CN101496001B - 通过后向和前向误差预测平方的有限递归的减少复杂度的递归最小二乘格型结构自适应滤波器 - Google Patents

Abstract

提供一种减少m级自适应滤波器的计算复杂度的方法，该方法通过对所述自适应滤波器的长度的第一部分的前向和后向误差预测平方项进行递归地更新，并且保持所述自适应滤波器的所述长度的第二部分的已经更新的前向和后向误差预测平方项不变来提供。

Description

通过后向和前向误差预测平方的有限递归的减少复杂度的递归最小二乘格型结构自适应滤波器

相关申请

本申请要求2005年6月20日提交的No.60/692,345的美国临时申请、2005年6月20日提交的No.60/692,236的美国临时申请以及2005年6月20日提交的No.60/692,347的美国临时申请的权益，并整体引用到此作为参考。

技术领域

本发明通常涉及自适应滤波器，并且更特别地，涉及一种减少复杂度的递归最小二乘格型结构自适应滤波器。

背景技术

自适应滤波器具有广泛的应用，并且具有多种不同的结构，其中每一种结构都有自身的特殊属性。所选的特定结构可以依赖于目标应用所需的特殊属性。这些属性，包括收敛速度、误调、跟踪和计算需求，被评价和相互加权，从而确定适用于目标应用的适当结构。

当选择一种适用于非平稳信号环境中的自适应滤波器结构时，需要特别考虑的是收敛速度、误调和跟踪能力。良好的跟踪能力通常是对应算法的收敛速度和误调属性的函数。然而，这些属性可能在本质上是对立的，因为较高的收敛速度一般可能导致所得到的滤波器的较高的收敛误差或者误调。

递归最小二乘(RLS)算法通常是非平稳信号环境中一种较好的工具，因为这种算法具有快速的收敛速度和较低的误调级别。RLS算法的一种特殊形式是递归最小二乘格型(RLSL)算法。最初的RLSL算法是由Simon Haykin提出的，可在“Adaptive Filter Theory ThirdEdition”这本书中找到。RLS型自适应滤波器显示出了快速的收敛速度，并对特征值分布变化较不敏感。特征值是基准信号的相关属性的度量，且特征值分布通常被定义为最大特征值与最小特征值的比率。一个大的特征值分布显著地降低大多数自适应算法的收敛速度。

然而，RLS算法通常需要大量的计算资源，并不能应用至嵌入***。因此，有必要提供一种能够减小RLSL型自适应滤波器的计算复杂度的机制。

附图说明

图1a-1d示例了使用自适应滤波器的应用的四种示意图；

图2是根据本发明的RLSL结构自适应滤波器的结构图；

图3是图2中自适应滤波器的后向反射系数更新的结构图；

图4是图2中自适应滤波器的前向反射系数更新的结构图；

图5是说明输入信号的五十个采样的后向误差预测平方的图表；

图6是说明输入信号的五十个采样的前向误差预测平方的图表；

图7是说明回波损耗增强(ERLE)对比后向预测的有限递归的图表；

图8是说明图2中的自适应滤波器的性能对比后向误差预测平方更新的递归次数的图表；和

图9是说明测得的时间需求对比前向和后向误差预测更新次数的图表；

图10是说明测得的时间需求对比前向和后向误差预测更新次数的图表；和

图11是使用自适应滤波器的通信装置的结构图。

本发明的说明和示范实施例将依据上述附图在下面进一步进行详细描述。

具体实施方式

提供一种减少m级自适应滤波器的计算复杂度的方法，该方法对自适应滤波器的长度的第一部分的前向和后向误差预测平方项进行递归地更新，并且在自适应滤波器的长度的第二部分保持更新的前向和后向误差预测平方项不变。本发明被附属的权利要求所定义。这个描述阐明了当前实施例的一些方面，并且不应当被用来限制权利要求。

图1a-1d说明了使用自适应滤波器10的滤波器电路90的四种示意图。一般，滤波器电路90和自适应滤波器10可以用任何适当的方式构造。具体地，自适应滤波器10可以使用诸如数字和模拟集成电路这类电子元件构成。在其它例子中，自适应滤波器10可以使用响应于存储器中保存的存储程序代码和数据来进行操作的数字信号处理器(DSP)来实现。DSP和存储器可以集成在诸如集成电路的单个元件中，或者可以分别提供。此外，DSP和存储器可以是另一个***的元件，例如语音处理***或通信装置。

通常，输入信号u(n)被提供给滤波器电路90和自适应滤波器10。如图所示，自适应滤波器10可以在***输入和***输出之间以多种方式配置。这意味着，这里描述的改进可以用于自适应滤波器10的各种应用中。

图1a显示的是自适应滤波器10的识别类型应用。在图1a中，滤波器电路90包括自适应滤波器10、车间(plant)14和加法器。车间14可以是任何适当的被监视的信号源。在这种结构中，输入信号u(n)在输入端12接收并提供到自适应滤波器10，并且从***输入端16输入到信号处理车间14。车间14在输出端提供的信号d(n)20减去由自适应滤波器10在输出端产生的滤波的信号y(n)18，以产生误差信号e(n)22。误差信号e(n)22被反馈到自适应滤波器10。在这类识别类型的应用中，信号d(n)20也表示***输出端24的输出信号。

图1b显示的是自适应滤波器10的反演类型应用。在图1b中，滤波器电路100包括自适应滤波器10、车间14、加法器和延迟处理26。在这种结构中，源自***输入端16的输入信号被车间14转变为自适应滤波器10的输入信号u(n)12，并且被延迟处理26转变为信号d(n)20。信号d(n)20减去由自适应滤波器10滤波的信号y(n)18，以产生误差信号e(n)22，该误差信号被反馈回自适应滤波器10。

图1c显示的是自适应滤波器10的预测类型应用。在图1c中，滤波器电路100包括自适应滤波器10、车间14、加法器和延迟处理26。在这种结构中，自适应滤波器10和延迟处理26串联在***输入端16和***输出端24之间，这里的***输入端16提供随机输入信号28。如图所示，滤波的信号y(n)18减去当作信号d(n)20的随机输入信号28，以产生误差信号e(n)22，该误差信号被反馈回自适应滤波器10。在这种预测类型的应用中，误差信号e(n)22也表示由***输出端24提供的输出信号。

图1d显示的是自适应滤波器10的干扰消除类型应用。在图1d中，滤波器电路100包括自适应滤波器10和加法器。在这种结构中，参考信号30和主信号32分别作为输入信号u(n)12和信号d(n)20提供。如图所示，滤波的信号y(n)18减去当作信号d(n)20的主信号32，以产生误差信号e(n)22，该误差信号被反馈回自适应滤波器10。在这种干扰消除类型的应用中，误差信号e(n)22也表示由***输出端24提供的输出信号。

现在参看图2，显示的是m级RLSL结构自适应滤波器(RLSL)100的结构图。自适应滤波器100包括多级，包括第一级120和第m级122。每一级(m)可由下列参数所限定：前向预测误差η_m(n)102、前向预测误差η_m-1(n)103、前向反射系数K_f，m-1(n-1)104、延迟后向预测误差β_m-1(n)105、后向预测误差β(n)106、后向反射系数K_b，m-1(n-1)107、后向先验估计误差ξ_m(n)108、后向先验估计误差ξ_m-1(n)109和联合处理回归系数K_m-1(n-1)110。这种m级自适应RLSL滤波器100被示出为具有滤波器系数更新，该滤波器系数更新由通过每个系数块绘制的箭头指示。针对RLSL100的滤波器长度的每一级(m)和对输入信号u(n)12的每一个采样时间(n)递归计算这些滤波器系数更新。

下列方程1至方程8定义了用于RLSL100的RLSL算法。

方程1F_m-1(n)＝λF_m-1(n-1)+γ_m-1(n-1)|η_m-1(n)|²

方程1B_m-1(n-1)＝λB_m-1(n-2)+γ_m-1(n-1)|β_m-1(n-1)|²

方程2η_m(n)＝η_m-1(n)+K_f，m(n-1)β_m-1(n-1)

方程3β_m(n)＝β_m-1(n-1)+K_b，m(n-1)η_m-1(n)

方程4 $K_{f,m}\left(n\right)=K_{f,m}(n-1)-\frac{{\mathrm{\γ}}_{m-1}(n-1){\mathrm{\β}}_{m-1}(n-1)}{B_{m-1}(n-1)}{\mathrm{\η}}_m\left(n\right)$

方程5 $K_{b,m}\left(n\right)=K_{b,m}(n-1)-\frac{{\mathrm{\γ}}_{m-1}(n-1){\mathrm{\η}}_{m-1}\left(n\right)}{F_{m-1}\left(n\right)}{\mathrm{\β}}_m\left(n\right)$

方程6 ${\mathrm{\γ}}_m(n-1)={\mathrm{\γ}}_{m-1}(n-1)-\frac{{\mathrm{\γ}}_{m-1}^2(n-1){\left|{\mathrm{\β}}_{m-1}(n-1)\right|}^2}{B_{m-1}(n-1)}$

方程7ξ_m(n)＝ξ_m-1(n)-K_m-1(n-1)β_m-1(n)

方程8 $K_{m-1}\left(n\right)=K_{m-1}(n-1)+\frac{{\mathrm{\γ}}_{m-1}\left(n\right){\mathrm{\β}}_{m-1}\left(n\right)}{B_{m-1}\left(n\right)}{\mathrm{\ξ}}_m\left(n\right)$

其中滤波系数更新定义如下：

F_m(n)第m级在时刻n的前向预测误差平方的加权和。

B_m(n)第m级在时刻n的后向预测误差平方的加权和。

□_m(n)前向预测误差。

□_m(n)后向预测误差。

K_b，m(n)第m级在时刻n的后向反射系数。

K_f，m(n)第m级在时刻n的前向反射系数。

K_m(n)第m级在时刻n的联合处理回归系数。

□_m(n)第m级在时刻n的换算因子。

□_m(n)第m级在时刻n的先验估计误差。

□指数加权因子或增益因子。

在第0级，RLSL 100被提供信号u(n)12和d(n)20。接着，对每一级m，上述已定义的滤波器系数更新被递归地计算。例如在第m级和时刻n，前向预测误差η_m(n)102是由第m-1级的前向预测误差η_m-1(n)103加上前向反射系数K_f，m-1(n-1)104和延迟的后向预测误差β_m-1(n)105的组合而得到。

类似地，在第m级和时刻n，后向预测误差β_m(n)106是由第m-1级的后向预测误差β_m-1(n)105加上后向反射系数K_b，m-1(n-1)107和延迟的前向预测误差η_m-1(n)103的组合而得到。

此外，在第m级和时刻n，后向先验估计误差ξ_m+1(n)108是由第m-1级的后向先验估计误差ξ_m(n)109减去第m-1级在时刻n-1的联合处理回归系数K_m-1(n-1)110和后向前向预测误差β_m-1(n)105的组合而得到的。

自适应滤波器100可以采用任何适当的元件或元件的组合来实现。在一个实施例中，自适应滤波器可以由DSP结合关联存储器中存储的指令和数据来实现。DSP和存储器可以是任何适当的语言处理或控制***中的一部分。DSP和存储器可以是独立***或者嵌入另一个***之内。

这种RLSL算法需要大量的计算资源，并不能应用至嵌入式***。因此，通过减少前向误差预测平方Fm(n)和后向误差预测平方Bm(n)的计算更新数量，就得到减小RLSL自适应滤波器100的计算需求的机制。

通常，处理器在处理相加、相减和相乘中具有很高效率，但在处理相除时却不一定。大多数的处理器采用逐次逼近法来实现除法指令，并可能需要多个时钟循环才能得到结果。因而，为了减小计算需求，需要减少滤波器系数更新中的总计算次数和在滤波器系数更新的计算中所需的除法次数。这样，RLSL算法滤波器系数更新就被变换为合并除法。首先，转换RLSL算法的时间(n)和阶数(m)下标以构造方程9到方程17。

方程9F_m(n)＝λF_m(n-1)γ_m+(n-1)|η_m(n)|²

方程10B_m(n)＝λB_m(n-1)+γ_m(n)|β_m(n)|²

方程11η_m(n)＝η_m-1(n)+K_f，m(n-1)β_m-1(n-1)

方程12β_m(n)＝β_m-1(n-1)+K_b，m(n-1)η_m-1(n)

方程13 $K_{f,m}\left(n\right)=K_{f,m}(n-1)-\frac{{\mathrm{\γ}}_{m-1}(n-1){\mathrm{\β}}_{m-1}(n-1)}{B_{m-1}(n-1)}{\mathrm{\η}}_m\left(n\right)$

方程14 $K_{b,m}\left(n\right)=K_{b,m}(n-1)-\frac{{\mathrm{\γ}}_{m-1}(n-1){\mathrm{\η}}_{m-1}\left(n\right)}{F_{m-1}\left(n\right)}{\mathrm{\β}}_m\left(n\right)$

方程15 ${\mathrm{\γ}}_m\left(n\right)={\mathrm{\γ}}_{m-1}\left(n\right)-\frac{{\mathrm{\γ}}_{m-1}^2\left(n\right){\left|{\mathrm{\β}}_{m-1}\left(n\right)\right|}^2}{B_{m-1}\left(n\right)}$

方程16ξ_m(n)＝ξ_m-1(n)-K_m-1(n-1)β_m-1(n)

方程17 $K_m\left(n\right)=K_m(n-1)+\frac{{\mathrm{\γ}}_m\left(n\right){\mathrm{\β}}_m\left(n\right)}{B_m\left(n\right)}{\mathrm{\ξ}}_{m+1}\left(n\right)$

然后，如方程18、20和21所示，前向误差预测平方F_m(n)和后向误差预测平方B_m(n)被转化和重新定义为它们的倒数。这样，我们通过转化方程9得到：

方程18 $\frac{1}{F_m\left(n\right)}=\frac{1}{{\mathrm{\λF}}_m(n-1)+{\mathrm{\γ}}_m(n-1){\left|{\mathrm{\η}}_m\left(n\right)\right|}^2}$

然后重新定义前向误差预测平方F_m(n)：

方程19 $F^{\′}=\frac{1}{F}$

接着代入方程18并化简：

方程20 ${F_m}^{\′}\left(n\right)=\frac{1}{\mathrm{\λ}\frac{1}{F_m^{\′}(n-1)}+{\mathrm{\γ}}_m(n-1){\left|{\mathrm{\η}}_m\left(n\right)\right|}^2}=\frac{{F_m}^{\′}(n-1)}{\mathrm{\λ}+{F_m}^{\′}(n-1){\mathrm{\γ}}_m(n-1){\left|{\mathrm{\η}}_m\left(n\right)\right|}^2}$

同理，后向误差预测平方方程10变为：

方程21 ${B_m}^{\′}\left(n\right)=\frac{{B_m}^{\′}(n-1)}{\mathrm{\λ}+{B_m}^{\′}(n-1){\mathrm{\λ}}_m\left(n\right){\left|{\mathrm{\β}}_m\left(n\right)\right|}^2}$

此外，新的前向和后向误差预测平方的定义F’m(n)和B’m(n)被代入其余的方程，即方程13、方程14、方程15和方程17，从而产生如下列方程22到方程30中所示的算法系数更新。

方程22 ${F_m}^{\′}\left(n\right)=\frac{{F_m}^{\′}(n-1)}{\mathrm{\λ}+{F_m}^{\′}(n-1){\mathrm{\γ}}_m(n-1){\left|{\mathrm{\η}}_m\left(n\right)\right|}^2}$

方程23 ${B_m}^{\′}\left(n\right)=\frac{{B_m}^{\′}(n-1)}{\mathrm{\λ}+{B_m}^{\′}(n-1){\mathrm{\γ}}_m\left(n\right){\left|{\mathrm{\β}}_m\left(n\right)\right|}^2}$

方程24β_m(n)＝β_m-1(n-1)+K_b，m(n-1)η_m-1(n)

方程25K_b，m(n)＝K_b，m(n-1)-γ_m-1(n-1)η_m-1(n)β_m(n)F_m-1′(n)

方程26η_m(n)＝η_m-1(n)+K_f，m(n-1)β_m-1(n-1)

方程27K_f，m(n)＝K_f，m(n-1)-γ_m-1(n-1)β_m-1(n-1)η_m(n)B_m-1′(n-1)

方程28ξ_m(n)＝ξ_m-1(n)-K_m-1(n-1)β_m-1(n)

方程29K_m(n)＝K_m(n-1)+γ_m(n)β_m(n)ξ_m+1(n)B_m′(n)

方程30 ${\mathrm{\γ}}_m\left(n\right)={\mathrm{\γ}}_{m-1}\left(n\right)-{\mathrm{\γ}}_{m-1}^2\left(n\right){\left|{\mathrm{\β}}_{m-1}\left(n\right)\right|}^2{B}_{m-1}^{\′}\left(n\right)$

现在参看图3，显示的是如方程25中所计算的后向反射系数更新K_b，m(n)30的结构图。例如，图3中的结构图表示DSP的操作或者一组操作。后向反射系数更新K_b，m(n)30被提供到延迟32，而延迟32的输出K_b，m(n-1)被加上前向预测误差平方F′_m(n)、后向预测误差β_m(n)、前向预测误差η_m-1(n)和换算因子γ_m(n-1)的乘积。

现在参看图4，显示的是如方程28中所计算的前向反射系数更新K_f，m(n)40的结构图。例如，类似于图3，图4中的结构图也表示一个数字信号处理器的操作或者一组操作。后向反射系数更新K_b，m(n)40被输入到延迟单元42。延迟单元42的输出K_f，m(n-1)被加上后向预测误差平方B′_m-1(n-1)、后向预测误差β_m-1(n)、前向预测误差η_m(n)和换算因子γ_m-1(n-1)的乘积。

在图5和图6中，在高收敛状态时对输入信号u(n)12的50个采样画出前向和后向误差预测平方F_m(n)和B_m(n)相对滤波器长度的曲线。这些曲线清楚地表明，误差预测平方F_m(n)和B_m(n)快速斜升并且接着在自适应滤波器10的高阶抽头处变平。同样地，人们可以推断出大部分信息实质上是包含在RLSL算法的头几次递归中，以及减少系数更新的次数能够实现可接受的滤波器性能。

因而，以计算需求换取性能的一种良好机制要将在前向和后向误差预测平方F_m(n)和B_m(n)上执行的递归或者更新的次数减少到所述滤波器长度的预定义部分。然后，误差预测平方在剩余的滤波器抽头更新中保持不变。更新次数减少可能导致该自适应滤波器性能的最小限度的损失，但是实时性能的增加可以证明该滤波器性能的最小限度的损失合理。

图8图解了当前向和后向误差预测平方F_m(n)和B_m(n)在滤波器的仅仅100次更新后就保持不变时的360抽头滤波器的性能损失。这幅图展示了360抽头滤波器在滤波器进行全部更新和仅仅计算所述360抽头滤波器的前100抽头的误差预测更新的情况下以dB为单位的滤波器回波损耗增强(ERLE)。

为了产生图9的图形，将对于前向和后向误差预测平方F_m(n)和B_m(n)上执行的更新限制在所述滤波器长度的预定义部分的这一过程针对应用于误差预测更新数量的不同限制而重复，并且相对自适应滤波器10的ERLE绘制曲线。图9的曲线显示了当误差预测更新数量减少时，滤波器性能是如何降低的。此外，图9表明当在大约180(一半)个滤波器抽头以上更新误差预测平方时滤波器的性能有极小的增长。

现在来看图10，图10中显示的是测得的时间需求与前向和后向误差预测更新F_m(n)和B_m(n)的次数的对比图形。图10的图形在这里对于决定计算需求和峰值滤波器性能之间的合适的平衡起辅助作用。这幅图绘出了RLSL滤波器10的测得的时间需求与360抽头长度滤波器的更新的前向和后向误差预测平方的次数的对比。这些值反映了在实时硬件实现上进行的测量。正如期望的那样，当更新次数减少时，时间随之线性减少。

在最优RLSL算法的最终实现中，递归循环被分成两个部分。第一部分是由方程22到方程30所示的全部更新。这些更新被正常地执行直到滤波器的预定义抽头数为止。所需抽头的确切数量当然要根据实时和滤波器性能之间的折中分析来确定。最优RLSL算法的第二部分由方程31到方程37给出。在这些系列的递归更新中，前向和后向误差预测平方F_m(n)和B_m(n)被保持为恒定于从最优算法的第一部分中所计算的最后值。

对于剩余的滤波器更新，前向误差预测平方项(F_c)保持不变，并被使用在方程32中来更新后向反射系数K_b，m(n)。此外，对于剩余的滤波器更新，后向误差预测平方项(B_c)保持不变，并被使用在方程34中来更新前向反射系数K_f，m(n)。

方程31β_m(n)＝β_m-1(n-1)+K_b，m(n-1)η_m-1(n)

方程32K_b，m(n)＝K_b，m(n-1)-γ_m-1(n-1)η_m-1(n)β_m(n)F_c

方程33η_m(n)＝η_m-1(n)+K_f，m(n-1)β_m-1(n-1)

方程34K_f，m(n)＝K_f，m(n-1)-γ_m-1(n-1)β_m-1(n-1)η_m(n)B_c

方程35ξ_m(n)＝ξ_m-1(n)-K_m-1(n-1)β_m-1(n)

方程36K_m(n)＝K_m(n-1)+γ_m(n)β_m(n)ξ_m+1(n)B_c

方程37 ${\mathrm{\γ}}_m\left(n\right)={\mathrm{\γ}}_{m-1}\left(n\right)-{\mathrm{\γ}}_{m-1}^2\left(n\right){\left|{\mathrm{\β}}_{m-1}\left(n\right)\right|}^2{B}_c$

图11是使用自适应滤波器的通信装置1100的结构图。通信装置1100包括DSP 1102、麦克风1104、扬声器1106、模拟信号处理器1108和网络连接1110。DSP 1102可以是任何处理装置，包括市场上可买到的适合于处理声音及其他信息的数字信号处理器。

通信装置1100包括麦克风1104、扬声器1106、和模拟信号处理器1108。麦克风1104将加到其上的声波转换为电信号。相反地，扬声器1106转换电信号为能听见的声波。模拟信号处理器1108作为操作表示电信号的数字数据的DSP和用于麦克风1104和1106的电信号之间的接口。在一些实施例中，模拟信号处理器1108可能与DSP 1102集成在一起。

网络连接1110在通信装置1100和其他组件之间提供数据和其他信息的通信。这些通信可以通过有线线路、无线链路或者二者的混合。例如，通信装置1100可以被实现为蜂窝电话并且自适应滤波器1112为该蜂窝电话的用户处理声音信息。在这样的实施例中，网络连接1110是由与远程基站通信的无线电接口电路构成。在另一个实施例中，通信装置1100可以被实现为免提的车载音频***，并且自适应滤波器1112作为***的双端通话检测器的一部分进行操作。在这样的实施例中，网络连接1110由车辆通信总线的有线线路形成。

在图11所示的实施例中，DSP 1102包括实现自适应滤波器1112的数据和指令、储存数据和指令的存储器1114以及处理器1116。自适应滤波器1112在这个实施例中是一种在这里通常描述的类型的RLSL自适应滤波器。特别地，自适应滤波器1112被增强以减少实现如在此所述的RLSL算法所需的计算量。自适应滤波器1112可以包括除了这里明确描述的之外的那些额外增强和能力。处理器1116响应于实现自适应滤波器1112的数据和指令以及保存在存储器1114中的其他数据和指令进行操作，以处理通信装置1100的音频及其他信息。

在操作中，自适应滤波器1112从源接收输入信号并产生滤波的信号作为输出。在图示的实施例中，DSP 1102从模拟信号处理器1108或者网络接口1110接收数字数据。这样模拟信号处理器1108和网络接口1110形成接收输入信号的装置。数字数据表示时变信号并形成输入信号。作为声音处理的一部分，DSP 1102的处理器1116实现自适应滤波器1112。形成输入信号的数据被提供给形成自适应滤波器的指令和数据。自适应滤波器1112以输出数据的形式产生输出信号。输出数据可能由DSP 1102进一步处理，或者被传递给模拟信号处理器1108或网络接口1110以做进一步处理。

通信装置1100也可以被修改适用于其他实施例。此处显示和描述的实施例仅仅是示范性的。

因此，这意味着前述详细说明应当被认为是说明性的而不是限制性的，且应当理解，接下来的权利要求，包括所有的等价方式，定义了本发明的精神和范围。

Claims (11)

1.一种用于m级递归最小二乘格型结构自适应滤波器的方法，该方法包括：

在所述自适应滤波器接收输入信号；

为所述自适应滤波器的每一级递归地更新滤波器系数，包括

减少对所述滤波器系数的前向误差预测平方和后向误差预测平方的更新次数，并且

在更新所述滤波器系数的操作的剩余期间保持所述前向误差预测平方和后向误差预测平方不变；以及

在所述自适应滤波器的输出端产生滤波的信号。

2.如权利要求1所述的方法，其中更新滤波器系数包括将所述前向误差预测平方和所述后向误差预测平方的更新限制到滤波器长度的预定义部分。

3.如权利要求2所述的方法，其中将所述前向误差预测平方和后向误差预测平方的更新限制到所述滤波器长度的预定义部分包括更新所有滤波级的一半的所述前向误差预测平方和所述后向误差预测平方。

4.如权利要求1所述的方法，其中接收输入信号包括接收表示时变信号的数字数据。

5.一种减少m级自适应滤波器的计算复杂度的方法，该方法包括：

在输入端接收输入信号；

滤波所述输入信号以产生滤波的信号，包括

对所述自适应滤波器的长度的第一部分递归地更新前向误差预测平方项；

对所述自适应滤波器的所述长度的第一部分递归地更新后向误差预测平方项；并且

对所述自适应滤波器的所述长度的第二部分保持所述已经更新的前向和后向误差预测平方项不变；以及

在输出端提供所述滤波的信号。

6.如权利要求5所述的方法，其中更新所述前向误差预测平方项包括对所述自适应滤波器的长度的一半更新所述前向误差预测平方项，并且更新所述后向误差预测平方项包括：对所述自适应滤波器的所述长度的一半更新所述后向误差预测平方项。

7.如权利要求5所述的方法，其中进一步地包括：

对于第一组滤波器更新，更新所有的滤波器系数直到所述自适应滤波器的预定数量的抽头；并且

在第二组滤波器更新期间更新剩下的滤波器系数时，保持所述前向误差预测平方项和所述后向误差预测平方项不变。

8.如权利要求7所述的方法，进一步地包括：

在所述第二组滤波器更新期间，利用所述不变的前向误差预测平方项来更新后向反射系数；并且

利用所述不变的后向误差预测平方项来更新前向反射系数。

9.一种用于m级递归最小二乘格型结构自适应滤波器的设备，包括：

用于接收输入信号的装置；

用于当产生滤波的信号时递归地更新所述自适应滤波器的每一级的滤波器系数的装置，包括：

用于减少对所述滤波器系数的前向误差预测平方和后向误差预测平方的更新次数的装置，和

用于在更新所述滤波器系数的操作的剩余期间保持所述前向误差预测平方和后向误差预测平方不变的装置；以及

用于产生所述滤波的信号作为输出信号的装置。

10.如权利要求9所述的设备，其中所述用于递归地更新滤波器系数的装置进一步包括：

用于对所述自适应滤波器的长度的第一部分递归地更新所述前向误差预测平方的装置；

用于对所述自适应滤波器的所述长度的第一部分递归地更新所述后向误差预测平方的装置；和

用于对所述自适应滤波器的所述长度的第二部分保持所述已经更新的前向误差预测平方和后向误差预测平方不变的装置。

11.如权利要求10所述的设备，其中所述用于递归地更新滤波器系数的装置进一步包括：

用于对于第一组滤波器更新，更新所有的滤波器系数直到所述自适应滤波器的预定数量的抽头的装置；和

用于在第二组滤波器更新期间更新剩下的滤波器系数时，保持所述前向误差预测平方和所述后向误差预测平方不变的装置。

Images