背景噪音很少是恒定的。.

麦克风可能会遇到不断变化的风扇噪声、车辆噪声、机械噪声、键盘声、振动或其他干扰。当噪声特性随时间变化时，固定的降噪滤波器可能无法充分应对。.

自适应噪音消除 通过根据输入信号不断调整滤波器来解决这个问题。.

自适应滤波器不使用一组固定的系数，而是学习干扰信号的特性，并实时更新其系数。.

在音频信号处理中，有三种经典的自适应滤波算法尤为重要：

• LMS — 最小均方法
• NLMS — 归一化最小均方法
• RLS — 递归最小二乘法

这些算法构成了现代音频DSP的重要基础，并且在诸如……等应用中仍然具有重要意义。 声学回声消除、主动降噪、麦克风系统、语音增强和多麦克风音频处理.

1. 什么是自适应降噪？

自适应降噪是一种信号处理技术，它利用自适应滤波器对不需要的噪声进行估计，并将估计出的噪声从主信号中减去。.

一个简化的系统可以表示为：

原始信号 + 噪声 → 自适应滤波器 → 噪声估计 → 减法 → 增强信号

它与传统固定滤波的关键区别在于，滤波器系数会连续变化。.

一个简化的信号模型如下：

d(n) = s(n) + v(n)

其中：

• d(n) = 麦克风信号
• s(n) = 目标信号
• v(n) = 杂音

目标是估计该非预期分量，并生成：

e(n) = d(n) − ŷ(n)

其中：

• ŷ(n) = 估计的干扰
• e(n) = 错误或增强信号

自适应算法通过调整滤波器，使误差信号尽可能接近目标信号。.

2. 为什么需要自适应滤波器？

传统滤波器通常是根据已知的频率特性设计的。.

例如

• 低通滤波器
• 高通滤波器
• 带通滤波器
• 带阻滤波器

当不需要的信号处于可预测的频率范围内时，这些方法效果很好。.

然而，现实环境中的噪声往往与语音的频率范围重叠。.

例如，人类的语言以及：

• 空调噪音
• 车辆噪音
• 机械
• 粉丝
• 其他声音

可能占用重叠的频段。.

固定滤波器无法仅去除这些频率，而不影响所需的语音信号。.

自适应滤波则采用了不同的方法。.

它会持续估算不断变化的干扰，并更新其响应。.

3. 基本自适应降噪架构

经典的自适应降噪系统使用两个输入。.

主要输入

主麦克风可拾取：

目标信号 + 噪声

参考输入

一个参考传感器捕获了一个与不需要的噪声相关的信号。.

该引用不一定非要包含所需的发言内容。.

此时，该系统如下所示：

参考噪声

↓

自适应滤波器

↓

预计噪音

↓

从主输入中减去

↓

增强的输出

从数学角度来看：

d(n) = s(n) + v(n)

以及：

y(n) = wᵀ(n)x(n)

其中：

• x(n) = 参考输入向量
• w(n) = 自适应滤波器系数向量
• y(n) = 估计噪声

输出结果为：

e(n) = d(n) − y(n)

该算法会持续更新 w(n).

4. 最重要的要求：参考信号

这是自适应降噪中最重要的概念之一。.

自适应滤波器通常需要与不需要的干扰相关的信息。.

例如，设想一种包含以下内容的设备：

• 一个麦克风
• 一个扬声器
• 一台散热风扇

如果风扇产生可测量的声学信号，则另一个传感器或麦克风可能提供与该风扇噪声相关的参考信号。.

随后，自适应滤波器可以学习以下变量之间的关系：

参考噪声 → 主麦克风处的噪声

并估算该非目标分量。.

这与单纯根据静默时段估计噪声谱不同。.

5. LMS：最小均方算法

SISTC的 LMS算法 是最广为人知的自适应滤波算法之一。.

它之所以广受欢迎，是因为其实现相对简单，且计算要求较低。.

LMS 的基本更新可以写成：

w(n+1) = w(n) + μe(n)x(n)

其中：

• w(n) = 当前滤波器系数
• μ = 步长
• e(n) = 错误信号
• x(n) = 参考输入向量

错误信息如下：

e(n) = d(n) − wᵀ(n)x(n)

因此，该算法遵循一个简单的循环：

输入 → 滤波 → 输出 → 误差 → 系数更新

该滤波器会根据误差持续调整其系数。.

6. LMS 是如何学习的

假设自适应滤波器最初的系数是错误的。.

因此，噪声估计值将不准确。.

错误信号将包含：

目标信号 + 残余噪声

LMS 算法利用该误差来调整滤波器系数。.

如果调整后，估计的噪声更接近实际干扰，则误差就会变小。.

随着时间的推移，该滤波器试图将均方误差最小化：

J = E[e²(n)]

这就是最小均方算法的核心思想。.

7. LMS 步长

该参数 μ 控制LMS过滤器适应的速度。.

这造成了一个重要的工程权衡。.

小μ

优势

• 更稳定的适应
• 系数波动较小
• 更佳的稳态性能

缺点：

• 对噪声变化的响应迟缓

大μ

优势

• 更快的适应
• 对瞬息万变的情况做出更佳的应对

缺点：

• 不稳定风险更大
• 更大的残差误差
• 可能出现的听觉失真

因此：

LMS的步长必须根据信号特性和系统要求进行选择。.

对于归一化的LMS实现，稳定性关系也会受到参考信号功率的影响。.

8. LMS 算法：概念示例

假设一个麦克风同时拾取了语音和周期性的机器噪声。.

参考麦克风采集的是机器噪声的相关版本。.

起初：

过滤器错误 → 高

在自适应滤波器学习的过程中：

筛选错误 → 较低

收敛后：

估计噪声 ≈ 实际噪声

因此：

输出 ≈ 语音 + 残余噪声

如果机器的运行状态发生变化，LMS算法会持续更新其系数。.

这种跟踪变化条件的能力是自适应滤波的主要优势。.

9. NLMS：归一化最小均方法

标准LMS算法可能对参考信号的振幅比较敏感。.

如果参考信号变得非常大，则更新项：

μe(n)x(n)

也可能变得很大。.

SISTC的 归一化最小均方法（NLMS） 该算法通过根据参考信号能量对更新值进行归一化处理来解决这一问题。.

一种常见的形式是：

w(n+1) = w(n) + [μ / (ε + ||x(n)||²)] e(n)x(n)

其中：

• μ = 归一化步长
• ε = 用于避免除以零的小正常数
• ||x(n)||² = 参考信号能量

这种归一化处理使得适应过程对输入振幅的变化不那么敏感。.

10. 为什么NLMS在音频系统中如此重要

音量可能会有很大差异。.

麦克风参考信号可能会因以下原因而发生变化：

• 扬声器距离
• 体积变化
• 机械机芯
• 环境噪声
• 不同的声学条件

传统LMS的部署可能需要对步长进行仔细调整。.

NLMS 会自动考虑参考信号的大致能量。.

这往往使其成为实时音频应用中的实用选择。.

11. LMS 与 NLMS

对于许多嵌入式音频系统而言，, NLMS 在简单性、稳定性和适应性表现之间实现了有益的平衡.

12. RLS：递归最小二乘法

SISTC的 递归最小二乘法（RLS） 该算法采用了不同的方法。.

与单纯追踪误差的瞬时梯度不同，RLS 通过递归方式最小化过去误差平方的加权和。.

从概念上讲，该目标可表述为：

J(n) = Σ λⁿ⁻ⁱ e²(i)

其中：

• λ = 遗忘因子
• e(i) = 上一时刻 i 的误差

遗忘因子决定了较早的观测结果对当前解的影响程度。.

该值越接近1，对历史数据的权重就越大。.

数值越小，系统对变化的适应速度就越快。.

13. 为什么RLS能够更快地适应

LMS 和 NLMS 都是基于梯度的方法。.

它们逐渐将滤波器系数调整到最优值。.

RLS利用信号相关结构中的信息来估计更优的系数更新值。.

因此，在许多情况下，RLS 的收敛速度会快得多。.

在以下情况下，这可能会很有用：

• 噪声特性变化迅速
• 快速收敛非常重要
• 该系统拥有充足的处理资源

然而，这种性能的实现伴随着更高的计算复杂度。.

14. LMS 与 NLMS 与 RLS 的对比

这三种算法可以被视为一种实际的工程权衡。.

并不存在放之四海皆准的“最佳”算法。.

合适的选择取决于：

• 处理能力
• 记忆
• 采样率
• 滤芯长度
• 要求的收敛速度
• 噪声特性
• 耗电量
• 延迟要求

15. 自适应降噪与. 频谱降噪

自适应滤波和频谱滤波解决的是相关但不同的问题。.

谱方法

示例：

• 光谱减法
• 维纳滤波

它们分析信号的频率成分，并调整与频率相关的增益。.

自适应滤波

示例：

• LMS
• NLMS
• RLS

它们对信号之间的关系进行估计，并不断更新滤波器系数。.

这些技巧也可以结合使用。.

16. 自适应滤波与声回波消除

自适应滤波最重要的应用之一是 回声消除（AEC)。.

以一款会议设备为例。.

扬声器播放着：

远端语音

麦克风接收：

近端语音 + 远端回声 + 背景噪声

该系统可将远端播放信号用作参考。.

自适应滤波器对声学路径进行建模：

扬声器 → 房间 → 麦克风

然后它对回波进行估算：

估计回波

并将其从麦克风信号中减去。.

一种简化的架构如下：

远端引用

↓

自适应滤波器

↓

Echo 估算

↓

从麦克风输入中减去

↓

近端语音

正因如此，LMS（自适应滤波器）以及尤其是NLMS类型的自适应滤波概念，对会议和语音通信系统具有重要意义。.

17. 为什么麦克风和扬声器的摆放位置很重要

自适应算法无法完全弥补声学设计上的缺陷。.

扬声器与麦克风之间的声学路径取决于：

• 物理距离
• 设备外壳
• 房间的倒影
• 扬声器方向
• 麦克风指向性
• 机械振动
• 内部声学泄漏

因此，对于麦克风阵列产品而言，声学设计依然至关重要。.

例如，SISTC 麦克风阵列的文档建议考虑麦克风、扬声器和散热风扇的相对位置，因为产品结构会直接影响麦克风的拾音效果以及回声/噪声处理性能。.

这说明了一个重要的工程原理：

自适应DSP的设计应与麦克风布置和声学结构一并考虑，而不应仅将其视为一个软件问题。.

18. 基于MEMS麦克风的自适应降噪

现代MEMS麦克风在多麦克风系统中的应用日益广泛。.

典型的架构可能包括：

MEMS 麦克风 1

→ 主音频

MEMS 麦克风 2

→ 参考信息 / 空间信息

↓

自适应DSP

↓

增强语音

随着麦克风数量的增加，该系统可以获取以下方面的更多信息：

• 噪声方向
• 目标方向
• 空间相关性
• 混响
• 声学干扰

这为将自适应滤波与麦克风阵列处理相结合创造了机会。.

19. 自适应滤波在 麦克风阵列

麦克风阵列可以提供多个同步通道。.

例如

麦克风 1 → 通道 1

麦克风 2 → 通道 2

麦克风 3 → 通道 3

麦克风 4 → 通道 4

然后可以对这些信号进行联合处理。.

一个实际的 SISTC 数字麦克风-该阵列设计采用同步多通道麦克风输入，并提供包括降噪和信号增强在内的阵列信号处理功能。.

这种架构为更高级的处理提供了基础，例如：

• 波束成形
• 到达方向估计
• 自适应滤波
• 噪音抑制
• 语音增强
• 声学回声消除

20. 用于麦克风阵列的线性相控阵（LMS）

一个简单的多通道自适应系统可以在每个麦克风通道上使用一个自适应滤波器。.

例如

参考信号

↓

LMS 滤波器 1 → 麦克风 1 估计值

LMS滤波器 2 → 麦克风 2 估计值

LMS滤波器 3 → 麦克风 3 估计值

LMS 滤波器 4 → 麦克风 4 估计值

随后可以将这些信号进行组合。.

更先进的架构则可以采用向量或矩阵形式，对所有麦克风通道进行联合处理。.

正是在这一点上，自适应滤波开始与高级波束成形和多通道信号处理产生交叉。.

21. 通道同步的重要性

多麦克风自适应处理需要各通道之间具有精确的时序关系。.

如果麦克风通道未正确同步，系统可能难以进行建模：

• 相位关系
• 时间延迟
• 空间信息
• 声学路径

这对以下情况尤为重要：

• 波束成形
• 方向估计
• 多通道 AEC
• 自适应阵列处理

因此，同步多通道采集是麦克风阵列系统中需要重点考虑的硬件因素之一。.

22. 实时自适应降噪

自适应滤波器非常适合实时系统，因为它们会随着音频采样的到达而持续更新。.

一个典型的实时循环如下：

获取样本

↓

阅读参考资料

↓

计算滤波器输出

↓

计算误差

↓

更新系数

↓

增强音频输出

↓

重复

处理必须在下一个音频块到达之前完成。.

否则，该系统会引入：

• 缓冲区不足
• 音频中断
• 延迟增加

因此，必须将算法设计与硬件选型结合起来考虑。.

23. 滤芯长度

自适应滤波器的长度是另一个重要参数。.

一个短滤波器需要：

• 减少计算量
• 内存较少
• 更快的处理速度

但它可能无法对较长或复杂的声学路径进行建模。.

较长的过滤器可以建模更复杂的关系，但需要更多的资源。.

这对建筑、工程和施工（AEC）领域尤为重要，因为房间的声学冲激响应可能包含许多反射。.

因此，正确的滤芯长度取决于：

• 采样率
• 声学路径
• 房间特点
• 器件几何形状
• 要求达到的性能

24. 收敛与跟踪

自适应滤波总是涉及以下方面的权衡：

收敛速度

与

稳态精度

适应速度非常慢的滤波器可能无法跟上噪声的变化。.

如果滤波器的自适应程度过高，可能会导致系统不稳定或系数波动过大。.

对于LMS和NLMS而言，步长是一个主要的控制参数。.

对于RLS而言，遗忘因子起着重要作用。.

因此，一个实用的设计应同时评估以下两方面：

1. 过滤器适应的速度有多快
2. 收敛后，输出变得有多稳定

25. 自适应降噪中的常见问题

问题 1：参考信号较弱

如果参考麦克风未能捕获与不需要的噪声相关的信号，自适应滤波器可利用的信息就会受到限制。.

问题 2：参考资料中包含所需的语音

如果参考麦克风也拾取了大量目标语音，该算法可能会部分抵消所需信号。.

这可能会导致语音失真。.

问题 3：步长不正确

LMS/NLMS 的步长过大可能会导致适应过程不稳定或出现噪声。.

步长过小会导致系统响应过慢。.

问题 4：声学路径变化过快

如果声学环境的变化速度超过自适应滤波器的跟踪能力，该滤波器可能会暂时出现误差。.

问题 5：非线性失真

许多基本的自适应滤波器都假设信号之间的关系近似为线性关系。.

实际的声学系统可能包含来自以下方面的非线性：

• 扬声器
• 放大器
• 附件
• 麦克风接口

因此，可能需要进行额外的非线性处理。.

26. 嵌入式系统中的LMS、NLMS和RLS

在嵌入式硬件上实现自适应滤波时，工程师需要考虑的不仅仅是算法的精度。.

重要因素包括：

CPU 负载

高阶算法需要更多的计算。.

记忆

必须存储滤波器系数和历史样本。.

耗电量

这一点在电池供电的产品中尤为重要。.

延迟

该算法必须在系统的实时预算范围内运行。.

定点数与浮点数

有些嵌入式平台更倾向于使用定点运算，而另一些则提供高效的浮点运算处理能力。.

采样率

更高的采样率会增加每秒处理的采样数。.

麦克风通道数

随着通道数量的增加，处理复杂度会显著提高。.

27. 实际中的算法选择

简化的选拔流程可能会很有帮助。.

在以下情况下选择LMS：

• 较低的计算复杂度非常重要
• 环境的变化相对缓慢
• 该系统的处理资源有限
• 一个简单的自适应滤波器就足够了

在以下情况下请选择 NLMS：

• 输入振幅会变化
• 需要采取更强有力的适应措施
• 需要进行实时音频处理
• 希望在复杂性和性能之间取得良好的平衡

在以下情况下，应考虑RLS：

• 快速收敛非常重要
• 声学环境发生了显著变化
• 有可用的处理资源
• 算法复杂度较高是可以接受的

这些是一般性工程指南，而非绝对规则。.

28. NLMS 的简化实现

以下示例展示了NLMS自适应滤波器的基本结构。.

import numpy as np

def nlms(primary, reference, filter_length=128,
 mu=0.5, epsilon=1e-8):

 weights = np.zeros(filter_length)
    output = np.zeros(len(primary))

    reference_buffer = np.zeros(filter_length)

 for n in range(len(primary)):

 reference_buffer[1:] = reference_buffer[:-1]
 reference_buffer[0] = reference[n]

        # 估计不需要的分量
 estimated_noise = np.dot(weights, reference_buffer)

 # 误差 / 增强信号
 error = primary[n] - estimated_noise

 output[n] = error

        # NLMS 系数更新
 power = np.dot(
 reference_buffer,
 reference_buffer
 )

 weights += (
 mu * error * reference_buffer
 / (epsilon + power)
 )

 return output

本例旨在说明该算法的结构。.

在实际音频制作中，需要考虑以下额外因素，例如：

• 数值稳定性
• 输入缩放
• 直流偏置处理
• 过滤器的初始化
• AEC中的模棱两可言论检测
• 语音活动检测
• 缓冲处理
• 定点优化
• 实时调度

29. 自适应降噪与人工智能

自适应滤波和基于人工智能的音频增强技术并不一定互为竞争对手。.

它们可以用于不同的目的。.

例如

MEMS 麦克风阵列

↓

波束成形

↓

自适应滤波 / AEC

↓

AI语音增强

↓

语音识别

在此架构中，自适应DSP可处理可预测的信号关系，而AI则负责处理更复杂的残余干扰。.

这种混合方法对于现代语音交互系统尤为重要。.

30. 为什么经典自适应滤波至今仍很重要

随着人工智能音频处理技术的飞速发展，LMS 和 RLS 等传统算法似乎正在逐渐过时。.

不是的。.

自适应滤波之所以依然具有重要价值，是因为它具有以下优点：

• 低延迟
• 可预测的计算需求
• 实时操作
• 数学可解释性
• 高效的嵌入式实现
• 持续适应
• 非常适合AEC和控制应用

AI 模型能够实现强大的非线性信号分离，但经典的数字信号处理（DSP）仍然是许多实际音频架构的重要组成部分。.

31. 现代音频产品中的自适应降噪技术

一款现代音频产品可能包含多个处理层：

硬件层

MEMS 麦克风

↓

采集层

同步多声道音频

↓

空间处理

波束成形 / 方向估计

↓

自适应处理

AEC / LMS / NLMS / RLS

↓

谱处理

维纳滤波/噪声抑制

↓

AI处理

神经网络语音增强

↓

应用

语音识别 / 通信 / 录音

这种分层架构突显了一个重要观点：

没有任何一种降噪算法能普遍适用于所有声学环境。.

最佳的系统架构取决于麦克风硬件、声学结构、DSP算法、AI模型以及应用需求之间的相互作用。.

32. 自适应降噪与主动降噪的对比

这两个术语有时会被混淆。.

自适应噪音消除

通常指一种信号处理技术，其中自适应滤波器对干扰信号进行估计并加以抑制。.

它可用于：

• 语音通信
• AEC
• 麦克风系统
• 信号增强

主动降噪

通常指产生一种声学信号，使其与不需要的声音发生破坏性干涉。.

典型的例子包括：

• 耳机
• 入耳式耳机
• 车辆驾驶室

尽管两者都可能使用自适应滤波，但它们的系统架构和目标却有所不同。.

在讨论音频产品和工程规格时，这一区别至关重要。.

33. 实用设计检查清单

在设计自适应降噪系统时，工程师应评估：

信号架构

• 什么是主信号？
• 什么是参考信号？
• 该参考值与不需要的噪声有关吗？

算法

• LMS？
• NLMS？
• RLS？
• 多通道自适应滤波？

声学设计

• 麦克风位置
• 扬声器位置
• 机械隔离
• 声学泄漏
• 混响

加工

• 采样率
• 滤芯长度
• 区块大小
• CPU 负载
• 记忆
• 延迟

音质

• 噪声衰减
• 言语保存
• 残余噪声
• 收敛行为
• 可听见的失真现象

系统集成

• MEMS 麦克风性能
• ADC / 数字麦克风接口
• DSP
• AI处理器
• 通信接口

这种系统级评估通常比仅凭算法名称进行比较更有意义。.

34. 常见问题

什么是自适应降噪？

自适应降噪是一种信号处理技术，它通过持续调整滤波器来估计并抑制不需要的干扰。.

什么是LMS算法？

LMS（即最小均方误差法）是一种基于梯度的自适应滤波算法，它通过更新滤波系数来最小化目标信号与估计信号之间的均方误差。.

什么是NLMS？

NLMS（即归一化最小均方法）是一种改进的LMS算法，它根据参考信号的能量对系数更新进行归一化处理。.

什么是RLS？

RLS（即递归最小二乘法）是一种自适应滤波算法，它通过递归方式使加权历史平方误差最小化。该算法通常比LMS类方法收敛得更快，但需要更多的计算资源。.

NLMS 比 LMS 更好吗？

这两种方法都没有哪一种是普遍更优的。NLMS 通常对参考信号幅值的变化不那么敏感，而 LMS 的更新规则更简单，计算开销也更低。.

RLS 比 NLMS 更好吗？

在许多情况下，RLS 收敛速度更快，但其计算和内存需求要高得多。对于资源受限的嵌入式音频系统，NLMS 可能更实用。.

LMS 能否用于声学回声消除？

是的。自适应滤波是声学回声消除的一项基础技术，在该技术中，已知的远端播放信号可作为参考，用于估计声学回声路径。.

自适应降噪技术能否应用于MEMS麦克风？

是的。MEMS 麦克风可以提供自适应滤波系统所需的主信号和参考信号。多麦克风系统还可以提供额外的空间信息，以支持更高级的处理。.

自适应滤波和人工智能降噪可以同时使用吗？

是的。自适应滤波可以处理可预测或具有相关性的干扰，而人工智能模型则能解决更复杂的残余噪声和语音增强任务。.

结论

自适应降噪是实时音频DSP的一项基础技术。.

三种经典算法——LMS、NLMS 和 RLS—在以下方面提供不同的权衡：

• 计算复杂度
• 收敛速度
• 稳定性
• 内存要求
• 适应能力

LMS 提供了一个简单的基础。.

NLMS 提高了系统对输入信号功率变化的鲁棒性，在许多实际音频系统中尤为有用。.

RLS 虽然能实现更快的收敛速度，但代价是计算复杂度显著增加。.

然而，在实际的音频产品中，算法只是解决方案的一部分。.

高质量的自适应音频处理取决于完整的信号链：

MEMS 麦克风 → 声学设计 → 同步音频采集 → 自适应 DSP → 降噪 → AI 增强 → 应用

对于麦克风阵列和专业音频系统而言，将 多通道麦克风硬件、波束成形、自适应滤波、频谱降噪和人工智能 能够为具有挑战性的声学环境提供一个更加灵活的基础。.

本技术系列的下一步是探讨 音频信号的小波去噪, ，该方法通过分析跨多个时频尺度的信号，从不同的角度来处理降噪问题。.