音频降噪原理 音频降噪 降噪方法主要分为：主动降噪和被动降噪。被动降噪主要是通过物理降噪的 办法，主要包括物理吸噪材料吸噪，隔音和消音。这类方法在降噪的同时，也 会损坏有用的声音信息。 主动降噪基础原理：所有声音都是由一定的频谱组成，主动降噪技术的基本 原理是对已经存在的噪声进行主动对抗和消除，与传统被动防御降噪不同，主 动降噪技术通过技术手段，生成一组与所要消除的噪声相位相等的反相声波， 将噪音中和，达到降噪的目的。 实例：主动降噪耳机。 使用的降噪技术一般有前馈式和反馈式。前馈式降 噪，一般在耳机上有暴露在噪声中的麦克风，用于接收环境噪音，然后把环境 噪音倒向180度叠加到喇叭上，就可以把穿透进来的环境噪音消除掉。另外一种 反馈式降噪，麦克风是在耳机内部，接近于耳机内部的喇叭，因此采样的对象 是耳机内部接收到的环境噪音，然后再通过反馈的方式叠加消除，声音进入人 耳时，由于噪声和反向噪声的相互抵消，达到消除噪声效果。 存在问题 1、经过接收初级噪声，产生一个与初级噪声频率相同，相位相反的次级噪 声，对初级噪声进行抵消。由于处理芯片存在反应时长，使得次级噪声与初级 噪声存在时差，降低了降噪效果。 2、对噪声建立数学模型，由于麦克风不可能完全的还原噪音，也就是说通 过麦克风接收，并进行处理的噪音与原始噪音存在差异，需要经过内部的算法， 通过滤波器实现计算，补偿麦克风和喇叭的失真。高频噪声交由设备进行声学 

方法降噪，低频需要通过噪声建模，进行对应的增益控制。 3、数字降噪处理方法利用DSP（数字处理器）、MATLAB，通过噪声建模，设 定特定的参数定义滤波器模型，将不一定实现较好的滤波降噪。而实时的分析 处理噪声，能较好的生成对应噪声的滤波器模型，降噪效果较好，但存在较大 的时延。 解决方案 方案一：电路实现，设计匹配滤波电路。使得输入信号和匹配滤波器的幅频 特性一致，在噪声为白噪声，即噪声功率谱是平坦的，这样可以使得信号尽可 能的通过，尽量减少噪声的通过。但日常噪声不一定是白噪声。 方案二：次级噪声与初级噪声的时差，可以在采集初级噪声后，使用传输线 对初级噪声进行延时，从而使扬声器发出次级噪声。通过改变传输线的长度改 变声波的延时，实现点对点的噪声消除，提高降噪效果。难点：传输线对噪声 的延时时间，与处理时间是否对应。 噪声建模使用适合的自适应算法。即从一个预先确定的初始条件集出发，在 平稳环境下经一系列迭代后收敛于某种统计意义上的最优解；在非平稳环境下， 则提供了一种跟踪能力，能够跟踪输入数据统计特性随时间的缓慢变化。即噪 声是稳定的，具有一定规律的情况下，设定一个期望信号，并使与滤波器实际 输出信号与期望信号之间的差，其误差信号的均方差最小，此时最优。在噪声 为高频段，随时间变化的情况下，自适应算法能够跟踪改变的特性，算法给出 相应的建模结果。 解决算法 

自适应滤波的理论基础是维纳滤波，维纳滤波可以看作是一种线性估计问题， 其目的是要寻找一种具有最佳滤波特性的滤波器，这种滤波器是在输入信号受 到噪声干扰时，其输出端可以滤除干扰，尽可能地抑制噪声信号，重现无噪声 的期望信号。 基于时间平均最小准则的递推最小二乘RLS算法：时间递归算法，严格以最 小二乘法准则为依据的算法，把输入信号作为确定信号来处理的，可以将其归 纳为求解线性方程组的最小二乘解的问题。关键是用二乘法的时间平均最小准 则取代最小均方准则，并按时间进行迭代计算。对从初始时刻到当前时刻的所 有误差的平方进行平均并使其最小化，调整滤波器的权值。（快速收敛，算法稳 定性，精度有限） 基于最小均方误差准则的LMS算法：首先给出一个初始加权值，然后逐步沿 梯度的相反方向改变加权值，在一定条件下将使加权矢量最终收敛到最佳值。 （收敛步长设置要求，自适应过程带噪声） 算法中设横向自适应数字滤波器的输入为x(n)，理想输出为d(n)，实际输出 为y(n)，滤波器的加权系数为wi(n)(i=0，1，2，……，M-1) y(n)=wi(n)x(n-i) e(n)=d(n)-y(n) wi(n+1)=wi(n)+2ue(n)x(n-i)， i=0，1，2，……，M-1 u是收敛因子（学习率） 算法对比:由于LMS算法只是用以前各时刻的抽头参量等作该时刻数据块估 计时的平方误差均方最小的准则，而未用现时刻的抽头参量等来对以往各时刻 

的数据块作重新估计后的累计平方误差最小的准则，所以LMS算法对非平稳信号 的适应性差。RLS算法的基本思想是力图使在每个时刻对所有已输入信号而言重 估的平方误差的加权和最小，这使得RLS算法对非平稳信号的适应性要好。与LMS 算法相比，RLS算法采用时间平均，因此，所得出的最优滤波器依赖于用于计算 平均值的样本数，而LMS算法是基于集平均而设计的，因此稳定环境下LMS算法 在不同计算条件下的结果是一致的。在性能方面，RLS的收敛速率比LMS要快得 多，因此，RLS在收敛速率方面有很大优势。 RLS算法在迭代过程中产生的误差明显小于LMS算法。由此可见，RLS在提取 信号时，收敛速度快，估计精度高而且稳定性好，可以明显抑制振动加速度收 敛过程，故对非平稳信号的适应性强，而LMS算法收敛速度慢，估计精度低而且 权系数估计值因瞬时梯度估计围绕精确值波动较大，权噪声大，不稳定。 系统设计平台：与DSP相比，FPGA的优势在于其设计具有更大的灵活性，并 且其并行计算的特点更容易满足实时性要求，且更适合立体声耳机的左右两路 数据的并行处理。