各种自适应滤波器总结
音质优化，回声消除试听： https://pan.baidu.com/s/1nvObNvz
时域：
----------------------------------------------------------------------------------------------------------------------
LMS滤波器
参数更新公式：
权重更新收到输入信号的能量影响较大，输入信号能量越大，步长取值应该较小，保证不容易发散。
步长太大，容易发散。
步长太小，稳定，但是收敛速度慢，相互矛盾。
缺点：
1.逐个点更新，计算量大
2.瞬时跟踪能力较弱
NLMS滤波器
将输入信号的能量融合入权重更新公式，则
优点：对于不太平稳的语音，相对LMS，也有较快的收敛性和平稳性。
计算量问题：
LMS算法：M阶自适应滤波器作用，有M次乘法，权重因子更新，则有M+1次乘法。M阶滤波器走一圈，则有2M+1次乘法。
NLMS算法：需要加上额外的能量乘法计算，则有3M+2次乘法。
计算量都正比于M阶系数。
对于NLMS中能量的计算，可以用平均能量做平滑进行估计，减小计算量：
AP算法：NLMS的一般化
利用了P列历史数据，后续的参数计算都是矩阵计算，不再是逐个点计算。有更好更快的收敛性，但是 计算量变大为
重复利用过去的数据来提高收敛速度，但数据重用也导致了计算复杂度的增大。
当P为1时，退化成NLMS。
RLS算法：最小化加权重的均方误差和。
越久的点，则占的权重就越小，符合实际情况，满足非平稳的特性。
更新公式：
其中，
复杂度：
----------------------------------------------------------------------------------------------------------------------
可变步长：
----------------------------------------------------------------------------------------------------------------------
时延估计：
DTD检测：
http://www.docin.com/p-1263426732.html
http://www.docin.com/p-848898417.html&dpage=1&key=%E5%9B%9E%E9%9F%B3%E6%80%8E%E4%B9%88%E6%B2%BB
《一种新的回音消除的双向通话检测算法》
能量比较法
GEIGEL法 简单误判率高
相关函数法 计算量大
回声路径估计法 复杂
两矢量夹角法 就是下面那个公式
如果v(n)由u(n)经过线性系统获得，则该系数为1，表示两者之间的线性关系，相关度。
NLP后处理：
----------------------------------------------------------------------------------------------------------------------
子带自适应滤波器的若干问题
子带滤波器要完美重建需要满足一定条件，实际工程中，只需满足现实需求即可。
优点：
1.分成子带后，每个子带的信号变得相对平坦，频谱下采样后，有利于滤波器收敛。
代码中，对子带频域信号进行循环偏移(时域抽取)，只取前面FS/D。
D决定了把频谱分成几个块，把这几个块进行循环右移动0~D-1，叠加在第一个块中。
Hz(i) 送入第几个子带信号，进行下采样(频谱下采样最后得到 W/D带宽的窄带信号)。
子带信号的时域和频域做法
子带时域，每隔D次更新 恢复，先通过FFT变换，变成频域子带信号(已经偏移好了)，之后如频域做法
频域做法就是偏移叠加，取第一个块。 恢复全带过程： 重新组合， 频域全带 Ifft 时域全带
相对于子带，过采样的好处，减少混叠。如果是严格下采样，相邻子带有混叠。
将子带信号进行频谱下采样后，可以重新排列，组合成全带信号。
因为子带 1,2,3 和 子带 7,6,5 共轭对称。所以仅需子带0,1,2,3,4可以恢复出全带信号。(i=1,2,...N/2-1)子带 与 N-i子带共轭对称。
2.分成子带后，滤波器的阶数较低，计算量较小。
3.分成子带后，有利于各个子带的并行处理。
缺点：
下采样会造成各个子带有混叠，而且混叠不可避免。对于单个子带来说，混叠相对于添加了噪声，这个会干扰自适应的过程。
为了减小混叠的影响，可以进行过采样，但是这会造成许多小的特征值(自相关矩阵)，这称为子带边界效应。
过采样的好处：减小混叠，均方误差较小；但是相对于严格下采样，一个快的初始收敛，慢的稳定收敛渐进线(边界效应，小的特征值)，如图：
解决的思路：1.融合自适应cross-filter滤波器进行混叠补偿。 2.采用MSAF。 3.采用闭环结构。最小化全局的均方误差，而不是子带。
fir1(127,1/4)低通原型滤波器，Hi(z) = 原型滤波器 指数调制，为复数，所以频谱不会对称。
四个子带； 过采样2倍，减小混叠，但是造成小的特征值；严格下采样，还是包含不希望的混叠分量。
cross-filter，相邻子带之间相互影响的因素考虑进去：如图
开环结构：
对输入信号和期望信号都进行子带分解，每个子带滤波器都各自独立的进行自适应收敛，它不是全局均方误差最小化，而是
各个子带均分误差之和最小。
闭环结构：
对输入信号和误差信号进行子带分解，最小化全局整频带的均方误差最小，有利于减小边界效应和混叠效应，合成时有时延对齐。
PNLMS 加快收敛，误差较大
IPNLMS(improved proportionate) 扩展了NLMS算法，使用不同的步长，针对不同的系数，收敛率不依赖于信号的能量强度。
PMSAF 使用一系列子带信号 用全带滤波器
PMSAF在自适应阶段使用子带信号，这是与IPNLMS最主要的区别。
与之相似的是，步长的计算基于每个系数的幅度。
基本思想：刚开始用大步长，后面用小步长。梯度大时，用小步长，梯度小时，用大步长。
BLMS 分块的LMS时域算法
FBLMS 分块的LMS频域实现算法，可能造成大的时延
PFBLMS 分块频域快速块LMS，可以减小时延，处理长时回声
PBFDAF 或者说FBLMS是MDF的特殊情况，h(n)不作分块，或者说分块为1.
又称为MDF, 与FBLMS,不同的是，h(n)也做了分块，分段块频域自适应滤波，处理长时回声，时延小
各种自适应滤波器总结相关推荐
- lms自适应滤波器实现噪声干扰的语音恢复_ZLG深度解析语音识别技术
语音识别已成为人与机器通过自然语言交互重要方式之一,本文将从语音识别的原理以及语音识别算法的角度出发为大家介绍语音识别的方案及详细设计过程. 语言作为人类的一种基本交流方式,在数千年历史中得到持续传承 ...
- 李备：期待移动端非线性自适应滤波器
LiveVideoStack采访了网易云信资深音频算法工程师李备,对于音频技术的未来,他给出了自己的观点,尤其期待移动端上出现非线性自适应滤波器. 文 / 李备 策划 / LiveVideoStack ...
- 第5章 Python 数字图像处理(DIP) - 图像复原与重建11 - 空间滤波 - 自适应滤波器 - 自适应局部降噪、自适应中值滤波器
标题 自适应滤波器 自适应局部降噪滤波器 自适应中值滤波器 自适应滤波器 自适应局部降噪滤波器 均值是计算平均值的区域上的平均灰度,方差是该区域上的图像对比度 g(x,y)g(x, y)g(x,y)噪 ...
- 自适应滤波器设计及matlab实现,（终稿）自适应滤波器设计及Matlab实现.doc（OK版）...
<自适应滤波器设计及Matlab实现.doc>由会员分享,可免费在线阅读全文,更多与<(终稿)自适应滤波器设计及Matlab实现.doc(OK版)>相关文档资源请在帮帮文库(w ...
- 浅谈自适应滤波器---（快速RLS算法）
在上一篇博客中(浅谈自适应滤波器)我给大家介绍了关于自适应滤波器的一些入门级的知识,并分析了常规RLS算法单次迭代的计算量级为O[N2],当阶数N增大时相应的计算量显著增大,为了将计算量级降低到O[N ...
- 自适应滤波器：递归最小二乘（RLS）
本文转载自:http://www.cnblogs.com/xingshansi/p/6664478.html 前言 西蒙.赫金的<自适应滤波器原理>第四版第九章:递归最小二乘(Recurs ...
- 基于LMS自适应滤波器的QPSK信号均衡器matlab仿真
目录 1.算法概述 2.仿真效果 3.MATLAB仿真源码 1.算法概述 在自适应滤波器设计中,最小均方(Least Mean Square,LMS)算法使用随机梯度下降的方法实现代价函数的最小化,具 ...
- 自适应滤波器设计及matlab实现,自适应滤波器设计及Matlab实现附程序代码
自适应滤波器设计及Matlab实现附程序代码 维纳自适应滤波器设计及 Matlab 实现摘 要本文从随机噪声的特性出发,分析了传统滤波和自适应滤波基本工作原理和性能,以及滤波技术的现状和发展前景.然后 ...
- 如何用Matlab实现自适应滤波器！！！
自适应滤波器Matlab实现 直接上代码吧,原理一大堆,自行了解即可!这是LMS即自适应滤波器的Matlab代码. function [yn,W,en]=LMS(xt,dn,M,mu) itr = l ...
- lms c语言,LMS算法实现自适应滤波器（C语言版）
上次只是发表了MATLAB版本的LMS算法,这次将C语言版的LMS算法一并发表,其中涉及到雅克比公式求矩阵最大特征值的部分我将后续发表到博客中,此C语言版本是本人自己研究MATLAB语言,然后独自翻译 ...
最新文章
- mysql中自己定义函数编程
- pytorch模型加载测试_使用Pytorch实现物体检测（Faster R-CNN）
- 面向对象的三大特征之多态（第三个必要条件）
- go gin框架：StaticFS搭建文件服务器（可以加载文件夹及文件）
- 《SAS编程与数据挖掘商业案例》学习笔记之二
- 前端学习（3262）：js高级教程（5）数据变量和内存
- realme GT2 Pro获3C认证：65W超级快充加持
- linux中兴上网客户端,中兴新支点N-Print，简单高效Linux桌面操作系统网络打印方案...
- gitglone 指定分支_安装说明 · harryxu/gitube Wiki · GitHub
- php foreach是什么,php foreach用法是什么
- Java新职篇：for循环
- C++ 从入门到入土（English Version） Section 1：Gates, Circuits and Boolean Algebra
- 使用AOMEI无损数据的动态磁盘转基本磁盘
- 腾讯云不同账号之间VPC网络直接建立内网通讯
- python写一个数字字典生成器
- 租车新玩法 神州租车打造行业标杆
- Laravel 阿里大鱼短信接口
- eNSP上华为路由器开SNMP
- erdas图像增强步骤_erdas图像增强
- 21. 理解CNI和CNI插件