基于rls算法的多麦克风降噪matlab实现课程设计正文 大学论文.docx

基于rls算法的多麦克风降噪matlab实现课程设计正文 大学论文.docx

《基于rls算法的多麦克风降噪matlab实现课程设计正文 大学论文.docx》由会员分享，可在线阅读，更多相关《基于rls算法的多麦克风降噪matlab实现课程设计正文 大学论文.docx（23页珍藏版）》请在冰豆网上搜索。

基于rls算法的多麦克风降噪matlab实现课程设计正文大学论文

课程设计

题目

基于RLS算法的多麦克风降噪

学院

信息工程学院

专业

班级

姓名

指导教师

《信息处理课群综合训练与设计》任务书

题目:

基于RLS算法的多麦克风降噪

初始条件：

Matlab软件、信号与系统、通信处理等

要求完成的主要任务:

（包括课程设计工作量及其技术要求，以及说明书撰写等具体要求）

设计任务：

给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。

设计的要求：

（1）阅读参考资料和文献，明晰算法的计算过程，理解RLS算法基本过程；

（2）主麦克风录制的语音信号是RLSprimsp.wav，参考麦克风录制的参考噪声是RLSrefns.wav，用matlab指令读取；

（3）根据算法编写相应的MATLAB程序；

（4）算法仿真收敛以后，得到增强的语音信号；

（5）用matlab指令回放增强后的语音信号；

（6）分别对增强前后的语音信号作频谱分析。

时间安排：

1、理论讲解，老师布置课程设计题目，学生根据选题开始查找资料；

2、课程设计时间为2周。

（1）理解相关技术原理，确定技术方案，时间2天；

（2）选择仿真工具，进行仿真设计与分析，时间6天；

（3）总结结果，完成课程设计报告，时间2天。

指导教师签名：

年月日

系主任（或责任教师）签名：

年月日

目录

摘要I

AbstractII

1绪论1

2自适应信号处理基本原理2

2.1自适应滤波器组成2

2.2自适应干扰抵消原理2

2.3自适应滤波原理3

2.3RLS算法基本原理4

3RLS算法方案设计6

3.1最小二乘算法RLS算法实现6

3.2RLS算法程序程序设计8

4RLS算法自适应滤波方案实现与仿真10

4.1信号的获取10

4.2读取语音文件10

4.3算法实现10

4.4提取语音信号11

4.5仿真结果分析13

4.5.1增强前后语音信号波形分析13

4.5.2增强前后语音信号频谱分析14

5总结16

6参考文献17

附录18

摘要

本次课程设计要求使用具有强大运算能力的MATLAB软件，运用自适应滤波中的RLS算法实现麦克风降噪。

旨在培养我们使用计算机处理庞大的数据的能力和熟悉MATLAB在信息技术中的应用。

在了解RLS算法的原理后，我选择了一段音频文件，并利用它产生随机噪声，将噪声和源文件叠加作为受噪声污染的语音信号，而随机噪声则作为参考麦克风语音信号，通过MATLAB编程实现语音增强的目标，利用RLS算法对语音信号进行降噪，得到清晰的语音信号。

经调试编译，得到降噪后的语音信号以及增强前后语音信号波形及频谱，最终成功实现基于RLS的语音降噪。

关键词：

MATLAB，自适应滤波，RLS算法，麦克风降噪

Abstract

ThiscoursedesignistousethepowerfulcomputingpowerofMATLABsoftware,theuseoftheRLSadaptivefilteringalgorithmmicrophonenoisereduction.Aimstodevelopthewayweusecomputerstohandlelargedata,familiaritywithMATLABcountinformation.

Having understoodtheprincipleofRLSalgorithm,anaudio filewasselected togeneratetherandom noise.Thenaddthenoisetothesourceasthephonetic,whichwaspollutedbynoise.Therandomnoise wasusedtobereference microphonesignal.ByusingMATLABprogramming,Thegoaltoenhancespeechwasachieved.Noisereduction ofspeechsignalsbasedonthe RLSalgorithm,andweget clearspeechsignal.

Afterdebugging thecompiler, weget thespeechsignal afterdenoisingandspeechsignal waveformandspectrumbeforeandafterspeechenhancement.Finallythespeech denoising basedonRLSwasfinishedsuccessfully.

Keywords:

MATLAB,adaptivefilter,RLSalgorithm,microphonenoisereduction 

1绪论

自适应噪声滤波是指从信号被噪声干扰所淹没的环境中检测和提取有用信号，而自适应抵消是以噪声干扰为处理对象，将它们抑制掉或进行非常大的衰减，以提高信号传递和接收的信噪比质量。

自适应滤波处理技术可以用来检测平稳的和非平稳的随机信号。

自适应数字系统具有很强的自学习、自跟踪能力和算法的简单易实现性，它在噪声信号的检测增强，噪声干扰的抵消，波形编码的线性预测，雷达声纳系统的阵列处理和波束形成，通信系统的自适应分割，以及未知系统的自适应参数辨识等方面获得了广泛的应用。

例如，在工业生产过程中，由于生产环境的影响，许多静电或电磁场会对控制器输入给定信号造成干扰，产生信号噪声，导致操作精度下降甚至输入错误信号，加快执行机构的磨损，严重时造成生产事故，后果不堪设想，这就需要设计一个自适应信号处理系统来过滤噪声干扰。

再如水下侦察系统中发射器与接收器靠得很近，但为了探测水下远程潜艇等目标，发射信号的功率很强，就会串扰到接收器中，因此所接收的远程目标的反射波就淹没在串扰信号中，大大妨碍了对目标定位距离的测量，这时也必须采用干扰抵消措施。

所以，自适应噪声干扰抵消技术有着重要的应用。

通过本次课程设计，我们可以加强对信号处理的理解，学会查寻资料﹑方案比较，以及设计算法等。

灵活运用所学信号与系统、数字信号处理等信息处理知识，分析和解决工程技术问题，将理论知识与应用实际结合起来。

本次课程设计的题目为基于RLS的多麦克风语音降噪，主要是对给定主麦克风录制的受噪声污染的语音信号和参考麦克风录制的噪声，实现语音增强的目标，得到清晰的语音信号。

2自适应信号处理基本原理

2.1自适应滤波器组成

自适应滤波器通常由两部分组成，其一是滤波子系统，根据它所要处理的功能而往往有不同的结构形式。

另一是自适应算法部分，用来调整滤波子系统结构的参数，或滤波系数。

在自适应调整滤波系数的过程中，有不同的准则和算法。

算法是指调节自适应滤波系数的步骤，以达到在所描述准则下的误差最小化。

自适应滤波器含有两个过程，即自适应过程与滤波过程。

前一过程的基本目标是调节滤波系数θ（k），使有意义的目标函数或代价函数F（·）最小化，滤波器输出信号y（n）逐步逼近所期望的参考信号d（n），由两者之间的估计误差e（n）驱动某种算法对滤波（权）系数进行调整，使滤波器处于最佳工作状态以实现滤波过程。

但是，由于目标函数F（·）是输入信号x（k）、参考信号d（k）及输出信号y（k）的函数，即F（·）=F[x（k）,d（k）,y（k）]，因此目标函数必须具有以下两个性质:

（1）非负性

（2）最佳性

2.2自适应干扰抵消原理

图2-1自适应干扰抵消原理图

自适应滤波器在实际应用中，由于没有充足的信息来设计固定系数的数字滤波器，或者设计规则会在滤波器正常运行时改变，因此我们需要研究自适应滤波器。

凡是需要处理未知统计环境下运算结果所产生的信号或需要处理非平稳信号时，自适应滤波器可以提供一种吸引人的解决方法，而且其性能通常远优于用常方法设计的固定滤波器。

此外，自适应滤波器还能提供非自适应方法所不可能提供的新的信号处理能力。

自适应噪声抵消技术是自适应信号处理的一个应用分支，其主要理论和框架在1975年提出，经过三十多年的丰富和扩充，现在已经应用到了很多领域，比如车载免提通话设备，房间或无线通讯中的回声抵消在母体上检测胎儿心音，机载电子干扰机收发隔离等，都是用自适应干扰抵消的办法消除混入接收信号中的其他声音信号。

如图所示的是自适应干扰抵消器的基本结构，它有着很广泛的应用。

期望响应是信号和噪声之和，即，自适应处理器的输入是与相关的另一个噪声。

当与不相关时，自适应处理器将调整自己的参数，以力图使成为的最佳估计。

这样，将逼近信号，且其均方值为最小。

噪声就得到了一定程度的抵消。

2.3自适应滤波原理

图2-2自适应滤波原理图

自适应滤波器由递归计算最小二乘估计（RLS）应用自适应权值控制机制来进行（图3-2）。

自适应滤波机制在估计滤波器的权重或者系数时，需要将输入信号转换成所需的信号，通过滤波器的信号输入端口进行连接。

该输入信号可以是基于采样的标量或一个单位信道的基于帧的信号。

将所需端口的信号必须具有相同的数据类型、帧状态、复杂性，才能作为所需的信号作为输入信号，输出端口输出滤波后的输入信号，它可以是基于样品或帧输入信号。

使用递归最小二乘（RLS）算法，从输入信号中减去噪声得到输出信号。

RLS自适应线性自适应滤波器使用的输入端口上的参考信号与输出的期望信号端口自动匹配，滤波过程在噪声滤波器内进行去噪。

由于通过滤滤器的输入信号进行收敛，过滤的噪声应完全从“信号加噪声”的信号中减去，继而使得输出信号应该只包含原始信号。

这样完成一次去噪滤波，可以减少噪声对信道的影响，更有利于进行信道估计。

通过上面的分析讨论，将带有噪声的原始信号输入到系统中，通过将线性自适应滤波器与RLS算法相结合进行信道估计，来改进RLS估计算法，减小噪声对信道的影响，这样就能有效的较少信道干扰和载波间干扰，从而优化信道的估计算法。

2.3RLS算法基本原理

所谓自适应实现是指利用前一时刻获得的滤波器参数，根据估计误差自动调节现时刻的参数，使得某个代价函数达到最小，从而实现最优滤波。

（公式1）

下降算法：

最广泛使用的自适应算法包括自适应梯度算法（LMS）、自适应高斯-牛顿算法（RLS）。

RLS算法：

（RecursiveLeast-Squares），递归最小二乘算法。

它是利用在已知n-1时滤波器抽头权系数的情况下，通过简单的更新，求出n时刻的滤波器抽头权系数。

代价函数：

使用指数加权的误差平方和

（公式2）

（0<λ<1,称为遗忘因子）引入遗忘因子作用是离n时刻近的误差附较大权重，离n时刻远的误差赋较小权重，确保在过去某一段时间的观测数据被“遗忘”，从而使滤波器可以工作在非平稳状态下。

估计误差定义：

（公式3）（公式4）

可取滤波器的实际输入d*（i）作为期望响应d（i）。

将误差代入代价函数得到加权误差平方和的完整表达式：

（公式5）

抽头权向量取的是n时刻的w（n）而不是i时刻的w（i）。

i<=n时刻，

（公式6）

（公式7）

故代价函数比更合理。

为了使代价函数取得最小值,可通过对权向量求导：

（公式8）

解得

其中（公式9）

（公式10）

由此可见指数加权最小二乘法的解转化为