一种组合函数链接型的核自应非线性回声消除方法

技术领域

本发明涉及回声消除技术领域，特别涉及一种组合函数链接型的核自适应非线性回声消除方法。

背景技术

近年来，通信和网络技术不断发展，使得人们对通信的质量提出了新的要求，其中最主要的就是语音通话质量。声学回声是降低语音通话质量的重要因素之一。以往对声学回声的理解大多指的是接收端的语音信号在扬声器里以声波形式被放出来的时候，由于在房间里多次传播和反射噪声的回声，同时由于绝大多数的通信系统都是全双工机制，所以接收端的回声又通过麦克风传送到发送端从而影响通话质量。但随着小型成本的设备在免提手机和视频会议中的广泛运用，这些设备中的放大器和扬声器使得回声路径带有明显的非线性特性，传统的线性回声消除器难以消除这种非线性回声，且回声路径的非线性也会限制自适应滤波器的性能，干扰回声脉冲响应的最佳估计，导致语音信号的感知质量下降。因此需要对回声路径中的非线性特性进行建模，提出有效的非线性回声消除方法。

目前的非线性回声消除的方法中，具有代表性的有以下两种：

(1)用于非线性回声消除的凸组合函数链接型自适应滤波器(CC-FLAF)

参考现有方法(1)“Combined functional link adaptive filter fornonlinear acoustic echo cancellation”(JitendraRaghuwanshi and Amit Mishra andNarendra Singh，Analog Integrated Circuits and Signal Processing,2020,105(prepublish):1-14)。该方法的特点是对输入信号进行非线性扩展，具体地说，是通过三角函数函数连接扩展，将未经过变换的信号和经过变换的信号分别用线性和非线性滤波器进行滤波，并将线性和非线性滤波器进行凸组合。这种方法可以根据非线性的程度来选择合适的滤波器模型，从而获得比FLAF更高的建模精度。

(2)用于非线性回声消除的核自适应滤波器(KAF)

参考现有方法有(2)“Nonlinear acoustic echo cancellation withkernelized adaptive filters”(Sanjana Sankar et al，Applied Acoustics,2020,166)。该方法也是对输入信号进行非线性扩展，但与方法(1)不同之处在于，该方法是通过核函数对输入信号作非线性变化，将未经过变换的输入信号和经过核函数变换后的信号分别通过两个滤波器进行滤波，以此达到同时对回声路径的线性和非线性特性建模的目的。这两种消除的方法运行时各自单独作用相比较，同时对回声路径的线性和非线性特性建模，这样算法的运算量大，收敛速度慢，且收敛稳定性低。

发明内容

为克服上述缺陷点，本申请的目的在于：提供一种组合函数链接型的核自适应非线性回声消除方法，用以提升回声对消的效果。

为实现上述目的，本发明采用的技术方案：

一种组合函数链接型的核自适应非线性回声消除方法，其特征在于，回声消除方法包括：

S1、对回声路径中的远端信号进行采集，

S2、基于高斯核函数变换将采集到的远端信号进行核函数扩展，获得高维非线性输入信号的向量，

S3、基于自适应滤波器分别对S1中的信号X

S4、第一自适应滤波器及第二自适应滤波器通过协同因子链接得到总的滤波值，通过协同因子链接得到总体滤波输出：

c(n)＝λ

其中λ(n)为协同因子，用于调整非线性自适应滤波器输出信号的比重，协同因子λ(n)取为sigmoid函数；

S5、回声抵消。

该方法将远端输入信号进行核函数扩展处理，并将原信号和处理后的信号分别通过自适应滤波器进行滤波，再将两个滤波器的滤波结果通过协同因子链接得到总的滤波值，根据滤波结果分别更新两个自适应滤波器的权重和协同因子λ(n)，增强了算法的非线性建模能力，提升了回声消除的效果。

有益效果

与现有技术相比，本申请实施方式中将回声路径的非线性变换配置成基于核函数变换，在线性滤波和非线性滤波器连接处引入协同因子，将两个滤波器链接起来，这样通过协同因子可以调节组合滤波器，这样与目前的算法中他们各自单独作用相比较，进一步提升了对回声路径的非线性特性的建模能力，降低了算法的运算量，收敛更加快速平稳，对回声的消除效果更好。

附图说明

图1为本发明实施例的流程框图；

图2为本申请实施例的仿真实验中用到的房间脉冲响应；

图3为本申请实施例的仿真实验中现有方法(1)、(2)和本发明实施例的权误差向量范数(WEVN)的对比曲线；

图4为本申请实施例的方法与现有方法(1)、(2)的回波衰减增益(ERLE)的对比曲线。

具体实施方式

以下结合具体实施例对上述方案做进一步说明。应理解，这些实施例是用于说明本申请而不限于限制本申请的范围。实施例中采用的实施条件可以如具体厂家的条件做进一步调整，未注明的实施条件通常为常规实验中的条件。

本申请提供一种组合函数链接型的核自适应非线性回声消除方法。该消除方式中将回声路径的非线性变换配置成基于核函数变换，在线性滤波和非线性滤波器连接处引入协同因子，将两个滤波器链接起来，这样通过协同因子可以调节组合滤波器，当协同因子接近第一预设阈值(0)时，组合滤波器表现类似于线性滤波器，当协同因子接近第二预设阈值(1)时，组合滤波器类似于非线性滤波器。这样与目前的算法中他们各自单独作用相比较，进一步提升了对回声路径的非线性特性的建模能力，降低了算法的运算量，收敛更加快速平稳，对回声的消除效果更好。

该方式将远端输入信号进行核函数扩展变换，将远端输入信号和远端输入信号处理后的信号通过自适应滤波器(LMS-2/LMS-1)分别进行滤波，将两个滤波器的输出分别通过协同因子λ进行链接，将通过协同因子链接后的输出，作为整体的滤波输出，根据滤波结果更新自适应滤波器的权重；其中协同因子的参数值基于自适应滤波器的滤波结果。核函数自适应滤波器(Kernel adaptive filter)被广泛的应用于各种复杂的输入-输出模型，且具有全局的优化最小值和适中的运算复杂度等优点。

其中：

核函数扩展变换：

定义

则称函数к为核函数。其中n,n'为输入空间

设

(1)对于任意的

(2)满足再生特性。

Mercer核满足上述条件，因此也称为再生核。在内积空间

Mercer定理很好地说明了RKHS的性能，Mercer定理表明，任意再生核κ(n,n')可以展开成：

特征值是非负的，因此，映射

由上式可得，

根据上式，可以使用非线性函数

κ(n,n')＝exp(-a||n,n'||

κ(n,n')＝(n

其中，高斯核产生的RKHS是无限维的，且具有通用的逼近能力、数值计算稳定。通过核函数的变换将远端输入信号x(n)经过核函数扩展后得到高维向量Φ(x(n))，简化为Φ(n),相应的自适应滤波权值高维映射为α(n),根据LMS算法的迭代更新原则,对应n次迭代的输入Φ(n)与期望值d(n),得到：

e

e

其中c

c(n)＝λ

其中λ(n)为协同因子，用于调整非线性自适应滤波器输出信号的比重，协同因子λ(n)取为sigmoid函数:

式中，a(n)为辅助参数，通过更新a(n)就可以更新λ(n),a(n)的迭代更新式为：

式中,μ

p(n)＝βp(n-1)+(1-β)(c

式中，β是一个平滑因子，为了避免λ(n)趋于0或1时，辅助参数a(n)更新缓慢甚至停滞的问题。

考虑到回声脉冲响应的估计的准确性，线性和核自适应滤波器分别使用线性估计误差e

ω(n)＝ω(n-1)+μe

α(n)＝α(n-1)+ηe

其中μ为线性自适应滤波的步长，η核自适应滤波的步长。

接下来结合实施例描述本申请提出的核自适应非线性回声消除方法。

一种组合函数链接型的核自适应非线性回声消除方法，回声消除方法包括：

S1、对回声路径中的远端信号进行采集，及采集远端信号，

S2、基于高斯核函数变换将采集到的远端信号进行核函数扩展，获得高维非线性输入信号的向量，

S3、基于自适应滤波器分别对S1中的信号X

S4、通过协同因子链接得到总体滤波输出，c(n)＝λ

其中λ(n)为协同因子，用于调整非线性自适应滤波器输出信号的比重，协同因子λ(n)取为sigmoid函数；

S5、回声抵消。这样通过协同因子可以调节组合滤波器，当协同因子接近第一预设阈值(0)时，组合滤波器表现类似于线性滤波器，当协同因子接近第二预设阈值(1)时，组合滤波器类似于非线性滤波器。这样与现有算法中各自单独作用相比较，进一步提升了对回声路径的非线性特性的建模能力，降低了算法的运算量，收敛更加快速平稳，对回声的消除效果更好。

接下来结合附图1-图4来描述本申请提出的组合函数链接型的核自适应非线性回声消除方法。

如图1所示，实施例提供了一种组合函数链接型的核自适应非线性回声消除方法，其具体步骤如下：

S11.采集远端信号

对回声路径中的远端信号进行采样，得到信号当前时刻n的离散值x(n),远端信号在n到n-L+1时刻的值构成当前时刻n的线性滤波器的输入向量X

S21.非线性输入向量进行核函数扩展

使用高斯核函数来做核函数扩展，数值计算稳定

κ(n,n')＝exp(-a||n,n'||

通过核函数的变换将非线性滤波器的输入向量X

S31.远端信号滤波

分别将步骤S11处理的信号X

S41通过协同因子链接得到总体滤波输出

c(n)＝λ

其中λ(n)为协同因子，用于调整非线性自适应滤波器输出信号的比重，协同因子λ(n)取为sigmoid函数；

S51.回声抵消。将近端麦克风拾取到的带回声的近端信号d(n)与线性滤波预测输出值C

e

e

e(n)＝d(n)-c(n),

S61.更新协同因子

式中，a(n)为辅助参数，通过更新a(n)就可以更新λ(n),a(n)的迭代更新式为：

式中,μ

p(n)＝βp(n-1)+(1-β)(c

式中，β为平滑因子，为了避免λ(n)趋于0或1时，辅助参数a(n)更新缓慢甚至停滞的问题。

S71.滤波器(LMS-2/LMS-1)的权重更新利用最小均方算法(LMS)更新:

ω(n)＝ω(n-1)+μe

α(n)＝α(n-1)+ηe

其中μ为线性自适应滤波(LMS-2/LMS-1)的步长，η核自适应滤波的步长。

A.令n＝n+1,重复S11、S21、S31、S41、S51、S61、S71的步骤，直至迭代结束。

仿真实验

为了验证本发明实施例的有效性，进行了仿真实验，并与背景技术中提及的方法(1)(CC-FLAF)和方法(2)(KLMS)进行对比。

远端语音信号采用一段时长为3S的男生语音，采样频率为44100HZ，回声信道脉冲响应h(n)在长5m，宽4m，高6m的房间中(位置记为[5 4 6])采集，麦克风位置为[2 1.5 2],扬声器位置为[2 3.5 2]，墙面反射系数为0.4，脉冲响应长度为1024。得到的脉冲响应如图2所示。且假设近端只存在噪声信号v(n)。为了准确模拟扬声器的失真引起的回声路径非线性的情况，实验中将一个无记忆的非线性sigmoid函数模型应用于远端信号，其表达式为：

其中g(n)由远端信号x(n)组成的二次函数：

γ为sigmoid函数增益，一般取γ＝2，p的取值由g(n)确定:

再将o(n)与回声路径进行h(n)进行卷积。

实验中设置实际回声脉冲响应和自适应滤波器的阶数均为1024，核函数扩展阶数为20。

按照以上实验条件，用本发明实施例与现有的两种方法进行回声消除实验。各种方法的参数具体取值如表1。

表1实验各算法的最优参数近似取值

图3给出了3种方法的权误差向量范数(WEVN)的对比曲线。可以看出，通过协同因子组合线性滤波器和非线性滤波器，其效果要优于KLMS。由于在权值更新上本文方法与方法(1)无差别，所以本文的WEVN曲线与方法1中WEVN曲线重合。

图4给出了3种方法的回波衰减增益(ERLE)的对比曲线。可以看出，只用CC-FLAF方法，其效果要低于KLMS，本文在CC-FLAF方法上改进了协同因子的链接方法，进一步加快了对非线性回声的辨识能力。因此相较于现有方法(1)、(2)的方法，本发明实施例收敛速度更快，且收敛稳定后的ERLE值也更大。

另外，本申请实施例提供一种计算机存储介质，其上配置有计算机程序，该计算机程序运行上述的组合函数链接型的核自应非线性回声消除方法。

上述实施例只为说明本申请的技术构思及特点，其目的在于让熟悉此项技术的人是能够了解本申请的内容并据以实施，并不能以此限制本申请的保护范围。凡如本申请精神实质所做的等效变换或修饰，都应涵盖在本申请的保护范围之内。