摘要：摘要 回声消除的主要困难之一是学习率需要根据双方通话和回声路径变化等条件而变化。在本文中，我们提出了一种改变频域回声消除器学习率的新方法。该方法基于推导 NLMS 算法在存在噪声的情况下的最优学习率。该方法与多延迟块频域 (MDF) 自适应滤波器一起评估。我们证明它比当前的双方对话检测技术表现更好， 阅读全文

摘要：（1）回声返回损耗增益 回声返回损耗增益（Echo Return Loss Enhancement，ERLE）是回声消除特有的评价准则，它表示回声信号$d(n)$与残留回声信号$e(n)$的比值，值越高性能越好。表达式为 $$\mathrm{ERLE}=10 \log _{10}\left\{\fr 阅读全文

摘要：在本文中提出了一个新的数据集，该数据集包含家庭环境中遇到的各种声源的消声记录。作为数据集的补充，我们提供了一个 Python 库，用于从消声记录中生成多通道、随机混合语音。此外，可以生成具有用户定义的频谱斜率的调制噪声信号，其中时间包络是根据消声噪声记录计算的。生成的数据可用于在具有挑战性的声学环境 阅读全文

摘要：Variable Step-Size NLMS Algorithm for Under-Modeling Acoustic Echo Cancellation 介绍 声学回声消除（AEC）是自适应滤波最流行的应用之一。自适应滤波器的作用是识别终端扬声器和麦克风之间的声学​​回声路径，即房间声学脉冲响 阅读全文

摘要：1.《智能音箱中回声消除算法的研究与实现》 非线性声学模型 如图4.1中扬声器播放信号（远端信号）为$x(n)$，目标语音信号（近端说话人信号）为$s(n)$，背景噪声（近端噪声）为$v(n)$，麦克风接收信号（麦克风输出信号）$y(n)$由非线性回声信号$d(n)$（$d(n)$为远端信号$x(n 阅读全文