基于贝叶斯网络视角的具有时变最佳步长的NLMS算法
摘要：基于贝叶斯网络的归一化最小均方算法的新的步长自适应方法的推导。通过将线性声学回声消除问题描述为贝叶斯网络视角，我们模拟了从扬声器到麦克风的声学波传播，并定义了一个概率状态向量以及一个线性观测方程（描述状态向量与观测之间的关系）和一个线性过程方程（描述状态向量的时间进展）。基于对观测和过程方程中随机变量统计的进一步假设，我们应用期望最大化（EM）算法来推导类似于NLMS的滤波器自适应方法。通过利用贝叶斯网络的条件独立规则，我们揭示了所得到的EM-NLMS算法具有与Yamamoto和Kitayama在1982年提出的最优步长计算相等的步长更新方法，该方法在许多教材中被采用。主要区别是，在EM算法的M步骤中估计了瞬时步长值（而不是通过人工延长声学回声路径来近似）。通过使用白噪声和男性语音作为输入信号合成的场景进行了实验证明了EM-NLMS算法的有效性。
作者：Christian Huemmer, Roland Maas and Walter Kellermann
论文ID：1411.4834
分类：Machine Learning
分类简称：stat.ML
提交时间：2023-07-19