课程设计任务书
学生姓名：田宇峰专业班级：通信1003班
指导教师：姜宁工作单位：信息工程学院
题目: 基于LMS算法的多麦克风降噪
设计任务：
给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。
（1）阅读参考资料和文献，明晰算法的计算过程，理解LMS算法基本过程；
（2）主麦克风录制的语音信号是LMSprimsp.wav，参考麦克风录制的参考噪声是LMSrefns.wav.用matlab指令读取；
（3）根据算法编写相应的MATLAB程序；
（4）算法仿真收敛以后，得到增强的语音信号；
（5）用matlab指令回放增强后的语音信号；
(6）分别对增强前后的语音信号作频谱分析。
时间安排：
学习MATLAB语言的概况第1天
学习MATLAB语言的基本知识第2-3天
学习MATLAB语言的应用环境，调试命令，绘图能力第4-5天
课程设计第6-9天
答辩第10天
指导教师签名：年月日
系主任（或责任教师）签名：年月日
摘要
人们在语音通信过程中不可避免的会受到来自周围环境和传输媒介引入的噪声、通信设备内部电噪声、乃至其他讲话者的干扰。这些干扰使接收者收到的语音为受噪声污染的带噪语音信号。
语音增强的一个主要目的就是从带噪语音信号中提取尽可能纯净的原始语音。目前应用的语音增强方法大体上分为：谐波增强法、基于参数估计的语音再合成法和基于自适应的噪声抵消法。
自适应滤波器实际是一种能够自动调节本身参数的特殊维纳滤波器，在设计时不需要事先知道关于输入信号和噪声的统计特性，它能够在自己的工作过程中逐渐“了解”或估计出所需要的统计特性，并自动调整自己的参数，以达到最佳滤波效果。而基于自适应滤波器的自适应噪声抵消法对含噪语音的增强效果最好。因为这种方法比其他方法多用了一个参考噪声作为辅助输入，从而获得了比较全面的关于噪声的信息，从而能得到更好的降噪效果。
关键词：语音增强，噪声，自适应滤波器，自适应噪声抵消法
ABSTRACT
People in the voice communication process will be inevitable and the transmission medium from the surrounding environment, the introduction of noise, electrical noise within the communication equipment, as well as the interference of other speakers. These disturbances so that the recipient received voice is affected by noise pollution, noisy speech signal.
A major purpose of speech enhancement is from the noisy speech signal to extract the original voice pure as possible. Speech enhancement method currently in use generally divided into: harmonic enhancement method based on parameter estimation of speech re-synthesis and adaptive noise cancellation method.
Adaptive filter is actually a way to automatically adjust itself, the specific parameters of Wiener filter, the design does not require prior knowledge about the input signal and noise statistics, it can work in their own process of gradually "learn" or estimated the statistical properties of the required and automatically adjust their parameters to achieve the best filtering effect. The adaptive filter based on adaptive noise canceling speech enhancement of noisy best. Because this method more than the other methods most used an auxiliary input referred noise, to obtain more comprehensive information on the noise can get a better noise reduction.
KEY WORDS: speech enhancement, noise, adaptive filter, adaptive noise cancellation method
目录
1.概述 (1)
1.1语音增强应用背景 (1)
1.2本课设的研究内容 (1)
2.自适应滤波 (2)
2.1自适应滤波介绍 (2)
2.2自适应滤波器的模块结构组成 (2)
3.基本LMS原理 (5)
3.1 基本LMS算法简介 (5)
3.2 LMS原理 (5)
4.基于自适应滤波的信号增强 (8)
4.1基本维纳滤波器 (8)
4.2最陡下降法 (10)
4.3 LMS算法 (10)
5.基于LMS自适应滤波器的噪声抵消法 (12)
5.1自适应噪声抵消法的原理 (12)
5.2自适应噪声抵消法的应用 (13)
6. MATLAB仿真结果分析 (14)
6.1实验程序 (14)
6.2实验运行结果及分析 (15)
7.实验小结 (18)
1.概述
1.1语音增强应用背景
语音增强技术是指当语音信号被各种各样的噪声(包括语音)干扰、甚至淹没
后，从噪声背景中提取、增强有用的语音信号，抑制、降低噪声干扰的技术。语音增强技术无论在日常生活中，还是在其它的领域，或者对语音信号处理技术本身来说都很有应用价值。
在日常生活中，我们经常会遇到在噪声干扰下进行语音通信的问题。如：奔驰的汽车、火车里使用移动电话时，旁人的喧闹声、汽车和火车的轰鸣声等背景噪声都会干扰语音通讯的质量。对受话人来说，收听夹杂着各种干扰噪声的语音，至少会引起听觉疲劳，严重一点就会错误地识别或根本无法听清对方的语音。
对电话来说，干扰主要来自电话信道的回波干扰。再有一类需要用到语音增强技术的方面就是处理旧的录音磁带。由于早年录音技术不完善，磁带质量不高，加上长久存放，使磁带发生霉变、机械损伤、磁粉脱落、磁化等问题，使得重放语音产生噪声。对于那些极具研究或收藏价值的宝贵录音资料来说，语音增强技术是一个较好的恢复手段。
在通信过程中，语音质量的好坏显得格外重要。如语音质量很差，接收方难以听清对方的语音信息，轻者可能延误时间、贻误时机，重者可能错误地识别对方的语音，因而错误地下达或执行命令，导致对工作造成不可估量的损失。因此，随着现代科学的蓬勃发展，人类社会愈来愈显示出信息社会的特点。
在上述情况下，必须加入语音增强系统，或者抑制背景噪声，以提高语音通信质量，或者作为预处理器，以提高语音处理系统的抗干扰能力，维持系统性能。
因此，语音增强技术在实际中有重要价值。
1.2本课设的研究内容
本课设研究的主要内容是基于最小均方误差准则(LMS)自适应噪声抵消法对语音信号进行增强，并应用MATLAB仿真软件对研究的内容进行分析、讨论和验证。
2.自适应滤波
2.1自适应滤波介绍
从连续的（或离散的）输入信号中滤除噪声和干扰以提取有用信号的过程称
为滤波。相应的装置称为滤波器。当滤波器的输出为输入的线性函数时，该滤波器称为线性滤波器，否则就称为非线性滤波器。根据滤波器的参数是随时间变化的，又可以将滤波器分为时变和非时变滤波器两种。
滤波器研究的一个基本课题就是：如何设计和制造最佳的或者是最优的滤波器。所谓最佳滤波器是指能够根据某一最佳准则进行滤波的滤波器。假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳随机过程。维纳根据最小均方误差准则（滤波器的输出信号与需要信号之差的均方值最小），求得了最佳线性滤波器的参数，这种滤波器被成为维纳滤波器。
要实现维纳滤波，就要求：1、输入过程是广义平稳的；2、输入过程的统计特性是已知的。然而，由于输入过程取决于外界的信号、干扰环境，这种环境的统计特性常常是未知的、变化的，因而不能满足上述两个要求。这就促使人们研究自适应滤波器。
自适应滤波器在输入过程的统计特性位置时，或输入过程的统计特性变化时，能够调整自己的参数，以满足某种最佳准则的要求。当输入过程的统计特性未知时，自适应滤波器调整自己参数的过程称为“学习过程”。而当输入过程的统计特性变化时，自适应滤波器调整自己参数的过程为“跟踪过程”。
自适应滤波器包括自适应时域滤波器和自适应空域滤波器，它和信息论、检
测与估计理论等密切相关，是近二十多年来发展起来的信息科学的一个重要分支。
2.2自适应滤波器的模块结构组成
自适应滤波器的组成如图1所示。
图1 自适应滤波器的组成 自适应算法主要根据滤波器输入统计特性进行处理。它可能还与滤波器输出
和其他参数有关。
自适应滤波器通常由两部分构成，其一是滤波子系统，根据它所要处理的功
能而往往有不同的结构形式。另一是自适应算法部分，用来调整滤波子系统结构
的参数，或滤波系数。在自适应调整滤波系数的过程中，有不同的准则和算法。
自适应滤波器含有两个过程，即自适应过程和滤波过程。前一过程的基本目标是
调节滤波系数)(k w i ，使得有意义的目标函数或代价函数(.)ε最小化，滤波器输
出信号)(k y 逐步逼近所期望的参考信号)(k d ，由两者之间的误差信号)(k e 驱动某
种算法对滤波系数进行调整，使得滤波器处于最佳工作状态以实现滤波过程。所
以自适应过程是一个闭合的反馈环，算法决定了这个闭合环路的自适应过程所需
要的时间。但是，由于目标函数(.)ε是输入信号)(k x ,参考信号)(k d 及输出信号
)(k y 的函数，即(.)[x(k) , d(k) , y(k)] εε=,因此目标函数必须具有以下两个性质：
非负性
y(k)d(k),x (k),, 0 y(k)]d(k),[x (k),(.)?≥=εε (2-1)
最佳性
d(k)y(k) , 0 y(k)]d(k),[x (k),(.)===when εε (2-2)
在自适应过程中，自适应算法逐步使目标函数(.)ε最小化，最终使)(k y 逼近
于)(k d ，滤波参数或权系数)(k w i 收敛于opt w ，这里opt w 是自适应滤波系数的最优
解即维纳解。因此，自适应过程也是自适应滤波器的最佳线性估计的过程，既要
估计滤波器能实现期望信号)(k d 的整个过程，又要估计滤波权系数以进行有利于
主要目标方向的调整。这些估计过程是以连续的时变形式进行的，这就是自适应滤波器需要有的自适应收敛过程。如何缩短自适应收敛过程所需要的收敛时间，这个与算法和结构有关的问题是人们一直重视研究的问题之一。
3.基本LMS原理
3.1 基本LMS算法简介
在移动通信环境中，多径传播效应和频率选择性衰落会导致传输信号失真。
失真主要表现为码间干扰,码间干扰是降低数字通信系统性能的一个主要因素。在这样的信道条件下设计实际的数字通信系统以高速传输数据时，往往不能获得足够准确的信道频率响应用于调制和解调器的最佳滤波器的设计。这是因为在每次通信时信道的路由不同,对于这样的信道，要设计最佳固定解调滤波器是不可能的。在这样的情况下，应该采取信道均衡的方式以减小失真。
信道均衡是通信技术和信号处理的基本问题之一，其目的在于克服传送的符号码和符号码之间的相互干扰，这种干扰是因为信道的非理想特性造成的。由于通信信道可能是未知和变化的，就需要自适应的调整均衡器，使得整个传输系统输出的符号码和符号码之间的干扰被消除。信道均衡可以利用发送的训练信号来开始，这称为自动均衡。
在设计自适应均衡器的多种方法中，最小均方自适应算法（LMS）采用梯度搜索法，这使收敛到最优解远比其他算法快，而且该算法原理简单，实施容易，所以目前这一算法已广泛用于计算自适应滤波器的权系数。最小均方（LMS）自适应算法就是以已知期望响应和滤波器输出信号之间误差的均方值最小为准的，依据输入信号在迭代过程中估计梯度矢量，并更新权系数以达到最优的自适应迭代算法。LMS 算法是一种梯度最速下降方法，其显著的特点和优点是它的简单性，
这种算法不需要计算相应的相关函数，也不需要进行矩阵运算。
3.2 LMS原理
构成自适应数字滤波器的基本部件是自适应线性组合器，如图2的所示。设线性组合器的M个输入为X(k-1),X(k-2)，X(k-M),其输出是这些输入加权后的线性组合，即
∑=-
M
i
i i
k
x
W
1
)
((3-1)
图2 自适应线性组合器
定义权向量][....3,2,1m W W W W W =，且
T T M k X T k k X )])((),....)1[(()(--=（3-2）
在图3-1中，令d(k)代表“所期望的响应”，并定义误差信号
)()()(k y k d k -=ε
∑=--=M
i i i k x W k d 1)()(（3-3）
式（3-1-3）写成向量形式
W k X k d k T )()()(-=ε （3-4）
误差平方为
W k X k X W k WX k d k d k T T T )()()()(2)()(22+-=ε （3-5）
上式两边取数学期望后，得均方误差
W k T X k X E T W W k T X k d E k d E k E )}()({)}()({2)}(2{)}({2+-=ε (3-6)
定义互相关函数行向量
)}()({k X k d E R T T xd = （3-7）
和自相关函数矩阵
)}()({k X k X E R T XX = (3-8)
则均方误差式（3-2-6）可表示为
W R W W R k d E k E XX T T xd +-=2)}({)}({22ε (3-9)
这表明，均方误差是权系数向量W 的二次函数，它是一个中间向上凹的抛物
形曲面，是具有唯一最小值的函数。调节权系数使均方误差为最小，相当于沿抛
物形曲面下降找最小值。可以用梯度来求该最小值。
将式（3-2-9）对权系数W 求导数，得到均方误差函数的梯度
)}({)(k E k ε?=?
W R R XX xd 22+-= （3-10)
令 0)(=?k ，即可求出最佳权系数向量
xd XX opt R R W 1-= (3-11)
它恰好是Wiener 滤波器遇到过的Wiener- Hopf 方程。因此，最佳权系数向
量通常也叫作Wiener 权系数向量。将opt W 代入式（2-2-9）得最小均方误差
opt T xd W R k d E k E -=)}({)}({2m in 2ε (3-12)
利用式（3-2-11）求最佳权系数向量的精确解需要知道先验统计知识，而且
还需要进行矩阵求逆等运算。Widrow and Hoff (1960)提出了一种在这些先验统
计知识未知时求opt W 的近似值的方法，习惯上称为Widrow and Hoff LMS 算法。
这种算法的根据是最优化方法中的最速下降法。根据最速下降法，“下一时刻”
权系数向量)1(+k W 应该等于“现时刻”权系数向量加上一个负均方误差梯度
)(k ?的比例项，即
o )()()1(k k W k W ?-=+μ(3-13)
式中μ是一个控制收敛速度与稳定性的常数，称之为收敛因子。不难看出，
LMS 算法有两个关键：梯度)(k ?的计算以及收敛因子μ的选择。
4.基于自适应滤波的信号增强
4.1基本维纳滤波器
基本维纳滤波就是用来解决从噪声中提取信号问题的一种滤波方法。它的解
是以均方误差最小条件下所得到的系统的传递函数()H z 或单位样本响应)(k h 的
形式给出的，因此更常称这种系统为最佳线性过滤器或滤波器。设计维纳滤波器
的过程就是寻求在最小均方误差下滤波器的单位样本响应)(k h 或传递函数)
(z H 的表达式，其实质是解维纳-霍夫(Wiener-Hopf)方程。
如图3所示，有两个信号x(k)和y(k)同时加在滤波器上。典型地y(k)包含
一个与x(k)相关地分量和另一个与x(k)不相关地分量。维纳滤波器则产生y(k)
中与x(k)相关分量地最优估计，再从y(k)中减去它就得到e(k)。
图3 基本维纳滤波器
假定一个N 个系数（权值）的FIR 滤波器的结构，维纳滤波和原始信号y(k)
之间的差信号e(k)为：
∑-=-∧-=-=-=1
0)(N i i k k k T
k k k k x i w y x w y n y e (4-1) 其中k x 和w 分别为输入信号矢量和权矢量，由下式
??????
????????=---)1(1N k k k k x x x x ????????????-=)1()1()0(N w w w w (4-2)
误差平方为：
w x x w w x y y e T k k T T k k k k +-=222 (4-3)
对上式两边取期望得到均方误差(MSE)，若输入x(k)与输出y(k)
是联合平稳的，
则：
Rw
w w P w x x w E w x y E y E e E T T T k k T T k k k k ++=+-==2][][2][][222
σε (4-4)
其中[]E 代表期望，22][k y E =σ是)(k y 的方差，][k k x y E P =是长度为N 的互相关
矢量，
][T k k x x E R =是N×N 的自相关矩阵。一个MSE 滤波系数的图形是碗形地，
且只有唯一地底部，这个图称为性能曲面，它是非负的。性能曲面的梯度可由下
式给出： Rw P dw
d 22+-==?ε (4-5)
图4 基本维纳滤波器 每组系数w(i)(i=1,2,…N -1)对应曲面是一点，在曲面矢地最小点梯度为0，滤波
权矢量达到最优opt w ,
P R w opt 1-= (4-6)
即著名的维纳—霍夫曼方程的解。自适应滤波的任务是采用合适的算法来调节滤
波权重1)-(N w ,(1),w (0),w i i i ?，从而找到性能曲面地最优点opt w 。
维纳滤波的实际用途有限，若信号为非平稳的，则R 和P 是时变的，必需
重复计算opt w 。对于实际的应用需要能够依次加入抽样点而得到opt w 的算法。自
适应算法就是用于达到这个目的，而且不需显式计算R 和P 或进行矩阵求逆。
4.2最陡下降法
最陡下降法构成了不少算法，是LMS 算法的基础。均方误差性能函数为:
W R W r w n d E xx T xd T +-=2)]([2ξ（4-7）
对W 求梯度为：
xd xx W r W R 22-=?ξ（4-8）
由式(4.7)可见，均方误差ξ是权系数1w ，…，M w 的二次函数。当权矢量
opt W W =时，ξ达到最小值min ξ，几何上这相当于超抛物面的“碗底"。在一般情
况，滤波器在迭代过程中或当输入过程统计特性发生变化时，权矢量W 并不正
好等于最佳值opt W 上。为了减小误差，一个显然的方法是找出该工作点处使均方
误差ξ减小速率最大的方向，亦即梯度ξW ?的负方向，然后令权矢量W(n)沿着
梯度的负方向修正。换句话说，如果在第n 次迭代上权矢量取为)(n W ，则第n+1
次迭代时，加权系数)1(+n W 应取为:
ξμW n W n W ?-=+)()1(（4-9）
其中ξW ?为ξ的梯度，而μ为常数并称为步长因子或收敛因子。ξW ?的表达式
为：
]2)(2[)()1(xd xx r n W R n W n W --=+μ（4-10）
或：
xd xx r n W R I n W μμ2)()2()1(+-=+（4-11）
4.3 LMS 算法
为了采取最陡下降法，需要知道均方误差性能函数的梯度的精度值，这就要
求输入信号)(n X 和需要信号)(n d 平稳且其二阶统计特性为已知。这时可以根据
输入信号)(n X 和需要信号)(n d 的采样值估计xx R 和xd r ，从而采用最陡下降法寻
求opt W 。但当上述条件不具备时，我们只能把随机的平方误差)(2n e 当成是均方
误差
)]([2n e E 。对前者进行求梯度的运算，所得到的结果就取为关于后者的真实梯度ξW ?的估计W ξ∧
?。这就是由Widrow 等人提出的最小均方算法，即LMS 算法。下面推导一下它的公式。在最陡下降法的式中，用梯度的估计W ξ∧?代替梯
度ξW ?即得：
(1)()W W n W n μξ∧+=-?（4-12）
LMS 算法采用如下的梯度估计值：
22[()][()]W W W E e n e n ξ∧∧?=?=?（4-13）
即它用瞬时输出误差功率的梯度)]([2n e W ?作为均方误差梯度)]([2n e E W ?的估计
值。换句话说，它用瞬时平方误差性能函数)(2n e 代替了均方误差性能函数)]([2n e E =ξ)。
得：
)]([)()1(2n e n W n W W ?-=+μ（4-14）
)()()()()()(n X n W n d n y n d n e T -=-=（4-15）
可得：
)()(2)]([2n X n e n e W -=?（4-16）
将式（4.20）代入式（4.16）得：
)()(2)()1(2n X n e n W n W μ+=+（4-17）
LMS 算法的递推式的最大优点是它没有交叉项，因而可以方便地写成纯量方程组：
)()(2)()1(n X n e n W n w i i i μ+=+,i=1,2,…,M （4-18）
)](22[)()1(n W R r n W n W xx xd -+=+μ(4-19)
下面，我们对LMS 算法加权矢量的平均值的变化规律和加权矢量的随机起伏所形成的影响进行讨论。
（1）LMS 算法加权矢量平均值的收敛条件为
当且仅当
m ax 1
0λμ<<（4-20）
时
opt n W n W E =∞→)]([lim （4-21） 因为实用时很少能够知道xx R 的各个特征值，实际上，我们有
xx r R T ≤m ax λ（4-22）
其中xx r R T 为xx R 的迹，且
∑∑===+-==m i m
i im i xx r MP i n x E R T 112)]1([λ（4-23）
式中im P 为输入信号)(n x 的功率。这样，我们可以写出下列的收敛充分条件 1)(0-< （2）LMS 算法加权矢量平均值的过渡过程为 ∑=-+=m i k ik iopt i n C w n w E 1)exp()]([τ（4-25） 其中 i i i In μλμλτ21)21(1≈-=（4-26） )]([n w E i 为)]([n w E )的第i 分量。即LMS 算法的加权矢量分量的平均值按M 个指数函数之和的规律，由初始值收敛到最佳值，而指数函数的时间常数与特征 值成反比。)]([n w E i 取决于最慢的一个指数过程。μ值对)]([n w E i 的收敛过程有很大影响。μ必须选得满足收敛条件。 （3）LMS 算法计算步骤为： 初始化调整步长μ； 初始化滤波器抽头系数矩阵 []T N n C opr 1,....,1,1,1)(=（4-27） 计算n-1时刻的误差： )1()1()1()1(----=-n C n X n d n e opr N T N （4-28） 求出当前时刻的抽头系数 )()()1()(n X n e n C n C N N N opr opr μ--=（4-29） 该步计算需要乘法N+1次，加法N 次，当滤波器阶数为N 时，完成一次迭代计算，共需要12+N 次乘法，N 2次加法。大多数信号处理器都适宜进行乘法累加的算术操作，这就使LMS 算法更具吸引力。 5.基于LMS 自适应滤波器的噪声抵消法 5.1自适应噪声抵消法的原理 一个最简单的自适应噪声抵消原理示意图如图5所示： 图5 自适应噪声抵消原理 图5中抵消器的“原始输入’’为 0n s +，其中s 为沿信道传递到传感器的信号，0n 为一个与信号s 不相关的噪声，抵消器的“参考输入’’为噪声1n ，1n 与信号s 不 相关，却以某种未知的方式与噪声0n 相关，由图可以看出噪声1n 经自适应滤波 器输出y ，再从原始输入0n s +中减去该输出，产生了系统的输出y n s e -+=。 如果可以知道噪声传输到原始输入端和参考输入端的通道特性，则一般而言， 就可以设计出能够将1n 变成0n y =的固定滤波器。然后，从原始输入0n s +减去 滤波器的输出y ，则系统的输出就应当只有信号s ，然而，一般地，传输通道均是未知的，则使用固定参数滤波器就行不通。 在图5的系统中，参考输入1n 经过了一个自适应滤波器的处理，此自适应滤波器通过某种由与输出有关的误差e 所控制的最小均方算法自动调节自身的冲激响应，当采用了适应的算法，滤波器可以在变化的条件下进行工作，并且不断的调节自身，使误差信号e 达到最小。 在这个系统中，我们的目的是在最小均方意义下，产生对信号)(t s 最佳拟合 的输出信号)()()(0t y t n t s -+。我们将系统输出反馈回自适应滤波器，并按照某 种自适应算法调节此滤波器，使系统输出的功率达到极小，即可实现这一目标。在这个自适应噪声抵消(ACN)系统中，系统输出被用做自适应过程的误差信号。 5.2自适应噪声抵消法的应用 自适应噪声抵消技术是通信、雷达、声纳、生物医学工程等研究领域受到重视的问题之一，如在语音通信系统中，必须抑制由于传输误差所引入的接收语音波形的冲激式失真干扰。利用由自适应滤波器所构成的自适应噪声干扰抵消系统，可以获得自动跟踪捕捉噪声干扰源和高信噪比的优异性能。在航空战斗环境中使用自适应噪声抵消器，可以大大改善航空通信质量。在标准计量信号发生器中使用自适应滤波器，可以将电源频率的干扰降低到100dB 以下。利用自适应滤波器还可以有效地降低酒会宴会厅内的噪声。 6. MATLAB仿真结果分析 语音增强的目的就是消除噪声以加强语音的通信质量。最常见的是基于自适 应的噪声抵消法对语音进行增强。本节应用LMS自适应滤波算法并结合 MATLAB仿真软件对语音增强模型进行讨论和分析。 6.1实验程序 fs=20000; bits=32; [primary,fs,bits]=wavread('LMSprimsp.wav'); %读入主麦克风语音信号 sound(primary,fs,bits); [fref,fs,bits]=wavread('LMSrefns.wav'); %读入参考语音信号 sound(fref,fs,bits); % 初始化 primary = primary'; fref = fref'; Worder=10; %滤波器阶数 u=0.005; w=zeros(1,Worder); output=primary; %主语音输出 loopsize=max(size(primary)); for i=1+Worder:loopsize %写LMS算法公式 z=primary(i)-w*(fref(i-Worder+1:i))'; n2=fref(i-Worder+1:i); w = w + 2*u*n2*z; output(i-Worder)=z; end; figure(1); %作图 plot(output); %画降噪后的语音波形 title('output'); wavwrite(output,fs,'outyuyin'); %生成降噪后的语音 [out,fs,bits]=wavread('outyuyin.wav'); sound(out,fs,bits); figure(2); plot(primary); %画主麦克风语音波形 title('primary input'); figure(3); plot(fref); %画参考麦克风语音波形 title('fref noise'); %画输入输出的频谱图 y1=fft(primary,4096); y2=fft(output,4096); figure(4) subplot(1,2,1); plot(abs(y1)); title('输入信号的频谱') axis([0 200,0 40]); subplot(1,2,2); plot(abs(y2)); title('输出信号的频谱') axis([0 200,0 40]) 6.2实验运行结果及分析 图6 主麦克风语音波形 图7 降噪后的语音波形 图8 参考麦克风语音波形 图9输入输出信号频谱 结果分析： 在程序运行的开始播放了原始的语音信号，听不到任何语音声音，只有噪音， 一种双麦克风自适应语音降噪算法研究与实现北京大学硕?论文龋枉自目版权声明任何收存和保管奉论文各种版本的单位和个人，未经本论文作者同意，不得将本论文转借他人，亦不得随意复制、抄录、拍照或以任何方式传播。否则，引起有碍作者著作权之问题，将可能承担法律责任。北京大学硕士论文摘要在现代社会中，语音信号处理(如语音增强、语音识别、语音编码、语音压缩、语音台成等)广泛应用在远程通信、车载电话、视频会议、办公自动化、人工智能系统等众多领域。由于传声器在拾取语音信号时不可避免地受到环境噪声、混响和其他说话人语音的影响，接收到的语音信号往往己被污染，因此消除语音中的噪声，以实现语音增强是语音技术的一个关键问题，多年来已经提出了大量的算法。双麦克风阵列具有尺寸小，装备灵活，可实现自适应噪声消除算法等优势，将在车载语音导航系统、机器人语音识别、视频会议及助听设各等场合获得广泛应用。本论文开展基于双麦克风阵列和自适应噪声消除(,,,,,,,,,,,,,,,,;,,,,,,,,:,,,)结构的语音降噪算法研究，完成的主要工作包括: ,)阅读了双麦克风,,,语音降噪技术国内外文献，较为全面地分析和研究了现有基于双通道麦克风阵列的,,,语音降噪技术，完成了相关技术文献综述。 ,)研究了基于取麦克风的,,,语音降噪方法，详细分析了,,,语音降噪的基本理论和算法实现，开展了基于,,机的,,,,,,算法仿真，验证了,,,语音降噪方法的有效性。 ,)分析了基于玻麦克风,,,语音降噪方法在存在串话条件下的局限性，基于双麦克风串话信号模型，开展基于双自适应滤波器的,,,噪声消除架构 (,,,—,,,)的语音降噪方法研究，推导了相应的自适应算法，利用基于,;机的,,,,,,仿真实验，验证了基于双麦克风,,,,,,,语音降噪方法的有效性。 ,)针对基于双麦克风,,,—,,,语音降噪方法在混响和串话同时存在的情况下性能不佳的问题，采用级联,(滤波器和自适应滤波器的自适应噪声消除架构 (,,,,,—,,,)实现语音降噪和去混响。论文推导 Combined Adaptive Filter with LMS-Based Algorithms ′ Abstract: A combined adaptive ?lter is proposed. It consists of parallel LMS-based adaptive FIR ?lters and an algorithm for choosing the better among them. As a criterion for comparison of the considere d algorithms in the proposed ?lter, we take the ratio between bias and variance of the weighting coef?cients. Simulations results con?rm the advantages of the proposed adaptive ?lter. Keywords: Adaptive ?lter, LMS algorithm, Combined algorithm,Bias and var iance trade-off 1．Introduction Adaptive ?lters have been applied in signal processing and control, as well as in many practical problems, [1, 2]. Performance of an adaptive ?lter depends mainly on the algorithm used for updating the ?lter weighting coef?ci ents. The most commonly used adaptive systems are those based on the Least Mean Square (LMS) adaptive algorithm and its modi?cations (LMS-based algorithms). The LMS is simple for implementation and robust in a number of applications [1–3]. However, since it does not always converge in an acceptable manner, there have been many attempts to improve its performance by the appropriate modi?cations: sign algorithm (SA) [8], geometric mean LMS (GLMS) [5], variable step-size LMS(VS LMS) [6, 7]. Each of the LMS-bas ed algorithms has at least one parameter that should be de?ned prior to the adaptation procedure (step for LMS and SA; step and smoothing coef?cients for GLMS; various parameters affecting the step for VS LMS). These parameters crucially in?uence the ?lter output during two adaptation phases:transient and steady state. Choice of these parameters is mostly based on some kind of trade-off between the quality of algorithm performance in the mentioned adaptation phases. We propose a possible approach for the LMS-based adaptive ?lter performance improvement. Namely, we make a combination of several LMS-based FIR ?lters with different parameters, and provide the criterion for choosing the most suitable algorithm for different adaptation phases. This method may be applied to all the 自适应滤波 第1章绪论 (1) 1．1自适应滤波理论发展过程 (1) 1．2自适应滤波发展前景 (2) 1．2．1小波变换与自适应滤波 (2) 1．2．2模糊神经网络与自适应滤波 (3) 第2章线性自适应滤波理论 (4) 2．1最小均方自适应滤波器 (4) 2．1．1最速下降算法 (4) 2．1．2最小均方算法 (6) 2．2递归最小二乘自适应滤波器 (7) 第3章仿真 (12) 3.1基于LMS算法的MATLAB仿真 (12) 3.2基于RLS算法的MATLAB仿真 (15) 组别：第二小组 组员：黄亚明李存龙杨振 第1章绪论 从连续的(或离散的)输入数据中滤除噪声和干扰以提取有用信息的过 程称为滤波。相应的装置称为滤波器。实际上，一个滤波器可以看成是 一个系统，这个系统的目的是为了从含有噪声的数据中提取人们感兴趣的、 或者希望得到的有用信号，即期望信号。滤波器可分为线性滤波器和非 线性滤波器两种。当滤波器的输出为输入的线性函数时，该滤波器称为线 性滤波器，当滤波器的输出为输入的非线性函数时，该滤波器就称为非线 性滤波器。 自适应滤波器是在不知道输入过程的统计特性时，或是输入过程的统计特性发生变化时，能够自动调整自己的参数，以满足某种最佳准则要求的滤波器。 1．1自适应滤波理论发展过程 自适应技术与最优化理论有着密切的系。自适应算法中的最速下降算法以及最小二乘算法最初都是用来解决有／无约束条件的极值优化问题的。 1942年维纳(Wiener)研究了基于最小均方误差(MMSE)准则的在可加性噪声中信号的最佳滤波问题。并利用Wiener．Hopf方程给出了对连续信号情况的最佳解。基于这～准则的最佳滤波器称为维纳滤波器。20世纪60年代初，卡尔曼(Kalman)突破和发展了经典滤波理论，在时间域上提出 了状态空间方法，提出了一套便于在计算机上实现的递推滤波算法，并且适用于非平稳过程的滤波和多变量系统的滤波，克服了维纳(Wiener)滤波理论的局限性，并获得了广泛的应用。这种基于MMSE准则的对于动态系统的离散形式递推算法即卡尔曼滤波算法。这两种算法都为自适应算法奠定了基础。 从频域上的谱分析方法到时域上的状态空间分析方法的变革，也标志 着现代控制理论的诞生。最优滤波理论是现代控制论的重要组成部分。在控制论的文献中，最优滤波理论也叫做Kalman滤波理论或者状态估计理论。 从应用观点来看，Kalman滤波的缺点和局限性是应用Kalman滤波时要求知道系统的数学模型和噪声统计这两种先验知识。然而在绝大多数实际应用问题中，它们是不知道的，或者是近似知道的，也或者是部分知道的。应用不精确或者错误的模型和噪声统计设计Kalman滤波器将使滤波器性能变坏，导致大的状态估计误差，甚至使滤波发散。为了解决这个矛盾，产生了自适应滤波。 最早的自适应滤波算法是最小JY(LMS)算法。它成为横向滤波器的一种简单而有效的算法。实际上，LMS算法是一种随机梯度算法，它在相对于抽头权值的误差信号平方幅度的梯度方向上迭代调整每个抽头权 值。1996年Hassibi等人证明了LMS算法在H。准则下为最佳，从而在理论上证明了LMS算法具有孥实性。自Widrow等人1976年提出LMs自适应滤波算法以来，经过30多年的迅速发展，已经使这一理论成果成功的应用到通信、系统辨识、信号处理和自适应控制等领域，为自适应滤波开辟了新的发展方向。在各种自适应滤波算法中，LMS算法因为其简单、计算量小、稳定性好和易于实现而得到了广泛应用。这种算法中，固定步长因子μ对算法的性能有决定性的影响。若μ较小时，算法收敛速度慢，并且为得到满意的结果需要很多的采样数据，但稳态失调误差 课程设计任务书 学生姓名：专业班级： 指导教师：工作单位：武汉理工大学 题目: 基于LMS 算法的多麦克风降噪 初始条件： 具备数字信号处理，模拟电子技术，Matlab等学科的知识。 要求完成的主要任务: 给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。 (1)阅读参考资料和文献，明晰算法的计算过程，理解LMS算法基本过程； (2)主麦克风录制的语音信号是LMSprimsp.wav，参考麦克风录制的参考噪声是LMSrefns.wav.用matlab指令读取； (3)根据算法编写相应的MATLAB程序； (4)算法仿真收敛以后，得到增强的语音信号； (5)用matlab指令回放增强后的语音信号； (6)分别对增强前后的语音信号作频谱分析。 时间安排： 第18周：理论讲解； 第19周：理论设计，实验室安装调试以及撰写设计报告； 地点：鉴主15通信工程实验室，鉴主13通信工程专业实验室； 第20周：答辩；地点：鉴主15楼研究室。 指导教师签名：年月日 系主任（或责任教师）签名：年月日 目录 摘要.................................................................................................................................................... I Abstract ............................................................................................................................................ II 1前言 (1) 2 自适应滤波技术 (2) 2.1 最佳滤波准则 (2) 2.2 自适应噪声抵消原理 (3) 2.3 自适应滤波器结构 (5) 2.4 多麦克风降噪系统 (6) 3 LMS 算法及应用 (7) 3.1 基本LMS 算法简介 (7) 3.2 LMS 算法原理 (8) 3.2.1 LMS 算法过程 (8) 3.2.2 梯度)(k 的近似计算 (10) 3.2.3 收敛因子μ的选择 (11) 3.3 基本LMS 算法的性能 (12) 3.3.1 LMS 算法的特点 (12) 3.3.2 LMS 算法的改进 (13) 3.4 基于最小均方误差准则的自适应噪声抵消 (14) 4 LMS 多麦克风降噪主程序 (15) 4.1程序流程图 (15) 4.2 LMS 多麦克风降噪主程序 (16) 5 运行结果及分析 (18) 5.1 程序运行结果 (18) 5.2 结果分析 (20) 5 设计总结和感想 (21) 参考文献 (22) 附录：源程序 (23) - 29 - 基于麦克风阵列的语音增强算法概述 丁 猛 （海军医学研究所，上海 200433） 【摘 要】麦克风阵列语音增强技术是将阵列信号处理与语音信号处理相结合，利用语音信号的空间相位信息对语音信号进行增强的一种技术。文章介绍了各种基于麦克风阵列的语音增强基本算法，概述了各算法的基本原理，并总结了各算法的特点及其所适用的声学环境特性。 【关键词】麦克风阵列；阵列信号处理；语音增强 【中图分类号】TN911.7 【文献标识码】A 【文章编号】1008-1151(2011)03-0029-02 （一）引言 在日常生活和工作中，语音通信是人与人之间互相传递信息沟通不可缺少的方式。近年来，虽然数据通信得到了迅速发展，但是语音通信仍然是现阶段的主流，并在通信行业中占主导地位。在语音通信中，语音信号不可避免地会受到来自周围环境和传输媒介的外部噪声、通信设备的内部噪声及其他讲话者的干扰。这些干扰共同作用，最终使听者获得的语音不是纯净的原始语音，而是被噪声污染过的带噪声语音，严重影响了双方之间的交流。 应用阵列信号处理技术的麦克风阵列能够充分利用语音信号的空时信息，具有灵活的波束控制、较高的空间分辨率、高的信号增益与较强的抗干扰能力等特点，逐渐成为强噪声环境中语音增强的研究热点。美国、德国、法国、意大利、日本、香港等国家和地区许多科学家都在开展这方面的研究工作，并且已经应用到一些实际的麦克风阵列系统中，这些应用包括视频会议、语音识别、车载声控系统、大型场所的记录会议和助听装置等。 文章将介绍各种麦克风阵列语音增强算法的基本原理，并总结各个算法的特点及存在的局限性。 （二）常见麦克风阵列语音增强方法 1.基于固定波束形成的麦克风阵列语音增强 固定波束形成技术是最简单最成熟的一种波束形成技术。1985年美国学者Flanagan 提出采用延时-相加（Delay-and-Sum）波束形成方法进行麦克风阵列语音增强，该方法通过对各路麦克风接收到的信号添加合适的延时补偿，使得各路输出信号在某一方向上保持同步，并在该方向的入射信号获得最大增益。此方法易于实现，但要想获取较高的噪声抑制能力则需要增加麦克风数目，然而对非相干噪声没有抑制能力，环境适应性差，因此实际中很少单独使用。后来出现的微分麦克风阵列（Differential Microphone Arrays）、超方向麦克风阵列（Superairective Microphone Arrays ）和固定频率波束形成（Frequency-Invariant Beamformers） 技术也属于固定波束形成。 2.基于自适应波束形成器的麦克风阵列语音增强 自适应波束形成是现在广泛使用的一类麦克风阵列语音增强方法。最早出现的自适应波束形成算法是1972年由Frost 提出的线性约束最小方差（Linearly Constrained Minimum Variance,LCMV）自适应波束形成器。其基本思想是在某方向有用信号的增益一定的前提下，使阵列输出信号的功率最小。在线性约束最小方差自适应波束形成器的基础上，1982年Griffiths 和Jim 提出了广义旁瓣消除器（Generalized Sidelobe Canceller, GSC），成为了许多算法的基本框架（图1）。 图1 广义旁瓣消除器的基本结构 广义旁瓣消除器是麦克风阵列语音增强应用最广泛的技术，即带噪声的语音信号同时通过自适应通道和非自适应通道，自适应通道中的阻塞矩阵将有用信号滤除后产生仅包含多通道噪声参考信号，自适应滤波器根据这个参考信号得到噪声估计，最后由这个被估计的噪声抵消非自适应通道中的噪声分量，从而得到有用的纯净语音信号。 如果噪声源的数目比麦克风数目少，自适应波束法能得到很好的性能。但是随着干扰数目的增加和混响的增强，自适应滤波器的降噪性能会逐渐降低。 3.基于后置滤波的麦克风阵列语音增强 1988年Zelinski 将维纳滤波器应用在麦克风阵列延时—相加波束形成的输出端，进一步提高了语音信号的降噪效果，提出了基于后置滤波的麦克风阵列语音增强方法（图2）。基于后置滤波的方法在对非相干噪声抑制方面，不仅具有良好的效果，还能够在一定程度上适应时变的声学环境。它的基本原理是：假设各麦克风接收到的目标信号相同，接收到的噪声信号独立同分布，信号和噪声不相关，根据噪声特性， 【收稿日期】2010-12-30 【作者简介】丁猛（1983－），男，海军医学研究所研究实习员。 自适应信号处理算法（LMS算法） 近来有许多同学想我询问LMS算法的仿真程序，这里提供一个从别处下载下来的，要验证。%自适应信号处理算法 clear all； hold off； sysorder=5; %抽头数 N=1000; %总采样次数 n1=randn(N,1);%产生高斯随机系列 n2=randn(N,1); [b,a]=butter(2,0.25); Gz=tf(b,a,-1); %逆变换函数 h=[0.0976;0.2873;0.3360;0.2210;0.0964;]; %信道特性向量 y = lsim(Gz,n1);%加入噪声 noise = n2 * std(y)/(10*std(n2));%噪声信号 d = y + noise;%期望输出信号 totallength=size(d,1);%步长 N=60 ; %60节点作为训练序列 %算法的开始 w = zeros ( sysorder , 1 ) ;%初始化 for n = sysorder : N u = inp(n:-1:n-sysorder+1) ;% u的矩阵 y(n)= w' * u;%系统输出 e(n) = d(n) - y(n) ;%误差 if n < 20 mu=0.32; else mu=0.15; end w = w + mu * u * e(n) ;%迭代方程end %检验结果 for n = N+1 : totallength u = inp(n:-1:n-sysorder+1) ; y(n) = w' * u ; e(n) = d(n) - y(n) ;%误差 end hold on plot(d) plot(y,'r'); title('系统输出') ; xlabel('样本') ylabel('实际输出') figure semilogy((abs(e))) ;% e的绝对值坐标title('误差曲线') ; xlabel('样本') ylabel('误差矢量') figure%作图 plot(h, 'k+') hold on plot(w, 'r*') legend('实际权矢量','估计权矢量') title('比较实际和估计权矢量') ; 燕山大学 医学软件课程设计说明书 题目：基于MATLAB巴特沃斯滤波器的音频去噪的GUI设计 学院（系）：电气工程学院 年级专业： 13级生物医学工程 2 班 学号： 130103040041 学生姓名：魏鑫 指导教师：许全盛 目录 一、设计目的意义 (1) 1.1绪论 (1) 1.2设计目的 (1) 1.3意义 (1) 二、设计内容 (2) 2.1 设计原理 (2) 2.2 设计内容 (2) 三、设计过程及结果分析 (3) 3.1 设计步骤 (3) 3.2 MATLAB程序及结果 (3) 3.3 结果分析 (8) 四、总结 (9) 五、参考文献 (10) 一、设计目的意义 1.1 绪论 语音是语言的声学表现，是人类交流信息最自然、最有效、最方便的手段。随着社会文化的进步和科学技术的发展，人类开始进入了信息化时代，用现代手段研究语音处理技术，使人们能更加有效地产生、传输、存储、和获取语音信息，这对于促进社会的发展具有十分重要的意义，因此，语音信号处理正越来越受到人们的关注和广泛的研究。 1.2 设计目的 (1)掌握数字信号处理的基本概念，基本理论和基本方法。 (2)熟悉离散信号和系统的时域特性。 (3)掌握序列快速傅里叶变换方法。 (4)学会MATLAB的使用，掌握MATLAB的程序设计方法。 (5)掌握利用MATLAB对语音信号进行频谱分析。 (6)掌握滤波器的网络结构。 (7)掌握MATLAB设计IIR、FIR数字滤波器的方法和对信号进行滤波的方法。 1.3 意义 语音信号处理是一门比较实用的电子工程的专业课程，语音是人类获取信息的重要来源和利用信息的重要手段。通过语言相互传递信息是人类最重要的基本功能之一。语言是人类特有的功能，它是创造和记载几千年人类文明史的根本手段，没有语言就没有今天的人类文明。语音是语言的声学表现，是相互传递信息的最重要的手段，是人类最重要、最有效、最常用和最方便的交换信息的形式。 语音信号处理是研究用数字信号处理技术对语音信号进行处理的一门学科，它是一门新兴的学科，同时又是综合性的多学科领域和涉及面很广的交叉学科。 课程设计 题目基于RLS 算法的多麦克风降噪学院信息工程学院 专业 班级 姓名 指导教师 2014 年7 月 3 日 《信息处理课群综合训练与设计》任务书学生姓名：专业班级： 指导教师：工作单位： 题目: 基于RLS 算法的多麦克风降噪 初始条件： Matlab软件、信号与系统、通信处理等 要求完成的主要任务:（包括课程设计工作量及其技术要求，以及说明书撰 写等具体要求） 设计任务： 给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。 设计的要求： （1）阅读参考资料和文献，明晰算法的计算过程，理解RLS算法基本过程；（2）主麦克风录制的语音信号是RLSprimsp.wav，参考麦克风录制的参考噪声是RLSrefns.wav，用matlab指令读取； （3）根据算法编写相应的MATLAB程序； （4）算法仿真收敛以后，得到增强的语音信号； （5）用matlab指令回放增强后的语音信号； （6）分别对增强前后的语音信号作频谱分析。 时间安排： 1、理论讲解，老师布置课程设计题目，学生根据选题开始查找资料； 2、课程设计时间为2周。 （1）理解相关技术原理，确定技术方案，时间2天； （2）选择仿真工具，进行仿真设计与分析，时间6天； （3）总结结果，完成课程设计报告，时间2天。 指导教师签名：年月日 系主任（或责任教师）签名：年月日 目录 摘要........................................................................................................................ I Abstract ................................................................................................................. II 1 绪论 (1) 2 自适应信号处理基本原理 (2) 2.1自适应滤波器组成 (2) 2.2自适应干扰抵消原理 (2) 2.3自适应滤波原理 (3) 2.3 RLS算法基本原理 (4) 3 RLS算法方案设计 (6) 3.1最小二乘算法RLS算法实现 (6) 3.2 RLS算法程序程序设计 (8) 4 RLS算法自适应滤波方案实现与仿真 (10) 4.1信号的获取 (10) 4.2读取语音文件 (10) 4.3算法实现 (10) 4.4提取语音信号 (11) 4.5仿真结果分析 (13) 4.5.1增强前后语音信号波形分析 (13) 4.5.2增强前后语音信号频谱分析 (14) 5总结 (16) 6参考文献 (17) 附录 (18) 基于LMS_算法的多麦克风降噪 ————————————————————————————————作者：————————————————————————————————日期： 课程设计任务书 学生姓名：专业班级： 指导教师：工作单位： 题目: 基于LMS 算法的多麦克风降噪 初始条件： Matlab软件 设计任务： 给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。 （1）阅读参考资料和文献，明晰算法的计算过程，理解LMS算法基本过程；（2）主麦克风录制的语音信号是LMSprimsp.wav，参考麦克风录制的参考噪声是LMSrefns.wav.用matlab指令读取； （3）根据算法编写相应的MATLAB程序； （4）算法仿真收敛以后，得到增强的语音信号； （5）用matlab指令回放增强后的语音信号； (6）分别对增强前后的语音信号作频谱分析。 时间安排： 通过老师的讲解与指导，同学之间的讨论交流，以及在图书馆、网络上查阅资料，我们本次课程设计的时间安排是：6月20号到7月4号，完成程序设计，写好报告；在7月5号，完成（答辩，演示，提交报告）。 指导教师签名：年月日 系主任（或责任教师）签名：年月日 目录 摘要 .................................................................................................................... I ABSTRACT............................................................................................................. II 1.绪论 (1) 1.1语音增强的应用背景 (1) 1.2语音增强的研究历史 (2) 1.3本课设的研究内容 (2) 2 语音增强的方法 (3) 2.1线性滤波法 (3) 2.2梳状滤波法 (3) 2.3自相关法 (3) 2.4卡尔曼滤波法 (4) 2.5自适应噪声抵消法 (4) 3自适应滤波概念 (5) 3.1自适应滤波 (5) 3.2自适应滤波器的组成 (5) 3.3基本自适应滤波器的模块结构 (6) 4自适应滤波原理 (8) 4.1自适应滤波概述 (8) 4.2LMS原理 (8) 5基于自适应滤波的信号增强方法 (11) 5.1基本维纳滤波器 (11) 5.2最陡下降法 (13) 5.3LMS算法 (14) 6基于LMS自适应滤波器的噪声抵消法 (17) 6.1基于LMS噪声抵消法的原理 (17) 7. MATLAB仿真结果分析 (19) 7.1实验程序 (19) 7.2实验结果 (21) 7.3实验结果分析 (23) 8.实验小结 (24) 9.参考文献 ...............................................................................错误!未定义书签。 %LMS算法程序 clear N=2000;Fs=500 n=0:N-1;t=n/Fs; s=5*sin(2*pi*t);%标准正弦信号 xn=randn(1,length(t));%与时间t等长随机信号 x=s+xn;%加噪信号 w=[0,0];%初始2阶加权系数 u=0.00026;%最佳参数 for i=1:N-1;%自适应算法 y(i+1)=xn(i:i+1)*w'; e(i+1)=x(i+1)-y(i+1); w=w+2*u*e(i+1)*xn(i:i+1); end; %画图程序 subplot(4,1,1) plot(t,s); title('输入周期信号'); xlabel('t'); ylabel('s(t)'); subplot(4,1,2) plot(t,xn); title('噪声信号'); xlabel('t'); ylabel('xn(t)'); subplot(4,1,3) plot(t,x); title('加噪信号'); xlabel('t'); ylabel('x(t)'); subplot(4,1,4) plot(t,e); title('自适应滤波器输出结果'); xlabel('t'); ylabel('e(t)'); %RLS算法程序 clear N=2000;Fs=500; n=0:N-1;t=n/Fs; xs=( sin(2*pi*t))'; subplot(4,1,1); plot(t,xs);grid; ylabel('幅度'); title('\it{输入周期性信号}'); xn=( 0.6*randn(1,length(t)))'; subplot(4,1,2); plot(t,xn);grid; ylabel('幅度'); xlabel('时间'); title('\it{随机噪声信号}'); d=xs; x=xs+xn; M=32; w=(zeros(1,M))'; p=0.001*eye(M,M); a=0.98; for n=M:N; x1=x(n:-1:n-M+1); pi_ = x1' * p ;%互相关函数 k = a + pi_ * x1 ; K = pi_'/k;%增益矢量 e(n)=d(n)-w'*x1; w=w+K*conj(e(n)); y(n)=w'*x1; end subplot(4,1,3); plot(t,x);grid; axis([0 4 -2 2]); ylabel('幅度'); xlabel('时间'); title('\it{加入噪声信号}'); subplot(4,1,4); plot(t,y);grid; ylabel('幅度'); xlabel('时间'); axis([0 4 -1 1]); title('\it{自适应滤波器输出信号}'); RLS 和LMS 自适应算法分析 摘要：本文主要介绍了自适应滤波的两种算法：最小均方(LMS, Least Mean Squares)和递推最小二乘(RLS, Recursive Least Squares)两种基本自适应算法。我们对这两种基本的算法进行了原理介绍，并进行了Matlab 仿真。通过仿真结果，我们对两种自适应算法进行了性能分析，并对其进行了比较。用Matlab 求出了LMS 自适应算法的权系数，及其学习过程曲线，和RLS 自适应权系数算法的学习过程。 关键词：自适应滤波、LMS 、RLS 、Matlab 仿真 Abstract: this article mainly introduces two kinds of adaptive filtering algorithms: Least Mean square (LMS), further Mean Squares) and Recursive Least Squares (RLS, Recursive further Squares) two basic adaptive algorithm. Our algorithms of these two basic principle is introduced, and Matlab simulation. Through the simulation results, we have two kinds of adaptive algorithm performance analysis, and carries on the comparison. Matlab calculate the weight coefficient of the LMS adaptive algorithm, and its learning curve, and the RLS adaptive weight coefficient algorithm of the learning process. Keywords:, LMS and RLS adaptive filter, the Matlab simulation 课题简介：零均值、单位方差的白噪声通过一个二阶自回归模型产 生的AR 过程。AR 模型的系统函数为： H(Z)=2 18.06.111--+-Z Z 假设1a =-1.6,2a =0.8将系统函数转化为差分方程为： )()2()1()(21n w n a n x a n x +----= 其中w(n)为白噪声，参数1a =-1.6,2a =0.8。激励源是白噪声w(n)。 本文用Matlab 仿真做出了模型系数的收敛过程及平均的学习曲线。分别用LMS 算法和RLS 算法，分别做出了模型系数的收敛过程及学 基于LMS算法的多麦克风降噪课程设计任务 武汉理工大学《信息处理课群综合训练与设计》课程设计 课程设计任务书 学生姓名：专业班级： 指导教师：徐文君工作单位：信息工程学院 题目: 基于LMS 算法的多麦克风降噪 初始条件： Matlab软件 设计任务： 给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。 （1）阅读参考资料和文献，明晰算法的计算过程，理解LMS算法基本过程； （2）主麦克风录制的语音信号是LMSprimsp.wav，参考麦克风录制的参考噪声是LMSrefns.wav.用matlab指令读取； （3）根据算法编写相应的MATLAB程序； （4）算法仿真收敛以后，得到增强的语音信号； （5）用matlab指令回放增强后的语音信号； （6）分别对增强前后的语音信号作频谱分析。 时间安排： 指导教师签名：年月日 系主任（或责任教师）签名：年月日 摘要 自适应滤波器实际是一种能够自动调节本身参数的特殊维纳滤波器，在设计时不需要事先知道关于输入信号和噪声的统计特性，它能够在自己的工作过程中逐渐“了解”或估计出所需要的统计特性，并自动调整自己的参数，以达到最佳滤波效果。而基于自适应滤波器的自适应噪声抵消法对含噪语音的增强效果最好。因为这种方法比其他方法多用了一个参考噪声作为辅助输入，从而获得了比较全面的关于噪声的信息，从而能得到更好的降噪效果。 本课设研究的主要内容是基于最小均方误差准则(LMS)自适应噪声抵消法对语音信号进行增强，并应用MATLAB仿真软件对研究的内容进行分析、讨论和验证。 关键词：自适应滤波器，最小均方误差法则，语音增强，LMS算法 自适应噪声抵消LMS 算法Matlab 仿真 传统的宽带信号中抑制正弦干扰的方法是采用陷波器(notch filter),为此我们需要精确知道干扰正弦的频率.然而当干扰正弦频率是缓慢变化时,且选频率特性要求十分尖锐时,则最好采用自适应噪声抵消的方法.下图是用一个二阶FIR 的LMS 自适应滤波器消除正弦干扰的一个方案。 1） 借助MATLAB 画出误差性能曲面和误差性能曲面的等值曲线； 2） 写出最陡下降法， LMS 算法的计算公式（δ=0.4）； 3） 用MATLAB 产生方差为0.05,均值为0白噪音S(n)，并画出其中一次实现的波形据2）中的公式，并利用3）中产生的S(n)，在1）中的误差性能曲面的等值曲n 的值曲线上叠加画出LMS 法时100情况确定，一般选取足够大以使算法达到基) (n y 宽带信号+正弦干扰 0()()() y n S n N n =+图； 4） 根线上叠加画出采用最陡下降法， LMS 法时H(n)的在叠代过程中的轨迹曲线。 5）用MATLAB 计算并画出LMS 法时 随时间变化曲线（对 应S(n)的某一次的一次实现）和e(n)波形；某一次实现的结果并不能从统计的角度反映实验的结果的正确性，为得到具有统计特性的实验结果，可用足够多次的实验结果的平均值作为实验的结果。用MATLAB 计算并画出LMS 法时J(n)的100次实验结果的平均值随时间n 的变化曲线。 6）用MATLAB 计算并在1）中的误差性能曲面的等次实验中的H(n)的平均值的轨迹曲线； （在实验中n=1,,…..N,N 的取值根据实验本收敛） 01(),(0)0.05 2()sin( 16102()sin() 16ss S n r N n n N n n πππ ==+是均匀分布的白噪音不相关 和)(),()(10n N n N n S ) (n x x 1()() ) (n e n N n = 本法公开了一种基于便携式智能终端的智能语音降噪算法，用于助听器、数据云端和智能终端之间的通信，助听器从外界接收带噪语音信号并传输到智能终端，智能终端通过智能语音降噪算法应用处理后一部分带噪语音信号上传到数据云端，另一部分输出到助听器进行进一步的处理，最后转化为人耳能够识别的语音信号；此外，本技术应用在智能终端(包括手机、平板电脑和智能穿戴设备等)上还能为云端数据库提供新的数据，进一步训练得到更加准确的网络，然后返回至智能终端实现更新升级。 权利要求书 1.一种基于便携式智能终端的智能语音降噪方法，其特征在于，用于助听器、数据云端和智能终端之间的通信，助听器从外界接收带噪语音信号并传输到智能终端，智能终端通过智能 语音降噪算法应用处理后一部分带噪语音信号上传到数据云端，另一部分输出到助听器进行 进一步的处理，最后转化为人耳能够识别的语音信号，所述智能语音降噪方法包括以下流程步骤： (1)通过对语音数据库及噪声数据库的语音信号和噪声数据进行特征提取，并对提取到的特征参数进行网络训练，得到成熟网络作为BP神经网络的中间层； (2)助听器从外界接收带噪语音信号传输到智能终端后，通过WOLA分析滤波器分析后形成有三条路径并保存相位； (3)第一条路径是通过提取带噪语音信号每一帧的特征参数作为成熟网络的输入信号，输出为估计噪声谱；第二条路径是WOLA分析滤波器输出的每一帧语音信号作为成熟网络的输入信号，输出为拟合的谱减因子β；第三条路径是提取所保存的相位； (4)进行谱减操作，WOLA分析滤波器综合上述三条路径并重构之后输出得到增强的语音信号，即完成了智能语音降噪算法。 2.根据权利要求1所述一种基于便携式智能终端的智能语音降噪方法，其特征在于，步骤(1)中所述语音数据库为TIMIT语音库，提取出的语音信号为时长为3s，采样频率为16kHz，单通道16位采样的男女语音信号。 3.根据权利要求1所述一种基于便携式智能终端的智能语音降噪方法，其特征在于，步骤(1)中所述噪声数据库为NoiseX92噪声数据库，提取的噪声数据有白噪声、粉色噪声、工厂噪声和机车噪声。 技术说明书 一种基于便携式智能终端的智能语音降噪算法 自适应MATLAB lms程序 【讨论】自适应滤波的MATLAB实现1.LMS算法的仿真程序： %lms算法 clear all close all hold off%系统信道权数 sysorder=5;%抽头数 N=1000;%总采样次数 inp=randn(N,1);%产生高斯随机系列 n=randn(N,1); [b,a]=butter(2,0.25); Gz=tf(b,a,-1);%逆变换函数 h=[0.0976;0.2873;0.3360;0.2210;0.0964;];%信道特性向量y=lsim(Gz,inp);%加入噪声 n=n*std(y)/(10*std(n));%噪声信号 d=y+n;%期望输出信号 totallength=size(d,1);%步长 N=60;%60节点作为训练序列 %算法的开始 w=zeros(sysorder,1);%初始化 for n=sysorder:N u=inp(n:-1:n-sysorder+1);%u的矩阵y(n)=w'*u;%系统输出 e(n)=d(n)-y(n);%误差 if n<20 mu=0.32; else mu=0.15; end w=w+mu*u*e(n);%迭代方程end %检验结果 for n=N+1:totallength u=inp(n:-1:n-sysorder+1); y(n)=w'*u; e(n)=d(n)-y(n);%误差 end hold on plot(d) plot(y,'r'); title('系统输出'); xlabel('样本') ylabel('实际输出') figure semilogy((abs(e)));%e的绝对值坐标 title('误差曲线'); xlabel('样本') ylabel('误差矢量') figure%作图 plot(h,'k+') hold on plot(w,'r*') legend('实际权矢量','估计权矢量') title('比较实际和估计权矢量'); axis([060.050.35]) 2.NLMS算法的仿真程序： %lms算法 clear all close all hold off%系统信道权数 sysorder=5;%抽头数 N=1000;%总采样次数 课程设计任务书 学生姓名：柯一凡专业班级：通信1102 指导教师：艾青松工作单位：信息工程学院 题目: 基于LMS 算法的多麦克风降噪 初始条件： ●MATLAB软件 ●数字信号处理基础知识 要求完成的主要任务: 给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。 （1）阅读参考资料和文献，明晰算法的计算过程，理解LMS算法基本过程； （2）主麦克风录制的语音信号是LMSprimsp.wav，参考麦克风录制的参考噪声是LMSrefns.wav.用matlab指令读取； （3）根据算法编写相应的MATLAB程序； （4）算法仿真收敛以后，得到增强的语音信号； （5）用matlab指令回放增强后的语音信号； (6）分别对增强前后的语音信号作频谱分析。 指导教师签名： 2012 年月日 系主任（或责任教师）签名： 2012 年月日 摘要 随着社会工业生产的不断进步，各种噪声污染越来越严重。目前普遍采用的模拟降噪方法已不能满足要求，未来的研究将朝着以数字信号处理器及相关算法为技术支撑的数字降噪技术发展。滤波器设计在数字信号处理中占有极其重要的地位，Matlab功能强大、简单易学、编程效率高,深受广大科技工作者的欢迎。特别是Matlab还具有信号分析工具箱,不需具备很强的编程能力,就可以很方便地进行信号分析、处理和设计。利用MATLAB信号处理工具箱可以快速有效地设计各种数字滤波器。在过去的几十年中，基于多麦克风的噪声消除问题一直是人们关注的课题。而在众多算法中，基于LMS算法更新滤波器权值的广义旁瓣消除器结构应用最为广泛。多麦克风降噪设计主要是通过自适应滤波器来实现的。文中采用LMS算法在MATLAB中实现了自适应滤波器的设计与实现。在MATLAB中建立了数字降噪系统模型，并且针对该模型利用MATLAB语言进行编程，仿真结果表明此设计实现了对信号中混有的环境噪声进行降噪，并且效果远远高于模拟降噪技术。 关键词：MATLAB，语音增强，LMS算法，多麦克风一种双麦克风自适应语音降噪算法研究与实现
基于LMS算法的自适应组合滤波器中英文翻译
自适应滤波LMS算法及RLS算法及其仿真.
多麦克风降噪
基于麦克风阵列的语音增强算法概述
LMS算法
matlab音频降噪课程设计报告.doc
基于RLS算法的多麦克风降噪MATLAB实现
基于LMS_算法的多麦克风降噪
LMS与RLS算法程序
RLS和LMS自适应算法分析
基于LMS算法的多麦克风降噪课程设计任务
自适应噪声抵消LMS算法Matlab仿真
基于便携式智能终端的智能语音降噪算法的制作方法
自适应MATLABlms程序
基于LMS算法的多麦克风降噪模板
相关主题
文本预览