4、频域自适应滤波：频域块LMS（FBLMS）、多带结构自适应滤波、子带自适应滤波
各位同学，咱们今天聊点硬核的——频域自适应滤波。
时域自适应滤波，比如NLMS，大家应该都熟悉。但有个问题，当滤波器阶数很高时，时域的计算量会爆炸。我早年做声反馈消除时，采样率48kHz，滤波器长度动辄2048阶，时域NLMS跑起来，DSP芯片直接冒烟（夸张说法，但确实烫手）。
怎么办？转频域。
4.1 为什么要把滤波搬到频域？
说白了，时域卷积在频域就是点乘。这个性质太香了。
时域做一次N点卷积，计算量是O(N²)。而频域用FFT，计算量是O(N log N)。当N=1024时，频域比时域快几十倍。我在项目中实测过，同样的硬件平台，FBLMS比NLMS快了将近一个数量级。
另外，频域还有个好处——可以方便地控制每个频点的步长。比如，某个频段反馈啸叫严重，我可以单独加大那个频点的收敛速度。这在时域里很难做到。
4.2 频域块LMS（FBLMS）
FBLMS，全称Frequency-domain Block LMS。它是LMS的频域版本，但不是逐点更新，而是按块更新。
4.2.1 基本原理
我习惯用“重叠保留法”来实现FBLMS。步骤如下：
- 收集L个新输入样本，和之前的L个样本拼接成2L点数据块
- 做2L点FFT，得到频域信号
- 频域滤波器系数与频域信号点乘，得到频域输出
- IFFT回到时域，取后L个有效点作为输出
- 计算误差信号，补零后做FFT到频域
- 频域梯度更新：W(k+1) = W(k) + μ * X*(k) * E(k)
嗯，这里要注意，梯度更新时，需要把结果IFFT回时域，强制时域滤波器长度约束（只保留前L个系数，后面置零），再FFT回频域。这个约束很重要，否则滤波器会发散。
4.2.2 代码示例
下面是一个简化的FBLMS实现框架，用Python风格伪代码表示：
def fblms(x, d, L, mu):
# x: 输入信号, d: 期望信号, L: 块大小
N = 2 * L
W = np.zeros(N, dtype=complex) # 频域滤波器系数
x_buffer = np.zeros(N)
for k in range(0, len(x)-N, L):
# 取当前块
x_block = x[k:k+N]
# FFT
X = fft(x_block)
# 频域滤波
Y = W * X
y = ifft(Y)[L:] # 取后L个点
# 误差
e = d[k+L:k+2*L] - y
# 频域误差
E = fft(np.concatenate([np.zeros(L), e]))
# 梯度更新
grad = ifft(np.conj(X) * E)
grad[L:] = 0 # 时域约束
W += mu * fft(grad)
return y4.2.3 FBLMS的优缺点
| 优点 | 缺点 |
|---|---|
| 计算量低，适合高阶滤波器 | 存在块处理延迟（至少L个样本） |
| 频域步长可独立控制 | 对非平稳信号收敛稍慢 |
| 收敛速度比时域LMS快 | 实现复杂度高于NLMS |
4.3 多带结构自适应滤波
多带结构，说白了就是把全频带拆成几个子带，每个子带独立做自适应滤波。
你想想看，声反馈的频谱特性往往不均匀。低频段可能反馈严重，高频段可能很干净。如果全频带用一个滤波器，低频的强反馈会拖慢高频的收敛。多带结构就能解决这个问题。
4.3.1 多带分解与合成
典型的多带结构使用分析滤波器组将信号分解为M个子带，每个子带降采样后做自适应滤波，最后用综合滤波器组合成。
我建议使用余弦调制滤波器组（如MDCT），它的重构特性好，而且计算效率高。当然，也可以用简单的多相结构。
4.3.2 多带结构的优势
- 收敛加速： 每个子带的自适应滤波器阶数降低，收敛速度提升
- 步长独立： 反馈严重的子带用大步长，干净的子带用小步长
- 计算量降低： 子带降采样后，总计算量比全频带低
4.4 子带自适应滤波
子带自适应滤波和多带结构很像，但侧重点不同。多带结构强调的是“分而治之”，而子带自适应滤波更关注“如何利用子带特性优化算法”。
4.4.1 子带分解的两种方式
- 均匀子带： 等间隔划分频带，实现简单，但低频分辨率可能不够
- 非均匀子带： 低频子带窄、高频子带宽，更符合人耳听觉特性
我在做助听器声反馈消除时，用过非均匀子带。低频段（0-1kHz）分4个子带，中频段（1-4kHz）分4个，高频段（4-8kHz）分2个。效果比均匀子带好不少，因为反馈啸叫大多发生在低频。
4.4.2 子带自适应滤波的流程
画个流程图大家就明白了：
4.4.3 子带自适应滤波的关键点
- 子带间混叠： 分析滤波器组如果设计不好，子带间会有混叠，影响自适应滤波效果。我建议用原型滤波器设计法，阻带衰减至少60dB。
- 降采样率： 通常降采样率等于子带数，但要注意满足奈奎斯特定理。
- 延迟问题： 滤波器组会引入延迟，对实时性要求高的场景需要优化。
好了，这一章的内容就到这里。频域自适应滤波是声反馈消除的核心技术之一，掌握了它，你就能应对大部分高阶滤波场景。下一章我们会聊更高级的话题——双麦克风波束成形与声反馈联合抑制，敬请期待。
公众号:蓝海资料掘金营，微信deep3321