專利名稱：：一種基于加權(quán)次梯度投影的數(shù)字助聽器回聲路徑估計(jì)方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種數(shù)字助聽器回聲路徑自適應(yīng)估計(jì)方法。二.
背景技術(shù)：
：回聲是困擾數(shù)字助聽器使用的一個(gè)普遍問(wèn)題。通?；芈曄闹饕枷胧窍裙烙?jì)回聲路徑，然后根據(jù)回聲路徑估計(jì)回聲信號(hào)，并將其從輸入信號(hào)中減去。自適應(yīng)濾波器法是最常見的回聲消除方法。這種方案的核心是設(shè)計(jì)自適應(yīng)濾波器估計(jì)回聲路徑，進(jìn)而估計(jì)出回聲信號(hào)，并將其從輸入信號(hào)中減去。因?yàn)榛芈暵窂诫S環(huán)境而變化，故自適應(yīng)濾波器應(yīng)能快速跟蹤這種變化。數(shù)字助聽器回聲路徑的自適應(yīng)估計(jì)算法有很多種。在本發(fā)明之前，最常用的是是LMS(LeastMeanSquare,最小均方誤差)算法、NLMS(NormalLeastSquare,歸一化最小均方誤差)算法和RLS(RecursiveLeastSquare,迭代最小二乘)算法。2000年J.M.Kates在U.S.patentUS6072884(Feedbackcancellationapparatusandmethods)中介紹了LMS算法和NLMS算法在數(shù)字助聽器回聲消除系統(tǒng)的應(yīng)用，這類算法通過(guò)最小化均方誤差目標(biāo)函數(shù)的方法估計(jì)回聲路徑，主要優(yōu)點(diǎn)是計(jì)算量較小，有利于實(shí)時(shí)實(shí)現(xiàn)，但是算法的收斂速度和收斂精度都不高，并且在低信噪比和高有色噪聲的環(huán)境下性能明顯下降。S.Haykin在AdaptiveFilterTheory.(UpperSaddleRiver,NJ:Prentice-Hall,1996)—書中介紹了RLS自適應(yīng)估計(jì)算法，該算法雖然能夠取得較高的收斂性能，但計(jì)算復(fù)雜性隨濾波器階數(shù)快速上升，難以在數(shù)字助聽器中實(shí)時(shí)實(shí)現(xiàn)。近年來(lái)AP(AffineProjection,仿射投影)算法和POCS(ProjectionofOntoConvexSets,凸集投影)算法等投影算法也被應(yīng)用于通信系統(tǒng)回聲路徑估計(jì)，在這類應(yīng)用中，AP算法改善了經(jīng)典NLMS算法在有色信號(hào)輸入時(shí)的收斂性能，而POCS算法相比AP算法的優(yōu)點(diǎn)在于POCS利用投影算子向特定的閉合凸集多次投影，在低信噪比情況下取得了比AP算法更快的收斂速度。但是，這類投影算法的缺點(diǎn)在于它們所使用的投影算子常常難以定義，而且也沒(méi)有在數(shù)字助聽器回聲消除系統(tǒng)中應(yīng)用的研究。三.
發(fā)明內(nèi)容1.所要解決的技術(shù)問(wèn)題本發(fā)明的目的就在于克服上述缺陷，針對(duì)數(shù)字助聽器回聲消除模型，設(shè)計(jì)實(shí)現(xiàn)了一種新的加權(quán)次梯度投影回聲路徑估計(jì)方法。2.技術(shù)方案一種數(shù)字助聽器回聲路徑自適應(yīng)估計(jì)方法，其主要技術(shù)步驟如下(1)初始化自適應(yīng)濾波器h。，該濾波器系數(shù)在算法中將迭代更新，收斂于實(shí)際反饋路徑h.;(2)構(gòu)造數(shù)字助聽器輸出信號(hào)矩陣U,=[ut,ut—,，…,L+,r，這里k表示離散信號(hào)時(shí)間序號(hào)，r為算法的步長(zhǎng)，114=["(""("1)，...,"("^+1)廣為助聽器輸出語(yǔ)音信號(hào)向量，N為自適應(yīng)濾波器長(zhǎng)度；(3)獲取數(shù)字助聽器輸入信號(hào)向量dr-Uh'+n廣[rf(A),^fc-1),…^(""l)r，其中h'表示實(shí)際反饋路徑，！^表示助聽器中原始輸入信號(hào)S^和疊加噪聲的總和；(7)(4)計(jì)算凸函數(shù)g(10—llfh廣dU-P，其中參數(shù)p使用公式p:-m廣mH十算，這里CT為I^的方差；(5)計(jì)算次梯度t=Vg(h')=(U:h'-dt);(6)根據(jù)已有的數(shù)字助聽器系統(tǒng)先驗(yàn)信息設(shè)定指數(shù)衰減權(quán)重矩陣A=A......00......aw=BB，這里A和B滿秩，N為自適應(yīng)濾波器階數(shù),、l,……y為指數(shù)衰減因子，滿足0<7<1，y的值通過(guò)先驗(yàn)知識(shí)獲得或經(jīng)過(guò)測(cè)量得到；計(jì)算加權(quán)次梯度投影<formula>formulaseeoriginaldocumentpage4</formula>(式l)(8)更新濾波器系數(shù)h",ht+^(尸礦(w(h,)—ht),^e、根據(jù)圖l所示的模型，該向量d,:-U〖h'+i^，其中h'表示實(shí)際反饋路徑，1^表示助聽器中原始輸入信號(hào)S^和疊加噪聲的總和。(4)為了在第k個(gè)時(shí)刻通過(guò)Updt，使自適應(yīng)濾波器系數(shù)h向?qū)嶋H反饋路徑h'逼近，采取加權(quán)次梯度投影的逼近方法，其公式推導(dǎo)如下。定義凸集Cmin^lu:h-d*|,(式3){;"1"..，附}滿足如下約束Co):={"W:|u:h_dA『-ps0}f2、'(式4)={/z":|u〖h-d*||、/>}這樣對(duì)實(shí)際反饋路徑h'的估計(jì)問(wèn)題就轉(zhuǎn)變成了向凸集C的投影問(wèn)題。定義凸函數(shù)g(h):=|urh-d『-AVheY(式5)以及梯度算子t:=Vg(h)=2U(Urh-d),Vhe^,(式6)那么可以定義基于該凸函數(shù)的半空間/T(h4):={he;W:(h-hjs+g(hj,，(式7)當(dāng)VxeC;(p)有g(shù)(x)SO，并且可以得到(x—y)rs+g(y)5g(X)S0,(式8)(式8)意味著xe/T(y)，因此C^(A)c/r(hJ，即對(duì)CJp)的投影可以擴(kuò)展為對(duì)半空間/T(^)的投影，此為次梯度投影，其投影公式為P/r(h4)(h*):(式9)參數(shù)p的取值直接影響了lTeC(P)的概率。較大的p的取值意味著約束集合包含真實(shí)反饋路徑概率較大，但收斂速度較慢；相反，較小的p的取值意味著收斂速度較快，但約束集合包含真實(shí)反饋路徑的概率較小，可能導(dǎo)致自適應(yīng)系統(tǒng)收斂到錯(cuò)誤的反饋路徑。因此p的取值應(yīng)與相應(yīng)的噪聲環(huán)境相吻合。假定隨機(jī)變量《=||^||2滿足,2p.d.f.,可以使用簡(jiǎn)單的公式y(tǒng)o:=附《=ro"2計(jì)算/0，這里CT表示i^的方差。由于在助聽器回聲路徑估計(jì)時(shí)泄漏在耳道內(nèi)的脈沖響應(yīng)是遵循指數(shù)衰減規(guī)律的，因此充分考慮這樣的衰減特性可以提高算法的收斂速度和收斂精度。下面介紹利用回聲路徑的先驗(yàn)信息設(shè)定權(quán)值矩陣，使自適應(yīng)濾波器的系數(shù)按照權(quán)值矩陣的規(guī)律收斂到理想路徑的加權(quán)次梯度投影方法。這里設(shè)定指數(shù)衰減權(quán)重矩陣A:0:BB，A和B滿秩，N為自適應(yīng)濾波器階數(shù)，a,.、/",..….r為指數(shù)衰減因子，滿足0<7<1,y的值通過(guò)先驗(yàn)知識(shí)獲得或經(jīng)過(guò)測(cè)量得到。當(dāng)考慮投影的權(quán)重矩陣A后，定義ii-B—^禾卩tJ:BU，則構(gòu)造凸函數(shù)g(fi)定義為g(ii):=|tjrii—d|『—p'(式io)并且注意到禍H卜,b-'h—4—P，(式u)=|urh-d『-P=g(h)因此凸集(^(^):=5;;￡//:8(￡)^0}實(shí)際上和(式4)定義的凸集完全相同。重新定義半空間g-(^)使其能夠分離^=B-、和凸集&Go)，根據(jù)次梯度投影原理可以得到t):={":(fi-吣)r々g(fik)+g(、),，這里fg(￡k)表示在Kk點(diǎn)凸函數(shù)對(duì)￡的次梯度，并且々g(ii)=2帥q-d),Vfie:W。這里注意到禾口々g(fi)=2BU(lfBH-=BVg(h)A-(ht):={hW.(B-1h-B、)rBVg(hk)+g(h*)《0}={hKh-ht)r(B-1)rBVg(hk)+g(ht)S0}={lH(h-)rVg(hk)+g(ht),Kh4)(式12)(式13)(式14)(式15)7根據(jù)(式9)從iik向半空間5—(fi4)的投影可以定義為h4+(式16)根據(jù)定義fi-B-ih禾口6二BU,我們可以將(式16)B'h*UB—、)_利用(式ii)、(式M)和(式i6)，(式n)等價(jià)于寫為g(B-、)S0g(B、)〉0'(式17)即、+—BBg(ht)(V&(ht))'BBV&(hJ▽&(h4)g(hj>0一她)g(、)>0(式18)(式19)(V&(ht))'AV&(hJ(式19)定義了加權(quán)次梯度投影公式，表示為WAPSM(WeightedAdaptiveProjectionSubgradientMethod,加權(quán)次梯度投影算法)。它意味著h,的更新方向由設(shè)定的權(quán)矩陣A修正，該投影的幾何意義解釋(簡(jiǎn)單起見，設(shè)M-2)由圖2所示。本方法根據(jù)(式19)計(jì)算濾波器系數(shù)、的加權(quán)次梯度投影。首先計(jì)算凸函數(shù)g(ht):=|u、-d|f-P，其中參數(shù)/7使用公式p:-^:mH十算，這里tr為i^的方差；然后計(jì)算次梯度t-Vg(hJ-2(U:h'-dt);最后根據(jù)(式19)計(jì)算計(jì)算加權(quán)次梯投影/V,h、(ht)。(5)更新濾波器系數(shù):h*+W-(h,>(h*)—h"4e.(式20)(6)*=/t+l,返回步驟(2)，直至信號(hào)序列處理完畢。3.性能評(píng)價(jià)分析以下的實(shí)驗(yàn)比較了本發(fā)明提出的WAPSM(WeightedAdaptiveProjectionSubgradientMethod,加權(quán)次梯度投影)算法與NLMS算法和APSM算法的性能差異。實(shí)驗(yàn)使用了兩種回聲路徑，第一種回聲路徑hl(圖3)為空間尺寸5mX4mX3m的真實(shí)房間作為回聲路徑，第二種回聲路徑gl(圖4)由下式給出W)e掘"1""200，(式21)這里^w)為均值0方差0.5的高斯白噪聲，之所以選用這種路徑是因?yàn)樗浅ｎ愃朴谥犉鲹P(yáng)聲器經(jīng)耳道和耳罩泄露到麥克風(fēng)的真實(shí)測(cè)量回聲路徑。實(shí)驗(yàn)考慮兩種類型的助聽器輸入信號(hào)，第一種使用高斯白噪聲作為輸入信號(hào)，第二種使用TIMIT數(shù)據(jù)庫(kù)中的"anl01-mtms-senn"語(yǔ)音段作為輸入信號(hào)，該語(yǔ)音片段采樣率為16KHz。實(shí)驗(yàn)系統(tǒng)的前向路徑采用固定增益G。，并具有單一延遲單元，其傳遞函數(shù)為G(z)=G。z-'。實(shí)驗(yàn)針對(duì)G。=3,5,10多種取值進(jìn)行，不考慮自動(dòng)增益控制(AGC)單元。在實(shí)驗(yàn)中NLMS算法取歸一化收斂因子//=0.5，在hi路徑估計(jì)時(shí)^=0.99，在gl路徑估計(jì)時(shí)y=0.95123?；芈暵窂焦烙?jì)方法的性能由自適應(yīng)濾波器失準(zhǔn)系數(shù)(Misalignment)，其定義為附/》="L;;~這里《和d)為真實(shí)反饋路徑的參數(shù)及估計(jì)路徑的參數(shù)，為范數(shù)算子。比較WAPSM算法和NLMS算法以及APSM算法在固定增益G。情況下的失準(zhǔn)性能。實(shí)際結(jié)果如圖5所示。圖中實(shí)驗(yàn)結(jié)果顯示，不論是白噪聲作為輸入信號(hào)還是語(yǔ)音片段作為輸入信號(hào)，WAPSM算法都取得了比NLMS算法和APSM算法更穩(wěn)定的收斂性能和更小的失準(zhǔn)系數(shù)。對(duì)hl反饋路徑，由于路徑的指數(shù)衰減并不明顯，因此WAPSM算法和APSM算法性能相似，二者在白噪聲輸入的情況下，都取得了比NLMS算法低15dB的最終失準(zhǔn)系數(shù)；對(duì)語(yǔ)音片段輸入，二者比NLMS算法失準(zhǔn)系數(shù)降低了6dB。對(duì)gl反饋路徑，由于路徑有明顯的指數(shù)衰減特征，WAPSM算法比APSM和NLMS算法的性能更優(yōu)越。在白噪聲輸入的情況下，WAPSM算法的失準(zhǔn)系數(shù)比APSM算法下降3dB，比NLMS算法下降4dB;在語(yǔ)音片段作為輸入的情況下，WAPSM算法的失準(zhǔn)系數(shù)比APSM下降了ldB，比NLMS算法下降了5dB。另外，WAPSM算法的失準(zhǔn)系數(shù)下降的收斂速度和收斂穩(wěn)定性得到顯著提升。特別從圖6(c)和圖6(d)可以看出，在實(shí)際語(yǔ)音片段作為助聽器輸入信號(hào)的情況下，實(shí)驗(yàn)結(jié)果顯示W(wǎng)APSM算法取得了卓越的失準(zhǔn)性能，而絕大多數(shù)常用算法，如NLMS算法，在實(shí)際語(yǔ)音信號(hào)作為輸入時(shí)性能都有顯著下降。權(quán)利要求1.一種數(shù)字助聽器回聲路徑自適應(yīng)估計(jì)方法，其特征是使用加權(quán)次梯度投影算法估計(jì)回聲路徑，其主要步驟為(1)初始化自適應(yīng)濾波器h0，該濾波器系數(shù)在算法中將迭代更新，收斂于實(shí)際反饋路徑h*；(2)構(gòu)造數(shù)字助聽器輸出信號(hào)矩陣Uk＝[uk，uk-1，...，uk-r+1]T∈RN×r，這里k表示離散信號(hào)時(shí)間序號(hào)，r為算法的步長(zhǎng)，uk＝[u(k)，u(k-1)，...，u(k-N+1)]T為助聽器輸出語(yǔ)音信號(hào)向量，N為自適應(yīng)濾波器長(zhǎng)度；(3)獲取數(shù)字助聽器輸入信號(hào)向量<mathsid="math0001"num="0001"><math><![CDATA[<mrow><msub><mi>d</mi><mi>k</mi></msub><mo>:</mo><mo>=</mo><msubsup><mi>U</mi><mi>k</mi><mi>T</mi></msubsup><msup><mi>h</mi><mo>*</mo></msup><mo>+</mo><msub><mi>n</mi><mi>k</mi></msub><mo>=</mo><msup><mrow><mo>[</mo><mi>d</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>,</mo><mi>d</mi><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>d</mi><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mi>r</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>]</mo></mrow><mi>T</mi></msup><mo>,</mo></mrow>]]></math>id="icf0001"file="A2008100240450002C1.tif"wi="72"he="4"top="91"left="88"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>其中h*表示實(shí)際反饋路徑，nk表示助聽器中原始輸入信號(hào)sk和疊加噪聲的總和；(4)計(jì)算凸函數(shù)g(hk)＝||UThk-d||2-ρ，其中參數(shù)ρ使用公式ρ＝mξ＝rσ2計(jì)算，這里σ為nk的方差；(5)計(jì)算次梯度<mathsid="math0002"num="0002"><math><![CDATA[<mrow><mi>t</mi><mo>=</mo><mo>▿</mo><mi>g</mi><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>=</mo><msub><mrow><mn>2</mn><mi>U</mi></mrow><mi>k</mi></msub><mrow><mo>(</mo><msubsup><mi>U</mi><mi>k</mi><mi>T</mi></msubsup><msub><mi>h</mi><mi>k</mi></msub><mo>-</mo><msub><mi>d</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>;</mo></mrow>]]></math>id="icf0002"file="A2008100240450002C3.tif"wi="42"he="4"top="133"left="58"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>(6)根據(jù)已有的數(shù)字助聽器系統(tǒng)先驗(yàn)信息設(shè)定指數(shù)衰減權(quán)重矩陣id="icf0003"file="A2008100240450002C4.tif"wi="46"he="20"top="151"left="39"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>這里A和B滿秩，N為自適應(yīng)濾波器階數(shù)，αi＝α0γi-1，i＝1，......，N，γ為指數(shù)衰減因子，滿足0＜γ＜1，γ的值通過(guò)先驗(yàn)知識(shí)獲得或經(jīng)過(guò)測(cè)量得到；(7)計(jì)算加權(quán)次梯度投影<mathsid="math0003"num="0003"><math><![CDATA[<mrow><msub><mi>P</mi><mrow><msup><mi>H</mi><mo>-</mo></msup><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow></mrow></msub><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>h</mi><mi>k</mi></msub><mo>,</mo></mtd><mtd><mi>g</mi><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>≤</mo><mn>0</mn></mtd></mtr><mtr><mtd><msub><mi>h</mi><mi>k</mi></msub><mo>-</mo><mfrac><mrow><mi>Ag</mi><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow></mrow><mrow><msup><mrow><mo>(</mo><mo>▿</mo><mi>g</mi><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow><mi>T</mi></msup><mi>A</mi><mo>▿</mo><mi>g</mi><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow></mrow></mfrac><mo>▿</mo><mi>g</mi><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>,</mo></mtd><mtd><mi>g</mi><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>></mo><mn>0</mn></mtd></mtr></mtable></mfenced><mo>;</mo></mrow>]]></math>id="icf0004"file="A2008100240450002C5.tif"wi="82"he="17"top="206"left="51"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>(式1)(8)更新濾波器系數(shù)<mathsid="math0004"num="0004"><math><![CDATA[<mrow><msub><mi>h</mi><mrow><mi>k</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>=</mo><msub><mi>h</mi><mi>k</mi></msub><mo>+</mo><msub><mi>λ</mi><mi>k</mi></msub><mrow><mo>(</mo><msub><mi>P</mi><mrow><msup><mi>H</mi><mo>-</mo></msup><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow></mrow></msub><mrow><mo>(</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>-</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>,</mo><msub><mi>λ</mi><mi>k</mi></msub><mo>∈</mo><mo>[</mo><mn>0,2</mn><mo>]</mo><mo>;</mo></mrow>]]></math>id="icf0005"file="A2008100240450002C6.tif"wi="62"he="5"top="236"left="62"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>(式2)(9)k＝k+1，返回步驟(2)，直至信號(hào)序列處理完畢。全文摘要本發(fā)明提出了一種用于數(shù)字助聽器回聲路徑估計(jì)的加權(quán)次梯度投影自適應(yīng)系統(tǒng)估計(jì)方法。本發(fā)明通過(guò)推導(dǎo)得出加權(quán)次梯度投影公式，并將其用于數(shù)字助聽器自適應(yīng)回聲消除系統(tǒng)之中。其具體方法是利用數(shù)字助聽器連續(xù)輸出信號(hào)序列和輸入信號(hào)序列，通過(guò)加權(quán)次梯度投影算法使自適應(yīng)濾波器系數(shù)h逼近實(shí)際回聲路徑h<sup>*</sup>。當(dāng)算法的權(quán)值矩陣設(shè)置合理的情況下，算法的收斂速度和精度相比較以前的算法有很大提高。并且，無(wú)論在白噪聲環(huán)境還是有色噪聲環(huán)境下，算法都取得了卓越的失準(zhǔn)性能。文檔編號(hào)H04R25/00GK101568058SQ20081002404公開日2009年10月28日申請(qǐng)日期2008年4月25日優(yōu)先權(quán)日2008年4月25日發(fā)明者杰喬,華余,吉奚,王青云,力趙,鄒采榮申請(qǐng)人:王青云