自适应滤波学习感悟

前言

最近学习了自适应滤波，把我学到的想法写下来（本来想一步一步的推公式这样介绍了，但感觉那样太麻烦，也和书没啥区别了），用到的书放到参考文献中。

感悟

首先假设信号是统计的，根据MMSE准则，推导出全局的最优解，也就是维纳滤波解，但这个结果是非因果性的，需要知道全部数据才可以，虽然不能使用，但却具有指导作用，后面的算法收敛后均为维纳解。

介绍了正交性原则，即每次迭代的输出误差和输入数据正交(只有正交才代表了本次收敛到最优)，正交性原则很重要，为后面的算法推导提供便利。

LMS算法，利用每次到达瞬时最小误差代替全局最小，LMS算法简单，容易实现，但收敛速度严重数据协方差矩阵的特征值和步长，步长过小会收敛慢，步长过大，则发散，因此在AEC中基本不会使用此算法。

NLMS算法，为了改善LMS算法的缺点，NLMS从更新后的滤波器与更新数据滤波后的误差最小进行推导（也可以从每次滤波器变化最小进行推导），由于NLMS算法的步长和数据有关，不会存在发散的情况,SPEEX和WEBRTC 两大开源软件中的AEC均采用NLMS。

RLS 算法，递归最小二乘法，利用矩阵求逆引理，推理出递推的更新公式。

MDF（Multidelay Block Frequency Domain Adaptive Filter） 滤波器的长度越长，系统的延时越长，滤波器短一些的话没法建模复杂的环境，为此出现了MDF框架，前面提到的SPEEX和WEBRTC 开源软件也用的这个框架，其中SPEEX加入了最优步长推导，WEBRTC加入了非线性处理。

在AEC处理中，也可以使用AKF（Adaptive Kalman Filter）进行处理，把语音当作测量误差，滤波器变换当做过程噪声，参考信号当作观察矩阵。

参考文献

[1] FarhangBoroujeny. Adaptive Filters: Theory and Applications[J]. 2013.
[2] Soo J S , Pang K K . Multidelay block frequency domain adaptive filter[J]. IEEE Transactions on Acoustics, Speech and Signal Processing, 1990, 38(2):373-376.
[3] Enzner G , Vary P . Frequency-domain adaptive Kalman filter for acoustic echo control in hands-free telephones[J]. Signal Processing, 2006, 86(6):1140-1156.