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制造技术

本发明专利技术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。本发明专利技术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。

An anti impact kernel function adaptive filtering algorithm for nonlinear echo cancellation

The invention relates to an anti shock kernel function adaptive filtering algorithm for nonlinear echo cancellation, which belongs to the signal processing field. The partial update technique of the invention can reduce the operation cost by selecting part of the filter coefficient at every iteration time, thus reducing the operation cost, and reducing the computation of the algorithm as much as possible while guaranteeing the convergence speed to obtain satisfactory echo cancellation effect. At the same time, combining the M estimation of robust statistics, this paper systematically studies the effective techniques to improve the anti-jamming performance of the kernel function adaptive filtering algorithm in NLAEC applications, which is helpful to further understanding the algorithm performance enhancement brought by these technologies, such as fast convergence and tracking, and preventing the divergence of the dual end speech algorithm.

【技术实现步骤摘要】
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
本专利技术属于信号处理领域，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。
技术介绍
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(kerneltrick)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(affineprojectionalgorithm,APA)、以及迭代最小二乘(recursiveleastsquares,RLS)算法的核函数算法，即kernelLMS(KLMS)、kernelAPA(KAPA)、和kernelRLS(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(kerneladaptivefilter)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(robuststatistics)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(impulsivenoise)的能力。
技术实现思路
有鉴于此，本专利技术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(partialupdate)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，本专利技术提供如下技术方案：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′||)，κ(X,X′)＝(XTX′+1)p，其中核κ(X,X′)表示两个向量的函数，p为多项式的阶数；高斯核函数将数据从其特征空间映射到更高维的空间，使用高斯核函数得到理想的低错误率结果，根据Mercer定理，RKHS的再生核κ(X,X′)扩展成：其中和φi分别为特征值和特征方程；两个空间的映射构建为：特征空间的维数由正特征值的个数决定；对于高斯核函数来说，其维数为无穷大；根据机器学习的理论，是相关的特征映射，即是变换后映射到特征空间的特征向量；根据特征空间的内积特性，得到：通过RKHS的映射，将线性空间的输入信号矢量X(n)，映射到高维的特征空间后，X(n)表示n次迭代X的输入矢量，简化为相应的自适应滤波器权值矢量的高维映射为ω(n)，则根据NLMS算法的迭代更新原则，对应n次迭代的输入与期望值d(n)，得到：ω(0)＝0，其中μ为步长因子，为避免很小时出现很大的步长，还包括一个很小的参数ε；如果第n-1次迭代中得到w(n-1)，那么预测误差e(n)被定义为如下形式：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，从而减少运算开销；通过引入一个对角矩阵SX(n)＝diag[s1(n),s2(n),...,sL(n)]到KNLMS算法中推导出所需更新的部分参数：C为所有权值系数的分组数；算法通过不同的信号环境和应用特点选择所更新的部分系数，在相应的条件下取得算法收敛性能和运算复杂度的很好平衡。应用所述算法的鲁棒核函数自适应滤波算法，所述鲁棒核函数自适应滤波算法的最小化的是鲁棒M-估计(M-estimate)代价方程Jρ＝E[ρ(e(n))]，其中，ρ(e(n))是一个M-估计方程，为改进的HuberM-估计方程；将M-估计方法运用到KNLMS算法上来增强算法对抗脉冲干扰的能力；通过往即时梯度矢量的负方向迭代更新W(n)以最小化Jρ，得到鲁棒算法最小化的是所谓的鲁棒M-估计(M-estimate)代价方程Jρ＝E[ρ(e(n))]，W为滤波器矢量，ψ(e)称作评价函数，对于改进的HuberM-估计方程，有则得到KNLMS算法的鲁棒稳定版本，最小均值M-估计算法部分更新的KNLMSM-估计算法为本专利技术的有益效果在于：本专利技术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。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1(a)为MH函数ρ(e)，(b)为ρ(e)的评价函数ψ(e)；图2为非线性回声消除系统。具体实施方式下面将结合附图，对本专利技术的优选实施例进行详细的描述。本专利技术的目的在于引入鲁棒统计的技术到部分更新的KernelNLMS算法中以增强算法对抗脉冲干扰的能力。为达到上述目的，本专利技术采用了以下技术方案。1.用于NLAEC的部分更新的核函数自适应滤波算法图1(a)为MH函数ρ(e)，(b)为ρ(e)的评价函数ψ(e)；核函数自适应滤波器是基于再生核Hilbert空间的原理开发出来的。对于原有空间的数据不容易处理的情况，例如NLAEC中的非线性回波路径辨识等应用，可以将数据从一个特征空间(featurespace)转换到另一个特征空间。在新空间下，可以容易地利用已有的工具对数据进行处理。数学上称该过程为从本文档来自技高网...

【技术保护点】
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，其特征在于：该方法包括以下步骤：设

【技术特征摘要】
1.一种用于非线性回声消除的抗冲击核函数自适应滤波算法，其特征在于：该方法包括以下步骤：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′||)，κ(X,X′)＝(XTX′+1)p，其中核κ(X,X′)表示两个向量X,的函数，p为多项式的阶数；高斯核函数将数据从其特征空间映射到更高维的空间，使用高斯核函数得到理想的低错误率结果，根据Mercer定理，RKHS的再生核κ(X,X′)扩展成：其中和φi分别为特征值和特征方程；两个空间的映射构建为：特征空间的维数由正特征值的个数决定；对于高斯核函数来说，其维数为无穷大；根据机器学习的理论，是相关的特征映射，即是变换后映射到特征空间的特征向量；根据特征空间的内积特性，得到：通过RKHS的映射，将线性空间的输入信号矢量X(n)，映射到高维的特征空间后，X(n)表示n次迭代X的输入矢量，简化为相应的自适应滤波器权值矢量的高维映射为ω(n)，则根据NLMS算法的迭代更新原则，对应n次迭代的输入与期望值d(n)，得到：ω(0)＝0，其中μ为步长因子，为避免很小时出现很大的步长，还包括一个很小的参数ε；如...

【专利技术属性】
技术研发人员：周翊，周俊锴，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50