北工大信号处理工程训练课程设计语音部分实验报告.docxVIP

信号处理工程训练课程设计实验报告 --语音信号部分110241XX XXX实验二：基于LMS最小均方误差法的语音降噪LMS算法的基本思想：调整滤波器自身参数，使滤波器能够自适应地跟踪这种输入信号的变化，实现最优滤波。当横向滤波器运行在实数据的情况下，该算法大体上可描述为：抽头权向量更新值=老的抽头权向量值+学习速率参数*抽头输入向量*误差信号其中误差信号定义为期望向量与抽头输入向量所产生的横向滤波器的实际向量之差。设输入信号为u（n）,LMS算法理论推导过程如下：滤波器输出y(n)为： （1）由误差定义得： （2）使用最小均方误差法，得代价函数为均方误差为： （3）式(3)中J 是滤波器的系数k w (k = 0,1,2,…)的函数。通过选择最优的系数，使J 达到最小值。定义梯度向量为?J ，? （4）另外，最陡下降迭代方程为：w(n +1) = w(n) ?μ?? J (n) （5）LMS 是直接利用单次采样数据获得的e2 (n)来代替均方误差J (n)，从而进行梯度估计，每次迭代时计梯度估计为： （6）式（6）代入式（5），得到系数向量自适应迭代法：w(n +1) = w(n) ?μ?? J (n) = w(n) + 2μe(n)u(n) （7）式（7）称最小均方自适应算法LMS。1、滤波器结构设计①FIR滤波器原理FIR滤波器的数学表达式为 (8)式中：N为FIR滤波器的抽头数；x(n)为第n时刻的输入样本；h(i)为FIR滤波器第i级抽头系数。在本实验中，即为w(n);实验中：#define N 10N定义为10，即FIR滤波器的抽头数为10，通过滤波器后得到的语音信号是由包括当前时刻在内的前10个有噪数据和w[n]值卷积得到的。在本实验中，抽头系数会根据每一次的输出进行自适应修改。②滤波器的初始化for(i=0;iN;i++){w[i]=0.01;}③程序实现对输入信号x[i]和滤波系数w[i]进行时域的卷积和，求出输出信号y.for(i=0;iN;i++){y=y+w[i]*x[i];//得到预测值}2、LMS算法的实现抽头系数的自适应改变抽头系数的自适应改变是LMS算法中的一个重要部分，没有他的改变，自适应也就无从谈起。我们设计的滤波器权系数控制电路如图3 图3 FIR 滤波器中第个权系数的控制电路图根据权系数的计算方法 程序设计如下：for(i=0;iN;i++){judge=2*u*e*x[i];w[i]=w[i]+judge;}循环条件每次经过第一步的抽头系数的自适应改变后，会得到新的FIR滤波器系数w[n],然后与之前输入的10个有噪数据重新进行卷积，直到输出值与真实值的偏差e=d[0]-y（其中e为偏差，d[0]为真实值，y为输出值）小于某个设定好的阈值，此时就得到了合格的自适应滤波器系数。实验中该阈值定义如下：#define limit 39循环判断的程序：while(no){y=0;fread(d,2,1,fp2);//读新的无噪数据 e=limit; while( (e=limit)||(e= ((-1)*limit)) ){for(i=0;iN;i++){y=y+w[i]*x[i];//得到预测值}e=d[0]-y;for(i=0;iN;i++){judge=2*u*e*x[i];w[i]=w[i]+judge;} } printf(%d,y);printf(\n);fwrite(y,2,1,fp3);for(i=1;iN;i++)//向前平移1位{x[i-1]=x[i];}no=fread(x+9,2,1,fp1);//输入新数据 }3、参数μ和limit值的选定实验中的μ值我是根据反复测试得到的，测试方法：先设定一个μ值（较小值），反复修改（慢慢增大）阈值limit，直到程序能够跳出循环，完整的输出数据为止，此时的阈值limit可以理解为是与μ对应的；选择不同的μ值，使得真实值与输出值的偏差越来越小，进而使limit在设定值为较小值时便可退出循环。实验中我得到的最佳μ为：#define u 0.00794 //ujudge#define limit 39此时的limit值为39，相对于语音信号以千为单位的幅值（噪声信号的幅值也达到了千的单位），该偏差已经足够达到要求。f1：原始的无噪信号f1-white-6：含白噪声的语音信号Filter：经过自适应滤波器后的语音信号