基于RLS算法的多麦克风降噪MATLAB实现课程设计.docx

1、基于RLS算法的多麦克风降噪MATLAB实现课程设计课程设计题 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 RLS

2、primsp.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：年月日摘要

3、 IAbstract II1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 6.3.2 RLS 算法程序程序设计 8.4RLS 算法自适应滤波方案实现与仿真 1.04.1信号的获取 1.0.4.2读取语音文件 1.04.3算法实现 1.0.4.4提取语音信号 1.14.5仿真结果分析 1.34.5.1 增强前后语音信号波形分析 1. 34.5.2 增强前后语音信号频谱分析 1. 45总结 1.6.6参考文献 1.7.附录

4、1.8.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： MAT

5、LAB ，自适应滤波， RLS算法，麦克风降噪AbstractThis course design is to use the powerful computing power of MATLAB software, the use of the RLS adaptive filtering algorithm microphone noise reduction. Aims to develop the way we use computers to handle large data, familiarity with MATLAB count information.Having und

6、erstood the principle of RLS algorithm, an audio file was selected to generate the random noise. Then add the noise to the source as the phonetic, which was polluted by noise. The random noise was used to be reference microphone signal. By using MATLAB programming, The goal to enhance speech was ach

7、ieved. Noise reduction of speech signals based on the RLS algorithm, and we get clear speech signal.After debugging the compiler, we get the speech signal after denoising and speech signal waveform and spectrum before and after speech enhancement. Finally the speech denoising based on RLS was finish

8、ed successfully.Keywords: MATLAB, adaptive filter, RLS algorithm, microphone noise reduction1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，

9、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

10、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

11、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 (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( )=Fx(k),d(k),y(k)

12、 ，因此目标函数必须具有以下两个性质 :(1)非负性F x k ,d k , y k 0, y k ,x k ,d k(2)最佳性F x k ,d k , y k 0, 当y k d k 时2.2自适应干扰抵消原理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。

13、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 d(n)是信号和噪声之和， 即d(n) x(n) N (n) ，自适应处理器的输 入是与 N(n)相关的另一个噪声 N (n)。当 x(n) 与N (n)不相关时，自适应处理器 将调整自己的参数，以力图使 y(n

14、)成为 N (n) 的最佳估计 N (n ) 。这样， e(n) 将逼 近信号 x(n) ，且其均方值 E e2(n) 为最小。噪声 N(n) 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

15、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。J(n) E| (n) |2 E| d(n) wHu(n)|2 (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：(Recursive Least-Square)s，递归最小二