Page 28 - 《应用声学》2022年第1期
P. 28

24                                                                                   2022 年 1 月


             点的第 i 个传声器所拾取到的信号。类似的,式 (3)                           在线算法中当 λ(n) 已经估计得到,则式 (7) 中
             和式(4)中的矢量被表示为                                     的优化目标转化为
                            [  T      T ] T                                              
                        g = ¯ g , · · · , ¯ g  ,                              N    ⌢    2
                              1       J                                      ∑      d(n)
                            [             ] T                        g = min             
                               T
                        ¯ g j = g , · · · , g T  ,                         g        λ(n)
                              j1      jM j                                   n=1
                                                                                                   2
                            [  T         T   ] T                              N  (          H      )
                     q(n) = ¯ q (n), · · · , ¯ q (n)  ,                = min  ∑     x ref (n) − g q(n)   .  (9)
                              1
                                         J
                            [                  ] T                         g             λ(n)
                               T
                     ¯ q j (n) = q (n), · · · , q T  (n)  ,                  n=1
                              j1
                                         jM j
                                               T                   使用形如式 (9) 的优化目标对参数进行估计的
             其中,g ji = [g ji (0) , · · · , g ji (L g − 1)] 与 q ji (n) =
                                                T
             [x ji (n − τ) , · · · , x ji (n − τ − (L g − 1))] 分别代表  算法即为WPE算法,通常使用RLS对其求解,具体
             对应于第 j 个节点的第 i 个传声器的空间回归系数                        过程见表1     [26,28] 。
             与所存储的延时信号。
                                                                         表 1  在线 WPE 算法实现细节
             2 分布式算法介绍                                            Table 1 The details of the online WPE
                                                                  method
             2.1 集中式WPE算法介绍
                 WPE 算法是一种基于 MCLP 的算法,估计位                       1 初始化参数:g(0) = [0] ML g ×1 ,P (0) = I ML g ×ML g
             置参数 g 时,对目标语声 STFT 域信号采用时变                         2 目标信号估计与空间回归系数的更新,n = 1, 2, · · · 代表时刻
             高斯模型 (Time-varying Gaussian, TVG) 进行建                  (a) 更新 q(n − 1):
             模  [24] 。假设目标语声信号 d(n) 可被建模为零均值                          q(n) = x (n − τ), [q(n − 1)] T  ] T  .  (10)
                                                                           [
                                                                             T
                                                                                            1:M(L g −1),1
             的复高斯模型,则期望信号的概率密度函数可被
                                                                    (b) 获取 n 时刻目标信号估计:
             表示为
                                                                      ⌢             H
                                          (        2  )               d (n) = x ref (n) − g (n − 1)q(n).  (11)
                                   1         |d(n)|
              N C (d(n); 0, λ(n)) =    exp −         , (5)
                                 πλ(n)        λ(n)                  (c) 使用式 (8) 获取 n 时刻方差 λ(n)
             其中,λ(n) 表示期望信号在 n 时刻概率密度函数的                            (d) 更新增益系数 k(n − 1),空间回归系数 g(n − 1)
             方差,是一个未知量。由概率密度函数可以写出一                                    与矩阵 P (n − 1):
             段时间内的似然函数:                                               k(n) =     P (n − 1)q(n)   ,       (12)
                                                                                   H
                                                                           αλ(n) + q (n)P (n − 1)q(n)
                               N
                                                                                       ⌢
                                                                                        H
                              ∏                                       g(n) = g(n − 1) + k(n) d (n),      (13)
                     L (g, λ) =   N C (d(n); 0, λ(n)) ,  (6)
                                                                                         H
                                                                            P (n − 1) − k(n)q (n)P (n − 1)
                              n=1                                     P (n) =                       .    (14)
                                                                                       α
             其中,参数 g 和 λ(n) 的估计可以通过最大化式 (6)
                                                                    (e) 进入下一帧更新
             中的似然函数得到,对其取负对数,可得到优化目标
                                                                3 结束
             函数  [23] :
                             N (      2           )
                            ∑    |d(n)|
                   g = min              + lg πλ(n) .    (7)        表 1 中,k(n) 被称为增益向量,P (n) 为输入信
                       λ>0,g      λ(n)
                            n=1                                号 q(n) 的协方差矩阵的逆,α 为平滑因子,用于保
             g 和 λ(n) 的联合优化是困难的,在离线算法中采用                       持算法的自适应性。在稳定环境中,经过迭代 g 会
             两个参数交替优化的方法,两个参数在每个时频点                            收敛到一个稳定值,通过式(4)输出增强后信号。在
             交替优化直到收敛或达到最大迭代次数,得到参数
                                                               RLS 滤波器中有先验估计误差与后验估计误差的
             g 的估计后使用式 (4) 得到目标信号估计。由于计
                                                               概念,其中先验误差为即为式 (11) 中得到的估计值
             算量较大,这种算法较难在线使用,实时算法中通常                           ⌢
                                                                                  ⌢
                                                               d(n)。设后验误差为 z(n),可表达为
             选取参考信号直接估计 λ(n)           [25−27] ,λ(n) 的估计可
             写作:                                                        ⌢                H
                                                                        z(n) = x ref (n) − g (n) q(n)
                                                                                              ) ⌢
                                  H
                                                                               (
                                                                                     H
                          λ(n) = x (n)x ref (n).        (8)                  = 1 − k (n)q (n) d(n).      (15)
                                  ref
   23   24   25   26   27   28   29   30   31   32   33