4

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
1. Tổng quan về ADAPTIVE FEEDBACK CONTROL
Trong các hệ thống của máy trợ thính, thường có các bộ khử phản hồi âm – Adaptive
Feed-back Control (AFC) sử dụng phương pháp dự đoán lỗi (PEM). Thông thường nó sử
dụng bộ lọc thích nghi – Adapter Filter (AF) với thuật toán bình phương trung bình tối
thiểu chuẩn hóa – Normalized Least Mean Square (NLMS) để ước lượng các hệ số của
đường phản hồi thực. Tuy nhiên, nhược điểm của NLMS là tốc độ hội tụ chậm, thuật toán
APA có thể giải quyết vấn đề này.

Hệ thống AFC cơ bản

Hệ thống PEM-AFC
Hình 1 và 2 phía trên mô tả cho một hệ thống khử phản hồi âm thanh -AFC cơ bản
và một hệ thống AFC có tiền xử lý bộ lọc (PEM-AFC). Hệ thống AFC thiết kế dựa trên
PEM để ước tính đáp ứng xung (IR) của các đường dẫn phản hồi. Trong hệ thống được đề
xuất ở trên, tín hiệu micro x(k) được xác định bằng cách bổ sung tín hiệu phản hồi v(k) và
tín hiệu đến u(k):
x(k) = u(k) + v(k)
 5

Trong đó, v(k) = 𝒇𝑻 (𝑘) * y(k) với f(k) là vector có chiều dài Lf của đường phản hồi
thực, y(k) là vector có chiều dài Lf của đường tín hiệu loa.

Tín hiệu lỗi e(k) được tính như sau:

Trong đó, 𝒇^ (𝑘) là ước lượng của 𝒇(𝑘).

Đường dẫn chuyển tiếp K(q,k) có trễ 𝑑𝑘 và bộ khuếch đại có độ lợi băng thông rộng
|K|, tức là K(q, k) = |K|𝑞 −𝑑𝑘 . Độ trễ được chọn sao cho 𝑑𝑘 ≥ 1. Tín hiệu loa y(k) được hình
thành bằng cách trì hoãn và khuếch đại tín hiệu lỗi e(k) trong đường dẫn chuyển tiếp
y(k) = K(q, k) * e(k)
Một bộ lọc toàn cực 𝐺 −1 (𝑞, 𝑘) được đặt trước tín hiệu đến u(k) để lọc chuỗi nhiễu
Gaussian trắng w(k) tức là u(k) = 𝐺 −1 (𝑞, 𝑘)w(k)
Một ước lượng của G(q, k) – nghịch đảo của mô hình tín hiệu đến là 𝐺 ^ (𝑞, 𝑘) được
sử dụng để làm trắng trước các đầu vào của bộ lọc thích nghi 𝐹 ^ (𝑞, 𝑘) tức là 𝑦𝑝 (𝑘) =
𝐺 ^ (𝑞, 𝑘)y(k). Tín hiệu lỗi được làm trắng trước là 𝑒𝑝 (𝑘) = 𝑥𝑝 (𝑘) - 𝒇^ (𝑘) 𝒚𝒑 (𝑘).Trong đó

Thuật toán Levinson – Durbin được sử dụng để ước lượng các hệ số của 𝐺 ^ (𝑞, 𝑘)
từ tín hiệu lỗi e(k).
 Thuật toán Levinson – Durbin
Thuật toán Levinson-Durbin là một thuật toán trong xử lý tín hiệu và thống kê được
sử dụng để giải quyết bài toán ước lượng mô hình autoregressive (AR) từ dữ liệu quan sát.
Trong bài toán AR, mục tiêu là ước lượng các hệ số của một mô hình AR từ dữ liệu thực
tế. Thuật toán Levinson-Durbin là một cách hiệu quả để thực hiện điều này bằng cách sử
dụng một quy trình đệ quy để tính toán các hệ số AR từ các hệ số tự tương quan của dữ
liệu.
Báo cáo thực hiện so sánh các biến thể của thuật toán NLMS (PNLMS, IPNLMS)
và thuật toán APA (IPAPA) cũng như đánh giá hiệu suất của các thuật toán với 2 đại lượng
 6

đánh giá là độ lệch chuẩn hóa – Normalized misalignment (Normalized MIS) và mức tăng
độ ổn định – Added stable Gain (ASG).
2. Các thuật toán liên quan
a. Thuật toán PEM – NLMS
Đường dẫn phản hồi của thuật toán PEM – NLMS được ước tính theo công thức:

Trong đó, 𝑁𝐿𝑀𝑆 là một số dương nhỏ khác 0 nhằm mục đích tránh để mẫu số bằng
0, µ là giá trị kích thước bước.
b. Thuật toán PEM – PNLMS
Nhược điểm của PEM – NLMS là sự thiếu ổn định do sự cố định của kích thước
bước dẫn đến thuật toán không ổn định hoặc hội tụ khá chậm. PEM – NLMS có thể có đáp
ứng chậm đối với sự thay đổi nhanh chóng trong tín hiệu hoặc môi trường, điều này có thể
làm giảm hiệu suất của thuật toán trong những ứng dụng yêu cầu đáp ứng nhanh.
Một biến thể của PEM – NLMS là PEM – PNLMS giúp cải thiện tính ổn định và
độ hội tụ của PEM – NLMS. Thuật toán này sử dụng kích thước bước thích ứng tương ứng
với hệ số bộ lọc ước tính để cập nhật hệ số của bộ lọc thích nghi.
Đường dẫn phản hồi của thuật toán PEM – PNLMS được ước tính theo công thức:

Trong đó, 𝑁𝐿𝑀𝑆 là một số dương nhỏ khác 0 nhằm mục đích tránh để mẫu số bằng
0, A(k – 1) là một ma trận đường chéo sử dụng để phân bổ kích thước bước cho các hệ số
bộ lọc hệ số lớn hơn nhận được gia số lớn hơn và ngược lại. Từ đó, đạt được sự gia tăng
hội tụ của hệ số đó. Các phần tử đường chéo 𝑎𝑙 (𝑘) được tính:

Trong đó ρ, ς là các số dương với các giá trị điển hình như ρ = 5/Lf, ς = 0,01.
 7

c. Thuật toán PEM – IPNLMS

Để cải thiện hơn nữa sự hội tụ của PNLMS, PNLMS được thêm 1 số quy tắc mới
khai thác tốt hơn hình dạng đường dẫn phản hồi ước tính để tính toán kích thước bước.
Đầu tiên là đề xuất thuật toán PEM – IPNLMS l1 – norm được sử dụng để làm mượt hơn
các phần tử 𝑙 (𝑘):

Trong đó, - 1 ≤   1, l = 0, 1, … , Lf^ - 1. Từ đó ma trận đường chéo A(k – 1) được

tính lại:

Với ε là một giá trị dương nhỏ được thêm vào để tránh chia cho 0. Nếu α = −1,
IPNLMS trở thành thuật toán NLMS. Nếu α ≈ 1, IPNLMS tương tự như PNLMS. Trong
thực tế, các lựa chọn tốt cho α là - 0,5 hoặc 0.
Tiếp theo là thuật toán PEM – IPNLMS l0 – norm. Tại l0 – norm có vector b =
[𝑏0 , 𝑏1 , … , 𝑏𝐿−1 ] được định nghĩa

Hàm 𝑓(𝑏𝑙 ) có thể được tính:

Với,𝛾 là giá trị rất lớn, nên:

Công thức đường dẫn phản hồi và phần tử của ma trận đường chéo được tính như sau:
 8

d. Thuật toán PEM – APA

Là thuật toán có khả năng hội tụ và theo dõi ban đầu cao hơn ba thuật toán trên,
APA sử dụng P vector đầu vào để tính các hệ số của bộ lọc thích ứng, P là thứ tự tham
chiếu.
Đầu vào của PEM – APA được định nghĩa là tập hợp các vector:

Vector biểu diễn một tín hiệu lỗi được làm

trắng được tính bằng cách trừ tín hiệu micro được làm trắng từ tín hiệu phản hồi ước tính

nghĩa là:
Đường phản hồi được tính như sau:

Trong đó Ip là ma trận dạng (P x P).