由LMS的权重关系公式:W(n+1)=W(n)+μe(n)x(n)可知:
①LMS滤波器的权重更新公式步长μ是固定不变的;
②滤波器的变化与与输入信号的大小直接相关,输入较大时,会产生梯度噪声放大的问题,而输入较小时,算法的收敛速度比较慢。
在实际的应用中希望两次更新之间,滤波器的变化要尽可能小(最小扰动原理(the principle of minimal disturbance))
为了解决上述的问题,对输入的平方欧式范数进行归一化处理,就得到了归一化的LMS算法,即NLMS算法。因此根据LMS的权重更新公式,做出以下变化:
NLMS算法相对于LMS算法有着更快的收敛速度,同时NLMS算法仍保留了算法简洁、计算量小、易于实现的优点,自提出以来,NLMS算法已经成为AEC工程领域最常用的算法之一。
代码如下:
import numpy as np
import librosa
import soundfile as sf
import pyroomacoustics as pra
def nlms(x, d, N=4, mu=0.1):
nIters = min(len(x),len(d)) - N
u = np.zeros(N)
w = np.zeros(N)
e = np.zeros(nIters)
for n in range(nIters):
u[1:] = u[:-1]
u[0] = x[n]
e_n = d[n] - np.dot(u, w)
w = w + mu * e_n * u / (np.dot(u,u)+1e-3)
e[n] = e_n
return e
# x 原始参考信号
# v 理想mic信号
# 生成模拟的mic信号和参考信号
def creat_sim_sound(x,v):
rt60_tgt = 0.08
room_dim = [2, 2, 2]
e_absorption, max_order = pra.inverse_sabine(rt60_tgt, room_dim)
room = pra.ShoeBox(room_dim, fs=sr, materials=pra.Material(e_absorption), max_order=max_order)
room.add_source([1.5, 1.5, 1.5])
room.add_microphone([0.1, 0.5, 0.1])
room.compute_rir()
rir = room.rir[0][0]
rir = rir[np.argmax(rir):]
# x 经过房间反射得到 y
y = np.convolve(x,rir)
scale = np.sqrt(np.mean(x**2)) / np.sqrt(np.mean(y**2))
# y 为经过反射后到达麦克风的声音
y = y*scale
L = max(len(y),len(v))
y = np.pad(y,[0,L-len(y)])
v = np.pad(v,[L-len(v),0])
x = np.pad(x,[0,L-len(x)])
d = v + y
return x,d
if __name__ == "__main__":
x_org, sr = librosa.load('female.wav',sr=8000)
v_org, sr = librosa.load('male.wav',sr=8000)
x,d = creat_sim_sound(x_org,v_org)
e = nlms(x, d,N=256,L=4,mu=0.1)
sf.write('x.wav', x, sr, subtype='PCM_16')
sf.write('d.wav', d, sr, subtype='PCM_16')
sf.write('nlms.wav', e, sr, subtype='PCM_16')
参考资料: