3. 降噪算法基础回顾：经典谱减法、维纳滤波、自适应滤波（LMS/NLMS）原理与适用场景

各位同学，欢迎来到第三章。在咱们真正上手高通平台之前，我觉得有必要把降噪算法的基础再过一遍。你可能会说：“这些算法我都学过啊。” 嗯，我理解。但实际部署的时候，你会发现书本上的知识和芯片上的表现，有时候是两码事。

这一章，我们聚焦三个最经典的降噪算法：谱减法、维纳滤波、自适应滤波（LMS/NLMS）。我会结合我在高通平台上踩过的坑，帮你理清它们的原理和适用场景。

3.1 谱减法：最直观的“切噪声”

谱减法的思路非常直接：带噪语音的幅度谱 - 噪声幅度谱 = 干净语音幅度谱。说白了，就是假设噪声是加性的，我们只要知道噪声长什么样，把它减掉就行了。

我个人习惯把谱减法比作“用橡皮擦擦掉背景”。你拿一张带噪的图，知道背景是什么颜色，直接擦掉。但问题在于——你永远无法精确知道每一帧的噪声。我们通常用无声段来估计噪声，然后假设它短时间内不变。

核心公式：

|Ŝ(ω)|² = |Y(ω)|² - α · |N̂(ω)|²

其中：
  Y(ω)  = 带噪语音频谱
  N̂(ω) = 估计的噪声频谱
  α     = 过减因子（α > 1 可减少音乐噪声）

适用场景：

• 稳态噪声：风扇声、空调声、发动机怠速声。这类噪声频谱变化慢，容易估计。
• 低信噪比环境：谱减法在 SNR 低于 0dB 时效果会急剧下降。
• 对延迟敏感的应用：谱减法延迟低，适合实时通信。

3.2 维纳滤波：最小均方误差下的最优解

维纳滤波的思路比谱减法更“数学”。它不直接减幅度谱，而是设计一个滤波器，让输出信号与干净信号的均方误差最小。你想想看，这其实是在找一个最优的“折中方案”。

我记得第一次在里看到维纳滤波的推导时，被那一堆自相关矩阵搞得头晕。但实际用起来，它的核心就是一句话：根据信噪比动态调整滤波器的增益。信噪比高的频段，增益接近1；信噪比低的频段，增益压低。

核心公式：

H(ω) = Pₛ(ω) / (Pₛ(ω) + Pₙ(ω))

其中：
  Pₛ(ω) = 干净语音的功率谱
  Pₙ(ω) = 噪声的功率谱
  H(ω)  = 维纳滤波器的频域响应

你看，这个公式很优雅。但问题来了——我们不知道 Pₛ(ω)。实际中，我们用 Pᵧ(ω) - Pₙ(ω) 来近似，或者用决策导向法（Decision-Directed）来估计先验信噪比。

3.3 自适应滤波（LMS/NLMS）：动态追踪噪声

前面两种算法都假设噪声是平稳的。但现实世界哪有那么听话？你走在马路上，车声、风声、人声，噪声一直在变。这时候就需要自适应滤波了。

自适应滤波的核心思想是：让滤波器系数随着输入信号的变化而自动调整。最经典的就是 LMS（最小均方）算法。

LMS 算法步骤：

1. 滤波输出：y(n) = wᵀ(n) · x(n)
2. 误差计算：e(n) = d(n) - y(n)
3. 系数更新：w(n+1) = w(n) + μ · e(n) · x(n)

其中 μ 是步长因子。步长越大，收敛越快，但稳态误差也越大。步长越小，越稳定，但收敛慢。这是个典型的“鱼和熊掌”问题。

NLMS（归一化 LMS） 是对 LMS 的改进。它把步长用输入信号的功率归一化，解决了 LMS 对输入信号幅度敏感的问题。

// NLMS 系数更新（伪代码）
for each sample n:
    y(n) = dot(w, x);           // 滤波输出
    e(n) = d(n) - y(n);         // 误差
    power = dot(x, x) + eps;    // 输入功率 + 防零除
    mu_normalized = mu / power; // 归一化步长
    w = w + mu_normalized * e(n) * x; // 更新系数

适用场景：

• 回声消除（AEC）：自适应滤波是 AEC 的核心。我在高通平台做 AEC 时，用的就是 NLMS 的变种。
• 主动降噪（ANC）：需要实时追踪噪声路径的变化。
• 非平稳噪声抑制：比如会议室里突然有人翻文件、咳嗽。

3.4 三种算法的选择策略

好了，三种算法都讲完了。你可能会问：“那我到底该用哪个？” 嗯，这个问题没有标准答案。我根据在高通平台上的实战经验，给你一个选择参考：