[发明专利]基于半盲源分离的非线性声学回声消除方法

说明书

本发明公开了一种基于半盲源分离的非线性声学回声消除方法。该方法包括以下步骤：(1)利用已知的远端输入信号获取含有非线性回声的麦克风信号；(2)对远端输入信号的非线性映射进行基函数展开，将未知的非线性展开系数合并到回声路径中；(3)将远端输入信号的基函数形式看作已知的参考信号，并与麦克风信号合并为向量形式；(4)利用短时傅里叶变换得到时频域信号；(5)采用带约束的缩放自然梯度独立向量分析实现在线半盲源分离算法，估计分离矩阵并分离出近端时频域信号；(6)通过短时傅里叶逆变换得到时域的近端信号。本发明的方法能在非线性模型与实际模型存在偏差的实际应用中获得更好的非线性回声消除性能。

技术领域

本发明属于信号处理的技术领域，具体涉及一种基于半盲源分离的非线性声学回声消除方法。

背景技术

声学回声消除(Acoustic Echo Cancellation,AEC)在免提语音通信、远场语音识别和电话会议系统等场景中一直都有非常重要的应用。根据回声路径建模方式的不同，可以将AEC分为线性和非线性AEC(Nonlinear AEC,NAEC)。线性AEC假设回声信号是远端输入信号与回声路径的线性卷积，可以用自适应滤波方法来估计回声路径，并从麦克风接收信号中消除掉线性回声信号。

在实际应用中，智能手机和笔记本电脑等设备的小型扬声器通常都会存在一定的非线性失真。除了未知的回声路径，还需要考虑未知的非线性，才能很好地解决NAEC问题。由于自适应滤波方法本质上旨在识别扬声器激励与麦克风接收信号之间的传递函数，所以基于自适应滤波的传统NAEC算法非常依赖于数值非线性模型的准确性，数值与实际非线性模型之间的失配会导致算法性能下降。

盲源分离(Blind Source Separation,BSS)是一种在没有任何有关混合过程先验信息的前提下，根据观测的混合信号来分离出未知声源信号的统计技术。半盲源分离(Semi-Blind Source Separation,SBSS)是BSS在系统源信号部分知识已知时的一种特殊情况，也能用于处理AEC。SBSS方法基于近端信号与参考信号之间的独立性，理论上对数值与实际非线性模型之间的失配不敏感。然而，已有的SBSS都是用于解决线性AEC问题的，不能直接用于NAEC系统。

发明内容

为了解决上述技术问题，本发明提出了一种基于半盲源分离的非线性声学回声消除方法。

本发明采用的技术方案为：

基于半盲源分离的非线性声学回声消除方法，包括如下步骤：

步骤1，利用已知的远端输入信号获取含有非线性回声的麦克风信号；

步骤2，对远端输入信号的非线性映射进行基函数展开，将未知的非线性展开系数合并到回声路径中；

步骤3，将远端输入信号的基函数形式看作已知的参考信号，并与步骤1中的麦克风信号合并为向量形式；

步骤4，利用短时傅里叶变换得到步骤3中向量形式信号的时频域形式信号：

y(k,n)＝[Y(k,n),X₁(k,n),…,X_i(k,n),…,X_p(k,n)]^T

其中，Y(k,n)和X_i(k,n)分别为麦克风信号y(t)和远端输入信号的基函数形式φ_i(x(t))的时频域形式，p为基函数展开阶数，k为频率序号，n为帧序号，(·)^T表示转置；

步骤5，采用带约束的缩放自然梯度独立向量分析实现在线半盲源分离算法，估计分离矩阵并分离出近端时频域信号；

步骤6，将步骤5分离出的近端时频域信号通过短时傅里叶逆变换得到时域的近端信号。