声反馈抑制需求鲁棒、高效的自适应滤波器。该文提出一种基于Gauss-Seidel伪放射投影(Gauss-Seidel pseudo affine projection,GSPAP)的子带自适应声反馈消除算法。通过加权重叠相加滤波器组进行子带划分,子带上采用参考信号的自相关矩...声反馈抑制需求鲁棒、高效的自适应滤波器。该文提出一种基于Gauss-Seidel伪放射投影(Gauss-Seidel pseudo affine projection,GSPAP)的子带自适应声反馈消除算法。通过加权重叠相加滤波器组进行子带划分,子带上采用参考信号的自相关矩阵取代能量对滤波器的自适应步长进行归一化;在自相关矩阵的迭代公式中引入基于输入信号和参考信号能量最大值的自整定系数,增强算法鲁棒性;选用二阶GSPAP迭代法对自相关矩阵解算求逆,以平衡算法性能与复杂度。实验结果表明:在相同滤波器长度的条件下,该文方法获得11~22dB的稳态增益增量,比时域归一化最小均方误差(normalized least mean square,NLMS)方法提升20%~55%。展开更多
在单个麦克风的声反馈抑制系统中,基于μ准则的比例归一化最小均方(Proportionate normalized least mean square based onμ-law, MPNLMS)算法由于步长控制矩阵更优,总体收敛速度快,被广泛应用于声反馈抑制技术,但MPNLMS算法对滤波器...在单个麦克风的声反馈抑制系统中,基于μ准则的比例归一化最小均方(Proportionate normalized least mean square based onμ-law, MPNLMS)算法由于步长控制矩阵更优,总体收敛速度快,被广泛应用于声反馈抑制技术,但MPNLMS算法对滤波器系数的有偏估计会显著地降低其性能。针对上述问题,提出一种基于双麦克风模型的MPNLMS算法,系统中副麦克风估计主麦克风的有效输入信号,将估计信号与主麦克风输出信号相减之后所得的误差信号用于自适应滤波器系数的更新。仿真结果表明,提出的基于双麦克风模型的MPNLMS算法不再受制于扬声器输出信号与有效信号之间的相关性,而且上述算法的收敛速度、误差与最大增益均优于传统单个麦克风声反馈抑制系统中的MPNLMS算法。展开更多
文摘声反馈抑制需求鲁棒、高效的自适应滤波器。该文提出一种基于Gauss-Seidel伪放射投影(Gauss-Seidel pseudo affine projection,GSPAP)的子带自适应声反馈消除算法。通过加权重叠相加滤波器组进行子带划分,子带上采用参考信号的自相关矩阵取代能量对滤波器的自适应步长进行归一化;在自相关矩阵的迭代公式中引入基于输入信号和参考信号能量最大值的自整定系数,增强算法鲁棒性;选用二阶GSPAP迭代法对自相关矩阵解算求逆,以平衡算法性能与复杂度。实验结果表明:在相同滤波器长度的条件下,该文方法获得11~22dB的稳态增益增量,比时域归一化最小均方误差(normalized least mean square,NLMS)方法提升20%~55%。
文摘在单个麦克风的声反馈抑制系统中,基于μ准则的比例归一化最小均方(Proportionate normalized least mean square based onμ-law, MPNLMS)算法由于步长控制矩阵更优,总体收敛速度快,被广泛应用于声反馈抑制技术,但MPNLMS算法对滤波器系数的有偏估计会显著地降低其性能。针对上述问题,提出一种基于双麦克风模型的MPNLMS算法,系统中副麦克风估计主麦克风的有效输入信号,将估计信号与主麦克风输出信号相减之后所得的误差信号用于自适应滤波器系数的更新。仿真结果表明,提出的基于双麦克风模型的MPNLMS算法不再受制于扬声器输出信号与有效信号之间的相关性,而且上述算法的收敛速度、误差与最大增益均优于传统单个麦克风声反馈抑制系统中的MPNLMS算法。
