2. NLMS算法在回声消除中的应用与步长控制

任务目标

本案例实现归一化最小均方（NLMS）自适应滤波器，用于AEC中的回声路径辨识与回声消除。通过控制步长参数μ，观察并分析不同步长下滤波器收敛速度与稳态失调之间的权衡关系。

核心原理与实现

NLMS算法在标准LMS基础上，使用输入信号功率对步长进行归一化，其权重更新公式为：

w(n+1) = w(n) + μ * e(n) * x(n) / (||x(n)||² + ε)

其中ε为防除零的正则化常数。本案例使用近端房间的远端参考信号x(n)经真实回声路径h_true卷积后，叠加近端语音与噪声作为麦克风信号d(n)。NLMS滤波器在线估计回声路径h_hat，并从d(n)中减去估计回声以输出残差e(n)。

完整代码（MATLAB）


% NLMS_AEC_Demo.m
% 功能：NLMS回声消除与步长影响分析
% 依赖：MATLAB（Signal Processing Toolbox 非必需）

clear; clc; rng(42);

%% 1. 参数与信号生成
fs = 16000;                 % 采样率 16kHz
T  = 2;                     % 时长 2秒
N  = T * fs;                % 样本数
t  = (0:N-1) / fs;

% 远端参考信号（远端说话人语音，用调频信号模拟）
x = sin(2*pi*300*t + 10*sin(2*pi*2*t))' + 0.1*randn(N,1);

% 真实回声路径（房间冲激响应，截断至256阶）
M = 256;                    % 滤波器阶数
h_true = zeros(M,1);
h_true(1) = 0.8;
h_true(50) = 0.4;
h_true(120) = -0.3;
h_true(200) = 0.2;
h_true = h_true .* exp(-(0:M-1)'/100);   % 指数衰减模拟混响

% 近端语音（本地说话人，仅在0.5~1.5秒激活）
near = zeros(N,1);
active = (t > 0.5 & t < 1.5);
near(active) = 0.5 * sin(2*pi*400*t(active))' + 0.2*sin(2*pi*800*t(active))';

% 麦克风信号 = 回声 + 近端语音 + 噪声
d = filter(h_true, 1, x) + near + 0.01*randn(N,1);

%% 2. NLMS 核心实现（单次运行）
function [e, w_final, mu_eff] = nlms_run(x, d, M, mu, epsilon)
    N = length(x);
    w = zeros(M,1);         % 自适应滤波器权重
    e = zeros(N,1);
    x_buf = zeros(M,1);     % 输入缓冲区（含历史样本）
    
    for n = 1:N
        % 更新输入向量（当前样本+前M-1个历史样本）
        x_buf = [x(n); x_buf(1:end-1)];
        
        % 滤波输出（估计回声）
        y = w' * x_buf;
        
        % 误差信号（回声消除后的残差）
        e(n) = d(n) - y;
        
        % NLMS权重更新（带正则化）
        norm_x2 = x_buf' * x_buf;
        if norm_x2 > epsilon
            w = w + (mu * e(n) / (norm_x2 + epsilon)) * x_buf;
        end
    end
    w_final = w;
    mu_eff = mu;   % 返回实际使用的步长
end

%% 3. 不同步长对比实验
mu_list = [0.005, 0.05, 0.5];
colors = {'b', 'r', 'g'};
legend_str = cell(1, length(mu_list));
figure('Position', [100 100 900 600]);

for k = 1:length(mu_list)
    mu = mu_list(k);
    epsilon = 1e-6;
    
    % 运行NLMS
    [e, w_final, ~] = nlms_run(x, d, M, mu, epsilon);
    
    % 计算回声返回损失增强（ERLE）——衡量消除量
    % 分帧计算：帧长256，帧移128
    frame_len = 256;
    frame_shift = 128;
    n_frames = floor((N - frame_len) / frame_shift) + 1;
    erle = zeros(n_frames, 1);
    for f = 1:n_frames
        idx = (f-1)*frame_shift + 1 : (f-1)*frame_shift + frame_len;
        p_d = mean(d(idx).^2) + 1e-12;
        p_e = mean(e(idx).^2) + 1e-12;
        erle(f) = 10 * log10(p_d / p_e);
    end
    
    % 绘制ERLE曲线
    time_axis = (0:n_frames-1) * frame_shift / fs;
    plot(time_axis, erle, colors{k}, 'LineWidth', 1.5);
    hold on;
    legend_str{k} = sprintf('\\mu = %.3f', mu);
end

xlabel('时间 (s)');
ylabel('ERLE (dB)');
title('不同步长下NLMS回声消除效果对比');
legend(legend_str, 'Location', 'best');
grid on;
ylim([0 30]);
hold off;

% 计算稳态ERLE（取最后0.5秒平均）
steady_start = round(N * 0.75);
fprintf('=== 稳态ERLE（最后0.5秒平均）===\n');
for k = 1:length(mu_list)
    mu = mu_list(k);
    [e, ~, ~] = nlms_run(x, d, M, mu, 1e-6);
    steady_erle = 10 * log10(mean(d(steady_start:end).^2) / mean(e(steady_start:end).^2));
    fprintf('μ = %.3f : 稳态ERLE = %.2f dB\n', mu, steady_erle);
end

%% 4. 验证：回声路径辨识精度
% 使用μ=0.05的最终权重与真实路径对比
[~, w_final, ~] = nlms_run(x, d, M, 0.05, 1e-6);
path_err = 20 * log10(norm(h_true - w_final) / norm(h_true));
fprintf('\nμ=0.05时回声路径辨识误差: %.2f dB\n', path_err);

运行与验证

运行方式：将上述代码保存为 NLMS_AEC_Demo.m，在MATLAB中直接运行。代码自动完成信号生成、NLMS滤波、多步长对比与结果输出。

验证方法：

  1. 收敛速度观察：运行后查看ERLE曲线图。μ=0.5的曲线应最先上升（收敛快），μ=0.005的曲线上升最慢。
  2. 稳态失调对比：观察曲线末端平稳值。μ=0.5的稳态ERLE应最低（约10-15 dB），μ=0.005的稳态ERLE应最高（约25-30 dB），μ=0.05介于两者之间。这体现了步长对收敛速度与稳态精度的权衡。
  3. 路径辨识精度：命令行输出的“回声路径辨识误差”应随μ减小而降低（μ=0.05时通常低于-20 dB），说明小步长获得更精确的路径估计。

通过标准：程序无错误运行完毕，ERLE曲线呈现“大步长先上升、小步长后上升但最终更高”的典型对比形态，且命令行输出的三组稳态ERLE值满足：μ=0.005时最大，μ=0.5时最小。

关键说明

  • 代码中nlms_run函数为NLMS核心实现，使用输入向量功率归一化更新步长，epsilon防止除零。
  • ERLE（回声返回损失增强）是AEC常用评价指标，值越大表示回声消除越彻底。近端语音激活段（0.5~1.5s）ERLE会下降，这是双端通话场景的正常现象。
  • 实际AEC系统中还需双端通话检测（DTC）控制自适应暂停，本案例聚焦NLMS本身，未加入DTC模块。
← 上一章 📖 返回目录 下一章 →