【语音信号处理】自适应滤波方法——LMS算法

LMS 算法（最小均方算法）

滤波器——改变信号频谱

模拟滤波器： 由R、L、C构成的模拟电路。

数字滤波器： 由数字加法器、乘法器、延时器构成，基于数字信号运算实现。

自适应滤波器： 一种能够根据输入信号自动调整自身参数的数字滤波器。

非自适应滤波器： 具有静态滤波器系数的数字滤波器，这些静态系数构成滤波器的传递函数。

---

自适应滤波器的应用

对于一些应用（如系统辨识、预测、噪声消除等），我们无法事先知道需要进行操作的参数，必须使用自适应的系数进行处理，这种情况下通常使用自适应滤波器。

自适应滤波器处理语音信号时，不需要事先知道输入信号和噪声的统计特性，滤波器自身能够在工作过程中学习或估计信号的统计特性，并以此为依据调整自身参数，已达到某种准则/代价函数下的最优滤波效果。

一旦信号统计特性发生变化，还可以跟踪这种变化，重新调节参数，使滤波性能重新达到最优。因此，自适应滤波是处理非平稳信号的一种有效手段。

---

LMS 算法

Wiener 滤波

我们从一个N阶线性系统出发，设计一个N阶滤波器，它的参数为 $W(n)$ ，则滤波器输出为：
$$y(n)-\sum _{i=0}^{N-1}{w}_i(n)x(n-1)=W^T(n)X(n)=X^T(n)W(n)$$
上式中：
$$\begin{gathered} X(n)=[x(n),x(n-1),...x(n-N+1){]}^T \\ W(n)=[w_0(n),w_1(n),...w_{N-1}(n){]}^T \end{gathered}$$
期望输出为 $d(n)$，定义误差信号：
$$e(n)=d(n)-y(n)=d(n)-W^T(n)X(n)$$

根据最小均方误差（MMSE）准则，最小化目标函数：$J(W)$
J ( W ) = E { ∣ e ( n ) ∣ 2 } =