📄 A Regularized Block Diagonal RLS Algorithm for Acoustic Echo Cancellation
标签：#回声消除 #模型压缩 #高效推理 #实时处理 #理论分析
7.2/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 0.9/1.5
✅ 7.2/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #回声消除 | #模型压缩 | #高效推理 #实时处理 | arxiv
👥 作者与机构
第一作者：Ruibin Hou（The College of Computer Science and Technology, Inner Mongolia Minzu University, Tongliao, 028000, Inner Mongolia, China） 通讯作者：正文未明确标注 作者列表：Ruibin Hou、Chenggang Zhang、Yufeng Diao（机构：The College of Computer Science and Technology, Inner Mongolia Minzu University, Tongliao, 028000, Inner Mongolia, China）
💡 毒舌点评
RBD-RLS 的贡献很务实：用块长 L 把 RLS 的精度和 NLMS 级资源之间变成可调折中，并诚实暴露相关性损失和长期正定风险。实验从合成到真实片段较完整。真正部署前仍需补双讲、非线性、定点与长时稳定性；若再给出实机内存/周期和开放实现，它会成为资源受限 AEC 的强基线。
📌 核心摘要
声学回声消除需要在线估计很长的回声路径；标准 RLS 收敛快，却要更新完整 N×N 逆协方差矩阵，计算为 O(N²)，在长滤波器和有限精度设备上代价高且可能不稳定。RBD-RLS 将输入、滤波权重和逆协方差拆成 M 个长度 L 的子块，只更新块对角矩阵，并给各块加入 Tikhonov 对角加载，在复杂度、收敛速度和初始数值稳定之间建立可调折中。
方法复杂度降为 O(NL)，各子块可并行，也减少 RLS-DCD 的数据复制；实验覆盖白噪声、彩色噪声、回声路径突变和 ICASSP AEC Challenge 真实盲测；前 4 类场景进行 100 次独立重复。λ=0.9999、δ=1 时稳态精度接近 RLS，白噪声下约 1 秒收敛，而 RLS/RLS-DCD 约 0.6 秒；真实测试 ERLE 接近两者，FRLS 则约 0.5 秒发散。
论文没有掩盖代价：忽略跨块相关会减慢收敛，正则只保证初期正定，L 增大虽更像 RLS 却提高计算；当前真实实验仍是离线片段，双讲检测、非线性回声和长期定点稳定性未解决，也未声明自身代码开源。
合成实验的共同基准为 N=512、8 kHz、4 秒信号和 20 dB 背景噪声；参数敏感性把分块长度 L 设为 64。前 4 种情形各做 100 次独立重复；彩色输入由 1 阶 AR 滤波器 1/(1-0.8z^-1) 产生，路径跟踪在第 3 秒从衰减因子 0.01 的路径 A 切到 0.05 的路径 B。真实盲测还先用 GCC-PHAT 对齐远近端延迟，说明论文同时检查了相关输入、突变和实际时延。
🔗 开源详情
实验使用公开 ICASSP AEC Challenge 盲测集并引用第三方 RLS-DCD MATLAB 代码 https://github.com/ndemoraes/Fast-RLS-DCD-MATLAB，但所读全文未声明 RBD-RLS 自身实现仓库；第三方基准和基线不能计作本工作开放。
🏗️ 方法概述和架构
信号输入。远端参考信号形成长度 N 的回归向量，麦克风信号包含扬声器—房间回声及可能的近端成分。自适应滤波器输出估计回声，与麦克风信号相减得到残差，并用该误差信号更新滤波权重。完整 RLS 需要维护 N×N 逆协方差，因此长路径时内存、乘加和矩阵数值误差都迅速增加。
请沿下图的 AEC 框图追踪远端参考、未知回声路径、麦克风混合和自适应估计器，确认改动发生在逆协方差更新。
图中残差信号由麦克风输入减去估计回声得到，块对角矩阵只改变滤波器更新路径；总复杂度因此随块长变化，但仍保留与 RLS 系列比较的输入输出口径。
块对角近似。RBD-RLS 把 N 维向量划为 M=N/L 个长度 L 子块，同时把逆协方差近似为 M 个独立 L×L 对角块，忽略块间协方差。每块根据局部输入、共享标量归一项和误差计算增益，再并行更新对应权重与矩阵。最终把所有子块滤波输出相加得到总回声估计，输出残差作为消回声信号。计算从 O(N²) 变为 M·O(L²)=O(NL)，同时少于 RLS-DCD 的隐式数据复制。
正则与参数。各块以 Tikhonov 对角加载构造严格正定初值；遗忘因子 λ 控制历史权重，δ 控制初始正则强度，L 决定保留多少相关性。矩阵引理在 λ>0、归一因子为正时支持更新，但作者明确指出长期迭代仍可能偏离正定。L 越大，块间被忽略的信息越少、收敛越接近 RLS；当 L=N 时退化为完整 RLS，复杂度也回到 O(N²)。
验证输出。算法输出残余信号和路径估计，合成实验用 MIS 衡量辨识误差，并在路径突变后看重收敛；真实语音用 ERLE 评价回声抑制。对照包含 NLMS、RLS、RLS-DCD、FRLS，并在白噪声、相关彩色输入、突变路径和挑战盲测中检验速度、稳态与稳定性。前 4 组合成条件各运行 100 次，统计曲线因此不是单次随机路径结果。
共享归一与并行更新。各块先计算 v_i=P_i x_i，再把所有 x_i^T v_i 求和为全局 g；增益分母 D_inv=1/(λ+g) 在所有块间共享，因此块矩阵虽然解耦，更新并非完全互不联系。每块随后计算 k_i=v_iD_inv、w_i←w_i+k_ie，并以 P_i←(P_i-k_iv_i^T)/λ 更新。算法分为预计算与先验误差、并行子块更新、后验输出 3 个阶段，前 2 个阶段均为 O(ML²)，结合 N=ML 得到 O(NL)。
实验协议。参数分析使用 4 秒、8 kHz、20 dB SNR 的零均值白噪声，N=512，分块长度 L 设为 64。实验比较 λ=0.995/0.9999 与不同 δ 的初始行为。彩色情形把白噪声送入 1/(1-0.8z^-1) 的 1 阶 AR 模型；路径突变在第 3 秒更换 2 个 512 阶路径。真实盲测取 ICASSP AEC Challenge noisy 集，先以 GCC-PHAT 对齐固有延迟，再在 0.5–3.5 秒片段上计算 ERLE。
目标函数把历史误差与 Tikhonov 对角加载写在同一式子中：
\[J_{reg}(n)=\sum_{i=1}^{n}\lambda^{n-i}[d(i)-\mathbf{w}^{T}(n)\mathbf{x}(i)]^{2}+\delta\lVert\mathbf{w}(n)\rVert_{2}^{2}.\]把 \(N\) 维逆协方差拆成 \(M=N/L\) 个 \(L\) 维子块后，总复杂度由 \(O(N^{2})\) 降为 \(O(ML^{2})=O(NL)\)；这也是块长 \(L\) 同时控制速度与逼近误差的原因。
💡 核心创新点
块对角逆协方差并非单纯删参数，而是给出由 L 控制的连续谱：小 L 接近线性复杂度且易并行，大 L 恢复更多相关性并逼近完整 RLS。相比只有“快或准”的二选一，它让部署者按设备和信号相关性选择折中。
为稳定这种近似，Tikhonov 加载专门处理分块 RLS 的初期病态，使算法避免 FRLS 在部分场景的严重初始化不稳定。论文同时说明正则难以永久保证正定，创新并未被包装成无条件稳定证明。
工程上，方法在 O(NL) 算量之外还减少 RLS-DCD 隐含的数据复制，并让子块天然并行，具有硬件映射意义。作者还用路径突变与真实盲测连接解析推导和 AEC 场景，而非只在白噪声辨识上展示曲线。块长、遗忘因子和正则强度共同形成可解释的调参空间，便于按相关性与预算部署。边界是忽略跨块相关的代价不可消失，且双讲、非线性扬声器和控制逻辑仍需外部模块；因此它是核心自适应滤波器改进，不是完整通话前端，也没有提出新的感知残回声目标或端到端控制器。
更细的结构耦合发生在“局部矩阵、全局标量”之间：P_i 的矩阵递推可以分块并行，但所有增益仍共享由各块能量求和得到的 D_inv。这保留了整条滤波器对同一先验误差的协调，而不是把 AEC 粗暴拆成互不通信的多个滤波器。复杂度推导还把预计算、块更新和后验输出逐阶段展开，使 O(NL) 不只是口号，也暴露 L=N 时必然回到完整 RLS 的边界。
📊 实验结果
论文表 1 给出的复杂度关系如下：它要比较的关键问题是：RBD-RLS 的块长 L 如何改变相对 NLMS、RLS、RLS-DCD 与 FRLS 的理论复杂度？
| 算法 | 理论复杂度↓ |
|---|---|
| NLMS | O(N) |
| RLS | O(N²) |
| RLS-DCD（Nu=8） | O(N²) |
| FRLS | O(N) |
| RBD-RLS（L=32） | O(32N) |
| RBD-RLS（L=64） | O(64N) |
| RBD-RLS（L=128） | O(128N) |
λ=0.9999、δ=1 的 RBD-RLS 稳态精度可匹配 RLS；白噪声下约 1 秒收敛，RLS/RLS-DCD 约 0.6 秒，印证降复杂度换来速度损失。相关输入下增大 L 能改善收敛；路径突变时 L=128 的重收敛接近完整 RLS。真实盲测的 ERLE 轨迹接近 RLS/RLS-DCD，而 FRLS 约 0.5 秒完全发散。结果支持稳定折中，不支持“同时优于 RLS 的所有维度”。
读完上表的复杂度与收敛折中后，请在下图中比较真实盲测里 RBD-RLS、RLS、RLS-DCD 与 FRLS 的 ERLE 轨迹，并核对 FRLS 约 0.5 s 的发散。
图中 RBD-RLS 的 ERLE 轨迹接近完整 RLS 系列，而 FRLS 很快偏离；证据仅覆盖离线盲测片段，未覆盖双讲检测和定点溢出。
相关输入下较小 L 的差距比白噪声更明显，符合跨块相关被忽略的机制；L=128 改善重收敛，却难以把 1 秒白噪声结果泛化到所有块长。真实 ERLE 接近只证明该离线片段的回声消除质量，没有报告双讲期间误更新或定点溢出。
第 2 张表要回答的关键问题是：在白噪声合成与 AEC Challenge noisy 盲测中，RBD-RLS 相对 RLS 系列和 FRLS 的收敛或发散差异有多大？
| 数据 / 场景 | 固定设置 | 指标（↑/↓见行内） | RBD-RLS | 对照 |
|---|---|---|---|---|
| 白噪声合成 | λ=0.9999，δ=1 | 到 -30 dB MIS 时间↓ | 1.0 s | RLS/RLS-DCD：0.6 s |
| AEC Challenge noisy 盲测 | GCC-PHAT；0.5–3.5 s | FRLS 发散时间↑ | 未发散 | FRLS：0.5 s |
表中“接近”来自轨迹比较，正文没有给出统一的 ERLE 数值表，因而难以虚构绝对 dB 优势。换言之，RBD-RLS 未报告统一的绝对 dB 汇总，因此只能说明该离线片段的趋势接近 RLS，不能外推为所有双讲和定点条件下的绝对优势。
🔬 细节详述
前 4 组合成条件各重复 100 次，降低随机路径和输入造成的偶然性；路径突变实验直接检查在线 AEC 必需的跟踪能力。白噪声时跨块相关弱，小块近似较有效；彩色语音相关性强，忽略块间项更明显，因此 L 对收敛影响增大。这种条件差异与方法假设一致。
复杂度表显示 L 不是免费旋钮。L=32、64、128 分别付出 32N、64N、128N 量级；实际设备还要考虑小矩阵内核、缓存和并行度。RLS-DCD 的理论阶仍为 O(N²)，论文强调 RBD-RLS 还减少复制，但没有给出实机周期和内存流量，因此硬件收益仍需验证。λ与δ的选择还会同时影响初始超调和稳态。
公开 AEC Challenge 片段提高了现实性，验证范围仍止于离线片段：论文没有系统研究 near-end double-talk、路径连续漂移、扬声器非线性、量化位宽和小时级运行。数学推导与参数足以自行实现，但无官方代码意味着矩阵更新顺序、保护项和数值精度可能导致复现差异。真实 ERLE 接近 RLS 是积极证据，但难以替代端到端主观残回声测试。
参数敏感性实验把 λ 与 δ 的作用分开：λ=0.995 初期适应更快，却明显损害稳态 MIS；δ=0.01 令 P_i(0)=δ^-1I 过大，造成严重瞬态超调。λ=0.9999、δ=1 给出平滑单调收敛并达到 RLS 的最终精度。白噪声相关性低，所以不同 L 差异很小；经 1/(1-0.8z^-1) 形成的强相关输入则放大块间信息损失，L 增大才明显改善。
路径变化实验在第 3 秒把 512 阶路径从衰减因子 0.01 切换到 0.05，所有算法都会先恶化再恢复，RLS 最快、FRLS 最慢，L=128 的 RBD-RLS 接近 RLS-DCD。真实 noisy 盲测包含背景噪声、混响和非线性失真；作者以 GCC-PHAT 估计远近端时延，并截取该条语音的 0.5–3.5 秒显示瞬态。这增加了现实干扰，但样本展示范围仍很窄。
⚖️ 评分理由
创新性 (1.5/2)：将逆协方差近似为可并行更新的块对角矩阵，并加入 Tikhonov 对角加载，把标准 RLS 的 2 次复杂度降为与总滤波长度和块长乘积成正比，在速度与早期稳定性间给出明确新折中。
技术严谨性 (1.3/1.5)：推导和参数作用较完整，但长期正定、双讲与非线性问题尚未解决；每块共享全局归一因子，且前 4 种实验各独立重复 100 次；不过真实盲测只展示单条 3 秒片段。
实验充分性 (1.3/1.5)：5 组实验覆盖白噪声、彩色噪声、回声路径突变及挑战赛真实盲测，前 4 组各重复 100 次并比较 MIS、重收敛和 ERLE；但仍未覆盖完整在线双讲通话。
清晰度 (0.8/1)：复杂度、收敛和 ERLE 关系可核对，部分全文公式抽取可读性一般；正文还区分 MIS 与 ERLE 的含义，并明确 ERLE 小于零表示没有有效滤波。
影响力 (1.0/1.5)：线性于总滤波长度与块长的更新适合资源受限 AEC，但忽略块间相关会限制复杂回声路径和双讲场景的影响范围。
开源 (0.0/1.5)：公开对象仅是第三方基准和基线，RBD-RLS 自身代码未声明开放。
可复现性 (0.4/0.5)：数学推导和参数公开便于重写，缺官方实现降低数值一致性保证。
工程/实践价值 (0.9/1.5)：O(NL) 复杂度和可并行子块有部署价值；缺少定点量化、真实 DSP 延迟与长期双讲稳定性测试，工程证据尚不完整。
🚨 局限与问题
忽略跨块相关必然使收敛慢于完整 RLS，且正定性并非全程保证；真实评测仍是离线盲测片段，论文把 double-talk 检测与非线性回声消除留给未来。
进一步审视
块对角近似先天地丢失跨块相关，所以对强相关语音的收敛慢于完整 RLS；L 增大可缓解，却逐步失去复杂度优势。Tikhonov 只保证初始阶段正定，长时间有限精度更新仍可能漂移。真实验证是离线盲测片段，未覆盖双讲检测、非线性回声、连续路径变化、定点实现、实际时延和能耗。自身代码未声明开放，也降低了数值细节可核查性；不同硬件的小矩阵并行效率尚属未知，长期运行是否需要重置也没有答案。对极长滤波器、突发双讲和饱和扬声器的失败恢复策略同样未定义，工程风险仍在。
真实部分只展示挑战集中的 1 个指定 far-end single-talk 样本及 3 秒片段，ERLE 主要以曲线判断而非跨文件统计；因此“接近 RLS”不是带置信区间的总体结论。GCC-PHAT 对齐发生在滤波前，也没有回答在线时延估计错误会怎样传播到块更新。