LMS、NLMS最优步长理论分析与Speex回声消除可能的改进想法

一、回声消除算法模型

　　先来分析下自适应回声消除的主要组成部分，大体上可以把回声消除模型分为两个部分

1. 横向滤波器结构
2. 滤波器系数自适应与步长控制

　　横向滤波器用脉冲响应w(n)【有的地方也称为回声路径】与远端说话者信号u(n)卷积得到回声估计，并用y(n)表示该估计。麦克风输出信号做为期望响应d(n)，从期望响应d(n)中减去滤波器的”合成回声”，得到误差信号e(n)。通过不断的调整滤波器系数w(n)使误差信号的均方值最小化，其结果就是：误差信号为本地语音提供了一个近似的估计。这就是为什么这样的结构能去掉回声的原因。

 

 二、LMS算法最优步长分析

　　下面我们重点说一下LMS滤波器系数自适应更新中的步长控制问题，也就是如何获得最优步长的问题。我们首先把期望响应用向量的形式表示如下：

\[d(n) = {w^H}u(n) + v(n)\]

　　上式中，w是横向滤波器的未知参数向量，v(n)为加性干扰噪声。通过LMS滤波器计算得到的抽头权向量是对w的估计，它们之间的失配用加权误差向量

\[\varepsilon (n + 1) = w - \hat w(n)\]

来衡量，由横向滤波器系数的的自适应更新机制

\[\hat w(n + 1) = \hat w(n) + \mu u(n)e(n)