[发明专利]一种用于麦克风阵列广义旁瓣消除器的高效自适应算法

说明书

本发明涉及一种用于麦克风阵列广义旁瓣消除器的高效自适应算法，属于信号处理技术领域。该方法包括步骤S1：将GPAPA计算权值比例因子的方法引入MPAPA算法，得到MGPAPA算法；S2：将MGPAPA算法引入GSC的ANC模块。本发明采用的MGPAPA算法相比传统GSC中ANC模块采用的NLMS算法具有更快的收敛速度和更低的稳态误差；相比LMS/Newton算法具有更少的计算量。同时整合了GPAPA算法计算权值比例因子的方法，相比MPAPA算法，减少了对脉冲响应疏密程度的敏感度。该算法通过改善ANC的自适应滤波性能，提升了GSC的降噪效果。

技术领域

本发明属于信号处理技术领域，涉及一种用于麦克风阵列广义旁瓣消除器的高效自适应算法。

背景技术

麦克风阵列是以特定结构排列而成的一组麦克风，它能够准确获取声源的空间信息。通过利用声源到达不同麦克风接收信号之间的相关性，阵列信号处理器形成一个空间滤波器(如图1示)，将波束的主瓣指向期望信号所在的方向，在其他方向形成旁瓣；从而在保留期望信号的同时，对其他方向的干扰和噪声进行抑制，达到增强期望信号的目的。该技术亦称为波束形成。相比传统单麦克风的时频域处理方式，麦克风阵列能够利用空间的多样性，形成空时频联合处理，为改善语音增强的性能提供了更多的可能性。因此，麦克风阵列信号处理已广泛应用于车载系统、电话会议、助听器和智能音箱等通信和人工智能领域。

波束形成技术包括固定波束形成和自适应波束形成两类，实际应用中通常采用自适应的方式实现。常用的自适应波束形成算法包括最小方差无失真响应(MinimumVariance DistortionlessResponse,MVDR)、线性约束最小方差(LinearlyConstrainedMinimumVariance,LCMV)和广义旁瓣消除(GeneralizedSidelobeCanceller,GSC)算法。其中GSC算法不需要估计噪声、结构简单以及运算效率高，在学术研究和工程实践中得到了更为普遍的应用(引出常用算法GSC)。GSC的结构包括三个部分(如图2所示)：固定波束形成器(FixedBeamformer,FBF)、阻塞矩阵(BlockingMatrix,BM)和自适应噪声相消器(AdaptiveNoiseCanceller,ANC)。麦克风阵列采集的多通道带噪信号先通过上支路的固定波束形成器和下支路的阻塞矩阵。固定波束形成器输出得到期望信号和部分残留噪声，阻塞矩阵阻塞期望信号得到参考噪声。上支路和下支路的输出分别输入自适应噪声相消器，对上支路的残留噪声进行进一步消除，从而得到增强后的信号。其中ANC所采用自适应算法的收敛速度和鲁棒性对整个GSC的降噪效果起着相当重要的作用。传统的ANC多采用归一化最小均值(NormalizedLeastMean Squares,NLMS)算法，虽然其运算量低，但收敛速度慢，稳态误差大。对于收敛速度慢的问题，有学者提出采用最小均方/牛顿(LeastMean Squares/Newton,LMS/Newton)算法。该算法虽然提升了收敛速度，但涉及到自相关函数的求逆运算，增大了运算开销，难以满足实时处理要求。考虑到收敛速度和计算复杂度的冲突，本发明选用收敛速度比NLMS快，并且计算量比LMS/Newton低的记忆比例仿射投影(MemoryProportionate Affine Projection Algorithm，MPAPA)算法。MPAPA算法利用了输入信号更多的信息，使误差函数更加接近理论误差；并且引入比例因子使得自适应滤波器每个抽头系数按照不同的步长进行更新，既加快了收敛速度，也降低了稳态误差。算法的“记忆性”考虑了比例矩阵与输入信号内积项的递归使用，降低了算法的计算复杂度。虽然MPAPA具有足够快的收敛速度和低计算量，但是该算法对脉冲响应的疏密程度较敏感。当脉冲响应较稀疏时，算法有较好的收敛性能；对于较密集的脉冲响应，算法的收敛速度明显下降。针对该问题本发明将广义比例仿射投影(Generalized Proportionate Affine ProjectionAlgorithm,GPAPA)算法中计算权值比例因子的方法引入MPAPA算法，得到记忆广义比例仿射投影(Memory GeneralizedProportionate Affine Projection Algorithm,MGPAPA)算法。该算法降低了对脉冲响应疏密程度的敏感性，使得GSC算法更加适应复杂多变的环境，且具有快收敛速度、低计算量和低稳态误差。