3. 自适应滤波原理：从维纳到LMS

回声消除的核心，说白了就是让滤波器自己去学习房间的声学路径。你想想看，房间里的回声路径会随着温度、湿度、甚至人走动而变化，固定参数的滤波器根本搞不定。所以我们需要自适应滤波器——它能一边工作一边调整自己。

这一章我会从最经典的维纳滤波讲起，然后引出工程上真正实用的LMS算法，最后聊聊它的改进版NLMS。嗯，这些内容我当年啃了整整两周才吃透，现在给你拆开揉碎了讲。

3.1 维纳滤波：理论上的最优解

维纳滤波是1949年由Norbert Wiener提出的。它的思路很直接：找到一组滤波器系数，让输出信号与期望信号之间的均方误差最小。

数学上，我们定义误差信号：

e(n) = d(n) - y(n)
y(n) = w^T * x(n)

其中d(n)是期望信号（近端语音），x(n)是输入信号（远端参考），w是滤波器系数向量。均方误差（MSE）就是：

J(w) = E[e^2(n)] = E[(d(n) - w^T x(n))^2]

对w求梯度并令其为零，得到维纳-霍夫方程：

R * w_opt = p
w_opt = R^(-1) * p

这里R是输入信号的自相关矩阵，p是输入与期望信号的互相关向量。

我在做第一个回声消除原型时，天真地想用维纳滤波直接算。结果发现：房间声学路径一变，就得重新采集数据、重新算矩阵逆。那延迟，够我喝三杯咖啡了。

3.2 最小均方误差准则

维纳滤波用的是均方误差最小化这个准则，这个思想被LMS算法继承了下来。但LMS不追求一步到位，而是用梯度下降法一步步逼近最优解。

梯度下降的更新公式很简单：

w(n+1) = w(n) - μ * ∇J(n)

其中μ是步长因子，∇J(n)是均方误差对权重的梯度。问题是，真实的梯度需要知道信号的统计分布，我们不知道。怎么办？

LMS算法做了一个非常聪明的近似——用瞬时误差的平方代替均方误差：

∇J(n) ≈ ∇[e^2(n)] = -2 * e(n) * x(n)

代入梯度下降公式，就得到了LMS的核心：

w(n+1) = w(n) + 2μ * e(n) * x(n)

3.3 LMS算法完整推导

咱们一步步来，把LMS算法从零推到代码。我建议你跟着手算一遍，印象会深很多。

步骤1：定义变量

滤波器阶数：M
输入向量：x(n) = [x(n), x(n-1), ..., x(n-M+1)]^T
权重向量：w(n) = [w_0(n), w_1(n), ..., w_{M-1}(n)]^T
期望信号：d(n)
步长因子：μ

步骤2：计算输出和误差

y(n) = w^T(n) * x(n)
e(n) = d(n) - y(n)

步骤3：更新权重

w(n+1) = w(n) + 2μ * e(n) * x(n)

就这么简单？对，就这么简单。但简单背后有陷阱。

下面是一个完整的LMS算法C语言实现片段：

void lms_filter(float *x, float *d, float *w, int M, float mu, int N) {
    float y, e;
    int n, i;
    
    for (n = M; n < N; n++) {
        // 计算滤波器输出
        y = 0;
        for (i = 0; i < M; i++) {
            y += w[i] * x[n - i];
        }
        
        // 计算误差
        e = d[n] - y;
        
        // 更新权重
        for (i = 0; i < M; i++) {
            w[i] += 2 * mu * e * x[n - i];
        }
    }
}

3.4 LMS算法的收敛特性

LMS算法的收敛速度受两个因素影响：步长μ和输入信号的特征值扩散度。

参数	影响	实际建议
步长μ	越大收敛越快，但稳态误差越大	先大后小（变步长策略）
特征值扩散度	扩散度越大，收敛越慢	使用白化预处理或NLMS
滤波器阶数M	阶数越高，计算量越大	根据回声路径长度选择

你想想看，如果输入信号是白噪声，所有特征值相等，LMS收敛得飞快。但如果输入是语音信号，特征值可能相差几百倍，收敛就慢得让人抓狂。这就是为什么我们需要NLMS。

3.5 NLMS算法：归一化的改进

NLMS（Normalized LMS）的核心思想很简单：用输入信号的功率来归一化步长。这样，无论输入信号是大声还是小声，步长都能自动调整。

NLMS的更新公式：

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

其中||x(n)||^2是输入向量的能量，δ是一个很小的正数，防止分母为零。

NLMS的代码实现也很直接：

void nlms_filter(float *x, float *d, float *w, int M, float mu, float delta, int N) {
    float y, e, energy;
    int n, i;
    
    for (n = M; n < N; n++) {
        // 计算滤波器输出
        y = 0;
        energy = 0;
        for (i = 0; i < M; i++) {
            y += w[i] * x[n - i];
            energy += x[n - i] * x[n - i];
        }
        
        // 计算误差
        e = d[n] - y;
        
        // 归一化步长并更新权重
        float mu_norm = mu / (energy + delta);
        for (i = 0; i < M; i++) {
            w[i] += mu_norm * e * x[n - i];
        }
    }
}

3.6 知识体系总览

下面这张图把本章的核心逻辑串起来了。从维纳滤波的理论最优，到LMS的工程近似，再到NLMS的实用改进——这是一条清晰的进化路线。

3.7 实际项目中的选择建议

说了这么多理论，最后给你一些实在的建议。我在三个不同的回声消除项目里用过这些算法，总结下来：

• 学术研究或离线分析：用维纳滤波，它能给出理论上的性能上限
• 简单场景、计算资源有限：用LMS，步长取0.01，滤波器阶数64~128
• 实际产品、语音信号：直接用NLMS，μ取1.0，δ取1e-6
• 需要快速收敛的场景：考虑变步长NLMS或仿射投影算法（下一章会讲）