回声消除几种常用的算法比较.DOC

回声消除几种常用的算法比较 LMS与RLS自适应滤波算法性能比较 最小均方(LMS, Least Mean Squares)和递推最小二乘(RLS, Recursive Least Squares)两种基本自适应算法进行了算法原理、算法性能分析。计算机模拟仿真结果表明，这两种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号。检测特性相比之下，RLS算法具有良好的收敛性能，除收敛速度快于LMS算法和NLMS算法以及稳定性强外，而且具有更高的起始收敛速率、更小的权噪声和更大的抑噪能力。 基于自适应噪声抵消系统，对比研究了两类自适应滤波算法在噪声抵消应用中的滤波性能。计算机仿真实验结果表明，两种算法都能从高背景噪声中提取有用信号。相比之下，RLS算法具有比LMS好得多的启动速度和收敛速度，对非平稳信号适应性强，其滤波性能明显好于LMS算法，但其计算复杂度高，不便于实时处理。而LMS算法相对存在收敛速度不够快和抵抗突出值干扰能力不够强。值得深入研究的是降低RLS算法的计算复杂度，进一步提高LMS算法的收敛速度并减少其残余(失调)误差。 (2)LMS与NLMS的比较 通过理论分析和实验对比得出NLMS算法的复杂度最小且鲁棒性最好，但是遇到相关信号时，收敛速率最慢。在实际应用中，NLMS算法便可以基本满足要求，但是NLMS算法步长选择一种收敛速度和收敛精度的折衷。 (3) NLMS算法与NBLMS算法的比较 由于回声消除的效果除了与算法有关外，还与滤波器系数的个数、采样率、削波处理、近端语音信号检测等因素相关，因此对两个算法进行比较时，这些因素都取相同值． 两种算法在代码大小和所需指令周期上的比较 两种算法在代码大小和所需指令周期上的比较见表1．由此可见：两种算法在性能上的差异与滤波器系数的个数N 和滤波器系数块大小M有关． 表I 两种算法在代码大小和所需指令周期上的比较 算法 代码大小 指令周期 NLMS 60 2*N+70 NBLMS 60 2*M+N/M(M+10)+15 上述的几种算法各有特点。 (1)RLS算法即使是在输入信号相关矩阵的特征值扩展比较大的情况都能实现快速收敛，且对输入参考信号特征值散布不敏感，但其实现都以增加计算复杂度和稳定性问题为代价，而这些问题对于基于LMS准则的算法来说却并不重要，因此实际应用中很少采用。 (2)LMS算法的特点是每次迭代的计算量小，所需的存储量也小，易于实现，但收敛速度较慢，且对输入信号特征值散布较敏感。 (3)NLMS算法是自适应信号处理中应用最广泛的算法之一。它简单易实现，但缺点是收敛速度慢，对非平稳信号自适应能力差。