[发明专利]一种用于非线性回声消除的抗冲击核函数自适应滤波算法

说明书

本发明涉及一种用于非线性回声消除的抗冲击核函数自适应滤波算法，属于信号处理领域。本发明部分更新技术通过在每一个迭代时刻选择一部分而非全部滤波器系数进行更新，从而减少了运算开销，在保证收敛速度以获得满意的回波消除效果的同时尽量降低算法的运算量。同时，结合鲁棒统计的M‑估计，系统地研究了提高NLAEC应用中核函数自适应滤波算法抗脉冲干扰性能的行之有效的技术，对进一步理解这些技术带来的算法性能提升，如快速收敛和跟踪，防止双端讲话时算法发散有很大的帮助。

技术领域

本发明属于信号处理领域，涉及一种用于非线性回声消除的抗冲击核函数自适应滤波算法。

背景技术

近年来，大数据处理吸引了越来越多的关注。怎样从各种不同结构化的数据中快速获得有价值的信息推动了对机器学习(machinelearning)及相关技术的研究。同时，一类承袭机器学习原理的核函数自适应滤波器(kerneladaptivefilter)及相关的在线学习算法也由于它们在非线性信号处理应用中的优越性能而备受关注。核函数方法是由再生核Hilbert空间(reproducingkernelHilbertspace,RKHS)理论发展而来的。其基本原理可简述为：通过一个再生核函数，将非线性系统中的观测数据映射到高维的特征空间(featurespace)，可得到一个非线性模型。通过利用自适应算法可将滤波操作表示为特殊的矢量内积的关系，就可以应用所谓的核技巧(kernel trick)来求解上述非线性问题。该原理的要点就在于真实系统的非线性模型(y(n)＝f[X(n)])的参数可通过对输入数据使用非线性方法计算，这等同于在特征空间进行了线性操作。这可以保证求解问题的凸优化性质，从而能找到全局的最优解，并且具有可负担的合理的运算复杂度。显然，核函数自适应滤波器克服了上述几种非线性模型的缺点，更适合应用到NLAEC中。事实上，最近两年不少知名学者，包括快速自适应滤波算法领域著名的Moonen团队，均涉入了基于NLAEC应用的核函数自适应滤波算法研究。目前的进展包括开发了对应于传统基础线性自适应滤波算法如LMS、仿射投影算法(affine projection algorithm,APA)、以及迭代最小二乘(recursive leastsquares,RLS)算法的核函数算法，即kernel LMS(KLMS)、kernel APA(KAPA)、和kernel RLS(KRLS)算法。此外，一些改进这些算法收敛性能的相关的技术如滑动窗口和核函数的选择、算法的leaky迭代更新方法、以及从学习理论出发判断输入数据冗余信息以减少运算负荷的稀疏化(sparsification)等方法也得到了相当的重视。

核函数自适应滤波器(kernel adaptive filter)可以被广泛地应用于各种复杂的输入-输出系统模型，且具有全局的优化最小值和适中的运算复杂度及存储空间占有等优点，成为了NLAEC问题的非常有价值和前景的算法。我们研究的一个主要内容和重点是引入鲁棒统计(robust statistics)的技术到核函数自适应滤波器算法中，以增强这类算法对抗脉冲干扰(impulsive noise)的能力。

发明内容

有鉴于此，本发明的目的在于提供一种用于非线性回声消除的抗冲击核函数自适应滤波算法。AEC系统实施的一个重要问题是平衡运算复杂度和自适应滤波器的收敛性能。在保证收敛速度以获得满意的回波消除效果的同时尽量降低算法的运算量，对降低设备尤其是移动终端的功耗有重要的意义。部分更新(partial update)技术常被用来实现这一目的。通过在每一个迭代时刻选择一部分而非全部滤波器系数进行更新，从而减少了运算开销。同时根据核函数自适应滤波算法迭代更新的特点，开发相关的鲁棒稳定性算法。

为达到上述目的，本发明提供如下技术方案：

一种用于非线性回声消除的抗冲击核函数自适应滤波算法，包括以下步骤：

设为输入数据空间，是输出数据空间的一个子集，即包括两类常用的核函数：高斯核函数和多项式核函数，分别由下式所示：

κ(X,X′)＝exp(-a||X,X′||)，