线性加权再求和就是网络的输出 (这里的权是网络的可调参数) 。由上述可知, 从输入矢量到输出矢量的映射关系是非线性的, 而网络的变化对可调参数来说是线性的。因此网络的权完全可由线性方程组来求解的方式得出, 可也用最小二乘的方法计算, 从而达到避免陷入局部最小值并提高学习速度的目的。
RBF神经网络为实现Rn→Rm的非线性映射, 采用的方法是非线性基函数的线性组合。网络中的隐结点在 (0, 1) 的范围内输出数值。如果有两个输入它们与基函数中心的径向距离相等, 那么它们通过隐节点后会产生相同的输出。隐结点的变换作用也被称作是对输入数据特征的提取。由于有这样的结构和激活函数的这些特点, RBF神经网络有许多其他神经网络所没有的优点。
3 自适应噪声抵消系统的组成
如图2所示, 为利用自适应滤波器的基本单元组成的自适应噪声抵消系统。
模型中, 有用信号Sk被噪声nk所干扰, nk是由某些噪声源所产生的, rk经滤波器后形成的, rk也可直接输入到自适应神经网络。
4 RBF神经网络和正交最小二乘相结合 (OLS_RBF) 网络学习算法
OLS_RBF学习算法步骤为:
Step1:算法开始运行;
Step2:网络初始化阶段。设置训练样本数T, 隐节点扩展常数S及目标误差E;
Step3:输入目标样本。根据目标函数获得样本输入、输出;
Step4:利用OLS算法求网络数据的中心;
Step5:计算输出单元的输出。并计算RBF网络训练的误差;
5 RBF和OLS_RBF算法的自适应噪声消除仿真结果比较
仿真结果图像如下:图3为randn函数产生的随机噪声, 图4为系统输入的有用信号, 图5为RBF和OLS_RBF神经网络消除噪声后的信号比较, 图6为RBF和OLS_RBF神经网络收敛过程的误差曲线比较。
噪声后的信号比较
由图4可知:RBF神经网络在函数极值点处消噪处理结果没有OLS_RBF神经网络消噪处理结果好。OLS_RBF神经网络消噪处理后的信号与原有用信号匹配度更高, 更接近, 效果更好。也说明了OLS_RBF神经网络有效改善了RBF神经网络容易陷入局部极小值点的缺陷。图6则说明OLS_RBF神经网络消噪处理比RBF神经网络消噪处理收敛速度快。由图还可看出, OLS_RBF神经网络的训练误差从150处开始, 而RBF神经网络的训练误差从250出开始, 说明OLS_RBF神经网络比RBF神经网络所形成的规模要小。由以上分析可知, 噪声信号经基于OLS_RBF神经网络自适应噪声抵消系统后, 被成功有效地消除, 有用信号基本没有被削弱, 收敛性能也很好, 网络规模也更小。
6 结论
基于OLS_RBF神经网络自适应噪声抵消系统可以有效地消除有用信号中窜入的干扰噪声。根据正交最小二乘的原理 (OLS) , 在一定程度上可避免RBF算法陷入局部极小值点, 从而提高了算法性能, 使系统具有了很好的收敛性。总之, 在未知外界干扰源特征的情况下, 基于OLS_RBF神经网络噪声抵消有效地消除了有用信号中的干扰噪声, 是一种很好的消除背景噪声的信号处理技术。
参考文献
[1]杨克己.基于神经网络的自适应滤波技术及其在超声检测中的应用[J].仪器仪表学报, 2005, (8) :813-817.
[2]吕久旭.基于神经网络的非线性自适应滤波器[D].东南大学硕士学位论文, 2007, (01) .
自适应噪声抵消 篇5
自Widrow提出自适应算法以来, 自适应滤波器在实践中获得了广泛的应用。如噪声抵消, 回波抵消等。实用回声抵消系统[1]的基本结构如图1。
回声抵消器的基本思想是利用输入语音信号想x (n) 和自适应滤波器W (z) 产生一个与真实回声d (n) 近似的回声估计信号, 然后从返回信号y (n) 中减去回声估计信号, 进而产生传往本地的输出信号e (n) 。若图1中的自适应滤波器W (z) 与回声路径H (z) 精确匹配, 回声估计信号就是回声信号d (n) 的精确估计。这样, x (n) 产生的回声就能被回声估计信号完全抵消, 达到消除回声的目的。
在双端对讲情况下, 近端语音信号s (n) 作为自适应算法的干扰, 易导致自适应算法发散。双端对讲检测器的作用就是判断双端对讲的状态, 当检测出无双端对讲时训练自适应滤波器的系数, 否则暂停自适应滤波器系数的调整[2]。互相关检测技术是自适应回波抵消中常用的双端对讲检测技术。
二、基于相关原理的干扰检测算法
由于近端信号y (n) =d (n) +s (n) 是回声信号d (n) 与近端语音信号s (n) 之和, 当存在近端语音信号 (s (n) ≠0) 时, 近端信号y (n) 与误差信号e (n) 之间存在较强的相关性, y (n) 与e (n) 之间的互相关系数接近于1;而当近端语音信号不存在 (s (n=0) ) 时, y (n) 与e (n) 之间的相关性大大减弱, 它们的互相关系数接近于0。因此, 我们只要设置合适的门限, 就能检测出双端通话状态是否存在[3]。
其中, Cor表示近端信号与误差信号之间的互相关系数向量, 和分别是对近端信号和误差信号的能量估计, 是对E[y (n) e (n) ]的估计。α是遗忘因子, 根据语音信号的特点, 取值在0到0.05之间。
当信号幅度变化不剧烈的时候, 用式 (3) , (4) , (5) 估计信号的能量还是相当理想的。但是当过去时刻的能量远大于当前时刻的能量, 也就是信号幅度突然陡降, 比如在近端干扰信号结束的时候, 由于采用了遗忘因子, 用以上公式估计的能量是缓慢减小的, 这就造成了对信号能量的错误估计。利用这些能量计算得出的互相关系数向量也是缓慢变化的, 从而造成双端检测结果的延迟。如果在这段延迟时间内回波路径发生了变化, 就会对系统及时更新滤波器系数造成很大的影响。
我们对以上公式稍加变形就可以发现解决这个问题的方法[4]。式 (3) , (4) , (5) 可以写成以下的形式, 其中σk02表示第k0的能量估计, △σk0k2表示从第k0+1点到第k点的平均能量。
从式 (6) 可以看出, 当很大的时候, 当前点的能量估计很大程度上取决于过去时刻的能量, 从而产生了双端检测的延迟问题。因此, 我们要找一个新的值来替代, 从而更新信号的能量估计。设更新后的能量为。因此有:
文献[4]的解决方法是将取0, 即移除过去时刻的能量估计, 得到当前点信号能量
这时信号能量完全由第k0+1点到第k点的平均能量决定。这种做法很大程度上解决了延迟问题, 但造成估计出的信号能量起伏变化很大, 导致双端对讲检测的结果不稳定。因此, 我们需要对这种能量估计加以平滑, 就需要将取代以新值, 而不是简单的去除。
三、改进的干扰检测算法
通过实验检验发现, 如果我们取
以上所述问题可以很好的解决。其中β为加权因子, 根据语音信号的特性可以取0到0.5之间的值。我们将 (6) , (9) 式代入 (7) 式中, 得到:
这种算法既减小了过去时刻的能量估计对当前点估计的影响, 又考虑到平滑的问题, 因此显示出与同类算法比较的优势。
四、性能模拟与结论
最后我们比较传统的互相关检测算法, 文献[3]提出的去除过去时刻能量的算法, 以及本文提出的改进算法的性能。远端信号为女声“数字信号处理”, 近端干扰信号为男声“八百” (之所以选这个词是因为语音结束时能量陡降) , 语音发生期为[7000, 11000]。近端干扰信号与远端信号的能量比为2:1。语音信号的采样率为8k, 量化位数为8bit。遗忘因子α取0.005, 加权因子β取0.3, k-k0取200, 判决门限为0.7。图2是仿真结果。
其中, 图 (a) , (c) , (e) 分别是传统的互相关检测算法, 文献[3]提出的去除过去时刻能量的算法, 以及本文提出的改进算法的互相关检测系数, 图 (b) , (d) , (f) 分别是这三种算法的检测结果与近端干扰信号的比较。由仿真结果可以看出, 传统的互相关检测算法在干扰信号迅速回零的时刻, 互相关检测系数减小得非常缓慢, 造成双端对讲检测结果的延时。本例中判决近端干扰信号结束于12200, 延时大约为12200-11000=1200个采样点。文献[3]提出的算法判决近端干扰信号结束于12200, 延时大约为12200-11000=1200个采样点。判决近端干扰信号结束于11200, 延时大约为11200-11000=200个采样点, 与传统算法相比较好地解决了时延的问题, 然而由于其不依赖过去时刻的能量估计, 互相关检测系数抖动非常大, 检测结果不稳定而且有失误。本文提出的算法判决近端干扰信号结束于11000, 消除了延时, 并且在解决延时问题的基础上, 兼顾了平滑和准确度, 使检测性能大大提高。
摘要：在自适应回波抵消中常用的双端对讲检测技术是互相关检测技术。这种算法存在一个问题, 就是在某些时刻, 比如在近端干扰信号结束的时刻, 干扰信号的能量陡然下降为零, 由于算法中采用了遗忘因子, 信号的能量估计是缓慢减小的, 因此造成检测结果的延迟。本文提出的检测算法, 改进了信号的能量更新公式, 很好地解决了这种延迟问题, Matlab仿真模拟的结果也看出这种算法与其他算法相比较的优势。
关键词：自适应回波抵消,双端对讲,互相关检测
参考文献
[1]ITU-T G.168, Digital network echo cancellers[S], 2000
[2]胡啸, WLAN上VoIP中的自适应回声抵消技术研究, 东南大学博士论文, 2004年3月
[3]曹秀英, 双端通话检测器, 通信技术, No.21997