现实的语音通信可能发生在嘈杂的噪声环境中，例如工厂中的手机通讯会受到机器轰鸣声的影响；火车驾驶室中的语音通信会受到电机运行和铁轨碰撞声的干扰。噪声的统计特性跟现场密切相关，即使同一场合的噪声统计特性也可能会随时间发生某种变化，这都要求消噪设备必须具有噪声跟踪的自适应能力。自适应信号处理的理论经过40多年的发展和完善，已经在许多领域中得到应用[1,2]。本文将自适应信号处理技术应用于语音通信的噪声对消，通过仿真研究和样机实验对软硬件参数进行了优化设计，研制了一种适用于手机麦克风、火车驾驶室中使用的自适应对消系统。

1噪声对消原理

自适应噪声对消系统的原理如图1所示。他有两个输入：原始输入和参考输入，参考输入为噪声源ν1(n)，原始输入为受噪声污染的信号x(n)=s(n)+ν0(n)。当噪声成分ν0(n)与信号s(n)不相关、与噪声源ν1(n)相关时，自适应滤波器AF可以根据误差信号ej来调整自身滤波器的系数，使其输出yj趋于原始输入中的ν0(n)，从而使误差信号0趋于信号s(n)。

最小均方(LMS)算法以其算法简单、运算量小、实现容易等优点在众多自适应信号处理算法中占有举足轻重的地位[3,4],本文的系统设计采用递推方法实现LMS算法。

自适应滤波器AF在j时刻的输出表示为：

这里的Wj为j时刻的滤波器系数，Xj为j时刻的滤波器输入。下一时刻(j+1)的权系数要根据当前时刻j的误差信号ej进行调整，调整的递推算法为：



其中μ为步长因子，他影响系统的收敛性，系统收敛的充分条件为：



μ值要针对语音通信的实际折衷考虑：μ太小时，权系数收敛慢，不能适应噪声不平稳的场合；μ太大时，对消效果差，甚至引起系统发散。

2 系统仿真

2．1声音样本的获取

Matlab 7．0的信号处理工具箱提供了从计算机标准音频设备实时读取音频数据的Simulink模块--From Wave Device，如图2所示。

图2中的Signal To workspace将采集的音频数据保存到Matlab的工作空间。作为示例，本文采集了约0．3 s的人声作为原始信号，采样率为16 kHz，其时域波形如图3所示。

2．2 步长因子优化

用250 Hz的正弦波模拟现场噪声，考虑到现场噪声情况，噪声幅度的取值应与之相当，这里取0．01。将声音样本和噪声叠加作为系统的原始输入，如图4所示。

取μ=0．5，采用128阶的自适应滤波器进行语音消噪，由图5可以看出经过0．03 s对消系统的输出与原始信号相似。

自适应滤波器的Wj，需要迭代多次才能达到理想值即E[ej2]E趋势于[Eej2)min需要一个过程，鉴于步长因而会显著影响系统的对消效果，下面重点考察了μ取不同时的学习曲线，如图所示。

由图6可以看出：
(1)随着μ值变大，系统的学习速度明显变快；

(2)信号非平稳时，过大的μ值容易引起系统失调，0．1处的均方误差明显变大。因而μ的取值应当折衷考率:一方面当噪声非平稳时，系统的学习时间应小于一个音的平稳时间(约0．1 s)；另一方面，尽量减小系统失调。细对比可以发现：μ=0．25时的学习时间已经小于一个节的平稳时间，这比μ=0．1时已经大大改善，所以将长因子取为0．25就可以满足系统需要。

3 系统实现

3．1 电路设计

自适应对消系统的信号处理器采用TI公司的定点DSP-TMS320VC5509，其内核时钟可以稳定工作在200 MHz，完成两次乘累加(MAC)运算仅需要一个指令周期(5 ns)。

系统有两个麦克风通道，其中一个用于采集原输入，另一个用于采集参考输入。两通道的电路形式完全一致，信号调理与模数转换电路如图7所示。其中16 b Codec AD73311通过同步串行接口与DSP相连。AD73311的参考输出经过AD8058的Buffer 作为麦克风的直流偏置；驻极体麦克风信号采用交流耦合输入，放大电路的增益为5