转载_关于AEC算法的几点思考

一年前我剖析过开源的AEC算法，文章链接是语音增强和语音识别；时隔这么长时间，再过来看这个算法，略有体会，以下有几点个人思考：

AEC算法的主要目的是自身音源消除，对于手机或者pc这类的通话场景，这类场景和音响场景稍有差异，两者遇到的主要问题会有些差异；

对于视频通话这类场景，两个通信终端的时钟偏斜和漂移是不定的，而音箱场景这个是可以在硬件上加以解决的，但是音箱场景的非线性失真却比通信场景严重的，功率放大模块非线性器件带来的谐波失真，在室内四个方向都发声，是得卷积失真，多次反射回声，声音突变等会加剧问题处理的复杂性；

当前绝大部分的AEC算法基本都基于频域分块处理方法，基于LMS/NLMS、RLS(recursive least square), APA(Affine Projection Algorithm)自适应处理方法。

LMS算法主要的作用消除线性回声部分，也就是参考信号x中可以经过线性叠加的方式获得麦克风采集到的回声信号的估计值，上述公式中的h是滤波器系数，

mumu

是步长因子；e是误差信号；

LMS算法对输入信号的频谱和功率敏感，步长因子的选取直接影响收敛速度和稳定性，对于稳定性要求步长因子小于输入信号协方差矩阵的迹导数（实际中很少计算，采用定长步长），

对于要求高的场景会选择根输入信号的功率对步长进行归一化，即NLMS算法，

β是归一化的步长因子，。为了防止分母为零，加小数a，得如下：

 

这样收敛速度和输入信号的功率绝对值无关。但是这两种算法在输入信号相关性很高时，收敛速度都会较慢。RLS算法准则是最小均分误差。其收敛速度块，是用于非稳态信号。其算法实现如下：

思考1：

1.步长因子$mu$如何选择？理想的步长因子是：

但是实际上

h^h^

是未知的，这也意味这步长因子是无法直接求出的，有些算法直接选择了定长的步长因子（针对场景调节一个因子），但如果步长因子过大，则收敛的速度相应变快，直观的感受是当音乐突然变化（鼓声起）等时，能够快速压制，这也容易造成过冲，使得失调反而变大，这是因为误差信号的估计并不是每时每刻都很准，尤其在double-talk出现时更是如此；在音箱场景中不宜采用固定步长因子的，音箱场景涵盖的过于复杂，不像通信场景可以得到一个收敛延迟和压制效果较为满意的均衡点。这个步长因子应该根据采集到的参考信号x以及误差信号e之间关系变化，当然为了防止抖动，对其自身的平滑还是需要。可以从x的时间序列得到输入信号的变化，这个变化是源头上可以反映参考信号变动的，另外误差信号e是另一个指标来反映，尽管e能够加速收敛过程，当e失调时也该适当的增加mu，这样mu可以看成是一个和x序列以及e序列相关的变量；以下是通过算法来跟新步长因子$\mu$(\$lambda$)的方法。

由于观测信号和滤波器系数都是分块（重叠相加法或重叠保留法均可实现）方法，这就为实时性提供了保障。在LMS方法做或许的非线性滤波时系步长的更新也可以采用这里的方法。

此外还有基于贝叶斯网络的理论计算LMS方法中步长的选择的。

2.关于误差信号，LMS消除的是线性部分，得到的是残余线性部分和非线性部分之和，非线性部分来源于外接的噪声，参考源的卷积响应以及喇叭或者传输路径带来的非线性，对于从四面八方接收信号场景而言，非线性还是比较明显，所以必须引入非线性处理方法，有最小均放误差方法，但是这一方法并不好，实际上webrtc就是采用这个准则，尤其是在double-talk发生时更是如此。这个方法认为，如果能够消除噪声，则得到的最终能量值将最小，这在同一时刻只有一方说话时是成立的，但是当双方都在说话时，使用误差能量最小这一准则显然不适用，这就是很多人会提到的吞字（英文文献里称之为clipping）现象。只有把字吞掉，能量才会小，这样这个没有double-talk检测算法必然的结果。

3.所以针对非线性信号（NL-processing），非线性问题在有些文献中又被称为REC（residual echo control），这些

，需要一个方法把非线性部分消掉而不损伤double-talk时发生“误杀现象”，首先谈如何消掉非线性部分，可以将原始信号x通入滤波器中，使用滤波器来近似非线性响应函数，这样也会得到非线性估计，实际上最早开始部分提到的误差信号e是减去了线性和非线性部分得到的误差信号，滤波器系数可以通过最小能量均分来做为准则进行平滑。非线性部分目前来说算是各个AEC最大的差异体现吧，通常希望滤波器阶数较高，能够处理较长的时间长度（即信号经过多次反射到达的场景）。比较有名的处理的滤波器是volterra 滤波器，使用一阶，二阶和三阶滤波器来去除非线性部分，但随着阶数的增加，计算量也呈现指数方式增加，其一阶的表示式如下：

二阶的表示如下：

则误差信号可以表示为：

则滤波器的系数跟新方式如下：

这里就涉及到三个步长跟新的速率了，，，当0<$\alpha$<2时，是收敛的。

 

4.自适应算法的迭代跟新，这要通过DTD（double-talk detection）来区别对待，实际中发现确实是有用的，可以降低对语音的损伤，但是还不够，最好是一个比较调节而不是检测到DTD条件时当即停止相关系数的跟新。DTD检测算法有能量算法，还有基于几个信号综合的互功率谱估计，也有直接通过信号的互相关性估计。

5.端到端的处理

对于ASR而言，AEC是为了获得近端的人声特征（MFCC或者FBANK），传统的AEC（场景电话，VOIP之类）得到近端信号给人耳听的，它们主要是使用频域特征做自适应滤波，如果我们的AEC目的是给机器听的（ASR），可不可以直接在多维的MFCC、FBANK特征域里做自适应滤波处理，直接得到近端信号的MFCC或者FBANK特征？