基于高阶统计量的改进型块稀疏最小均方算法

《基于高阶统计量的改进型块稀疏最小均方算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、摘要：为降低块稀疏最小均方算法(BS-NLMS)在声学回波消除等系统辨识中的计算复杂度，本文充分研究了块稀疏系统特性，提出一种利用语音活动检测方法来降低原有算法计算复杂度的改进型新算法。新算法首先利用基于高阶统计量的语音活动检测法来区分一段语音中的有无语音段，然后采用最小欧式距离范数作为部分更新标准，从而克服了传统抽头系数在每次迭代时需要全部更新而引起的较高计算复杂度的问题。本文不仅给出了算法的计算复杂度分析，系统辨识的仿真结果也表明本方法较之前的块稀疏最小均方算法有更小的计算复杂度。关键词：高阶统计量；块稀疏；部分更新；系统辨识中图分类号：TP311文献标识码：A文章编号：1009-304

2、4(2018)13-0195-03ImprovedBlock-SparseLeastMeanSquareAlgorithmBasedonHigherOrderStatisticsWEIDan-dan,LIUBin-cen(CollegeofInformationEngineering,ZunyiNormalUniversity,Zunyi563006,China)Abstract：Inordertoreducecomputationsofblocksparsesystemidentification,aselectivepartial-updatenormalizationadaptivef

3、ilteringalgorithmbasedontheBS-NLMSalgorithmisproposedofblocksparsesystemidentificationinacousticechocancellationapplication.theVoiceactivitydetection(VAD)algorithmisusedtodistinguishtheactive/inactivespeechperiods,theselectiveblockupdatingschemesofsmallestEuclideandistaneeischosentoupdatefiltercoef

4、ficientsateachiteration.Computationalcomplexityisanalyzedindetail.Additionally,simulationsresultsshowthattheproposedalgorithmperformaneeintermsofconvergencerateandsteady-statemeansquareerrorascomparedwiththeBS-NLMSalgorithm.Keywords:adaptivefilteringalgorithm；blocksparse；selectivepartial-update；sys

5、temidentification1引言?o论在计算机领域的多媒体信号处理还是通信领域的系统辨识和声学回声消除等，自适应滤波算法都有着广阔的前景应用[1]o其中最为常用的是最小二乘(RecursiveLeastSquare,RLS)法、最小均方(LeastMeanSquare,LMS)算法以及仿射投影算法(AffineProjectionAlgorithm,APA)等三种算法。其中，应用最为广泛的是具有计算量小和易于实现这两个优点的LMS算法。需要注意的是，仅仅是LMSNLMS算法[4],M・maxNLMS算法[5],以及采取固定更新方案来更新滤波器系数的set-membershipPU-N

6、LMS算法等⑹.本论文选取最小均方欧式距离作为最优准则来选取部分更新块以降低计算复杂度。通常来说，选取准则大致可以分为两类，第一类是块系数矢量更新采用均方欧式范数，第二类是在参数设置时采用较大的梯度矢量成分。计算复杂度的降低是通过将抽头系数分为较小的块且每次只迭代一块而不是整个滤波器系数获得的。而在具体的块选择上则是得益于声学回波消除中很重要的一种VAD技术，而本文采用的是其中的高阶统计量方法。4?丫论本文提出的部分更新块稀疏自适应滤波算法能够降低算法的计算复杂度，该算法首先利用基于高阶统计量的语音活动检测法区分有无语音段，然后采用最小欧式距离范数作为更新标准，从而克服了传统抽头系数在每次迭

7、代时需要全部更新而导致的计算复杂度的问题。文中给出了算法的计算复杂度分析。进一步的研究方向将会从块稀疏的分块来研究，考虑如何进行分块的自适应，而不是固定的分配。参考文献：[1]HAYKINS.Adaptivefiltertheory[M].India:PearsonEducationIndia,200&120-180.[2]ZhangJian；ChenXiaowei.Non-subsampledcont・JI