[发明专利]采用系数重用的比例自适应滤波器系数向量更新方法

说明书

技术领域

本发明属于数字信号处理技术领域，具体涉及一种采用系数重用的比例自适应滤波器系数向量更新方法。

背景技术

自适应滤波器是能够根据输入信号自动调整滤波器系数向量进行数字信号处理的数字滤波器。自适应滤波器是信息处理领域的重要分支之一。而非自适应滤波器有静态的滤波器系数，这些静态系数一起组成传递函数。对于一些应用来说，由于事先并不知道所需要进行操作的参数，例如一些噪声信号的特性，所以要求使用自适应的系数进行处理。在这种情况下，通常使用自适应滤波器。自适应滤波器使用反馈来调整滤波器系数向量。

自适应的过程涉及到将误差信号用于确定如何更改滤波器系数从而使代价函数在迭代过程中逐步下降。误差信号是滤波器性能的最佳判断准则。随着数字信号处理器性能的增强，自适应滤波器的应用越来越常见，时至今日它们已经广泛地用于免提电话、视频会议、助听器、数码录像机、数码照相机以及医疗监测设备中。

自适应滤波算法是自适应滤波器的重要组成部分，直接影响着自适应滤波器性能的优劣。在免提电话、视频会议等设备的回声消除器中，快速的收敛速度意味着回声信号能被迅速消除，同时意味着当网络回声路径发生变化后，自适应回声消除器能快速跟踪回声路径的变化，并消除因此产生的回声。然而，除了收敛速度之外，较低的稳态失调也是一个重要的性能指标，其度量回声路径被准确识别的程度和影响通话的清晰度程度。但是，对传统的自适应滤波器而言，快速收敛与低稳态失调这两个指标是互相矛盾的：选择较大的步长能加快算法的收敛速度，但会导致较大的稳态失调;较小的步长能获得较小的稳态失调，但是收敛速度也会相应变慢。

20世纪40年代，维纳滤波器奠定了研究最佳线性滤波器的基础，其方法是建立在输入信号的统计特性的先验知识基础上，当输入数据的统计特性与滤波器所依赖的某先验知识匹配时，所设计的滤波器才是最优的。然而，在现实生活中我们遇到的大部分情况是信号的统计特性未知或随时间变化，在这种情况下，就无法设计维纳滤波器或设计的维纳滤波器不是最优的。

自适应滤波器不需要已知或预先估计信号的统计特性，而是直接利用信号的观察值，根据某种判定准则，在观察过程中不断迭代更新滤波器的系数，逐步逼近最优值,从而实现最优滤波器。自适应滤波器的理论不断地完善进一步推动了信息处理技术的发展。自适应滤波器工作的本质是，根据输入信号和期望信号进行自迭代，逐渐逼近未知系统的最优值，而不需要预先知道输入信号的统计特性。

20世纪60年代，由Widrow和Hoff提出的最小均方算法（Least-mean square,LMS），为自适应滤波器的发展奠定了理论基础，标志着自适应滤波器研究的开端。LMS算法具有计算复杂度低、在平稳环境中的收敛性好、性能稳定、结构简单等优点，使LMS算法成为使用最广泛的算法之一。采用该算法的滤波器不足之处是收敛速度较慢。针对此不足，研究人员提出了许多改进的算法。

自20世纪60年代起，研究人员不断的寻求一种的收敛速度快、计算复杂度低、稳定性好的自适应滤波算法,因此，不断涌现新的自适应滤波算法，如归一化LMS算法(Normalized LMS，NLMS)、仿影投射算法（Affine projection，APA算法）、子带滤波器(Sub-band Adaptive Filter,SAF)等。

归一化LMS算法对收敛因子进行归一化。这种算法的归一化收敛因子和输入信号向量的欧氏范数相关。NLMS算法减轻了梯度噪声放大的问题，无论是相关还是不相关信号，NLMS算法都快于传统的LMS算法。由于NLMS算法具有简单、稳定的特点，被应用于很多应用中。其主要缺点是：对于相关的输入信号，收敛速度比较慢，因为在此情况下，输入信号的自相关矩阵R的特征值扩散度(也称为R的条件数)比较大。

输入信号的相关性决定了NLMS算法的收敛速度。相关性越高，收敛速度越慢。为克服输入信号相关性对收敛速度的影响，Ozeki和Umeda于1984年提出了仿射投影算法(APA)。APA重复利用过去的信号来提高自适应滤波器收敛速率当输入信号之间存在相关性时，APA的收敛速率比NLMS的收敛速度更快，而计算量与LMS算法相当。