1 引言(Introduction)

地铁对讲系统是地铁中发生紧急情况时乘客与司机沟通和司机之间沟通的重要途径.在全双工免提对讲系统中,声学回声严重降低对讲的语音质量,影响通信系统的舒适性[1].这种现象是由远端传来的语音信号经过近端扬声器的放大,然后通过房间内回声路径的反射和传播,又被近端的麦克风采集到,与近端用户的语音一同传往远端的扬声器,从而远端用户不仅听到对方的语音而且还能听到自己说话的回声[2].因此,为保证语音质量和对讲的正常进行,在系统中必须采用声学回声消除(acoustic echo cancellation,AEC)技术[3].

综上所述，过重的课业负担会影响学生身体和心理的健康发展。小学生处于发展初期，需要让他们在快乐轻松的环境中感受到学习的乐趣，培养他们创新、思考的意识。希望通过本文的研究，可以为减轻小学生课业负担尽一份力量，让小学生健康快乐地成长。

现有的AEC技术有很多种,在实际的通信系统中,自适应滤波的方法是目前国际上的主流技术,也是自适应信号处理最活跃的研究领域之一[4].这种技术基于自适应算法在时域[5]或频域[6]中设计出一个能够估计实际回声路径脉冲响应的滤波器,然后根据估计回声路径得到预测的回声,进而将其从麦克风输入信号中减去达到消除回声的目的[7].基于梯度的最小均方(least mean squares,LMS)算法及归一化最小均方(normalized least mean squares,NLMS)算法由于具有结构简单、计算复杂度低、鲁棒性好和便于实时实现的特点而被广泛应用于实际应用中[8].递归最小二乘(recursive least squares,RLS)算法对估计误差采用指数加权,利用数据相关矩阵求逆,对输入信号进行白化处理,来达到提高收敛速度的目的,代价是提高了算法计算复杂度[9],因此难以实时实现.仿射投影算法(affine projection algorithm,APA)不仅利用当前输入信号向量而且重复利用过去输入信号向量组来更新滤波器系数,它可以提高在高相关性信号输入情况下算法的收敛速度,其代价是增加了算法的复杂度与算法的失调[10].为了解决算法收敛速度与稳态失调之间的矛盾,H.C.Shin等人提出了一种变步长NLMS和APA算法,通过改变算法迭代过程中的步长来实现加快收敛速度的同时降低稳态误差的目的[11].针对回声路径脉冲响应具有稀疏性的自然特性,D.L.Duttweiler提出了一种成比例的NLMS(PNLMS)算法[12],C.Paleologu等人提出了一种成比例的APA(PAPA)算法[13],通过所估计滤波器系数幅值大小的比例来分别更新滤波器的每一个系数,以实现加快算法收敛速度的目的.然而在地铁对讲系统的实际应用中,对讲设备的麦克风与扬声器置于同一金属壳体中,这种结构导致产生的声学回声非常大,容易引起信号失真引入非线性因素,而且在实际对讲过程中受嘈杂的环境和乘客流动造成的回声路径频繁改变等因素影响,使得对讲过程中啸叫现象时有发生.这些实际问题都导致地铁对讲系统中的声学回声控制更加难以实现.

本文设计了一种基于LFMCW雷达体制的标量脱靶量测量系统，利用回波信号与本振信号之间的差频对目标进行测距，再通过最小二乘算法求解目标与雷达之间的最小距离，即脱靶量。系统具有成本低、体积小、重量轻、峰值功率低和测量精度高等特点，另外采用一体化、模块化设计，根据不同任务，可安装于靶弹、无人机和靶船等多种靶标平台。该系统装载于靶船上对某型反舰导弹的脱靶量进行了实弹检验，检验结果表明，系统方案切实可行，脱靶量测量精度≤1 m，可用于导弹标量脱靶量测量。

本文提出一个结合啸叫抑制的NLMS算法,并应用到地铁对讲系统的声学回声控制中,解决对讲过程中由于信号失真或者回声路径改变导致的自适应算法未收敛或发散时,出现啸叫造成系统崩溃的问题.本文所设计的算法已经应用在马来西亚吉隆坡地铁(Klang Valley mass rapid transit,KVMRT)项目的一期工程SBK线(line one:Suangai Buloh-Kajang)中,成功应用于地铁中的乘客紧急对讲系统和司机对讲系统.

2 自适应声学回声控制原理(Principle of adaptive acoustic echo control)

自适应滤波的声学回声控制流程如图1所示,X(k)是远端房间的麦克风输入信号,H(k)是近端房间中扬声器与麦克风间的真实回声路径.它们分别被表示为

 

其中:N是回声路径的长度,上标T表示矩阵转置,k表示时刻.实际的声学回声可以用二者的卷积来表示:

检验回声消除算法性能的一个标准是回声返回损耗增强(echo return loss enhancement,ERLE),表示为

亳州市政府在亳文化译介工作中起着主导作用，通过设立主管部门，出台译介政策，搭建译介平台，构建译介整体规划体系，进行任务分工，合理布局等逐步系统地推进译介工作的顺利进行。

 

滤波器的作用是利用自适应算法来辨识回声路径的脉冲响应,得到的估计回声路径表示为

 

其输出为回声信号的估计值

 

误差信号为实际回声与估计回声的差值:

 

  

图1 声学回声控制流程图Fig.1 Flow chart of acoustic echo control

3 结合啸叫抑制的NLMS算法(NLMS algorithm combined with howling suppression)

图2所示为本文提出的结合啸叫抑制的NLMS算法流程图,它包括6个模块:直流偏置消除模块、自适应滤波器模块、双端讲话检测器(double talk detector,DTD)模块、残余回声抑制(residual echo suppression,RES)模块、自动增益控制器(automatic gain controller,AGC)模块和啸叫抑制模块.

远端输入的语音信号X(k)首先经过算法的直流偏置消除模块,其作用是消除输入信号中的直流分量,通过由两个多点滑动平均器(D-point moving averager,DPMA)串联所构成的线性相位直流阻断器实现.本文中选取的是两个32点DPMA来消除信号中的直流偏置部分.

经消除直流偏置后的语音信号进入自适应滤波器模块,该模块采用NLMS算法,其原理是使预测信号均方误差

 

最小.NLMS算法中估计回声路径的迭代方程为

 

其中:µ(k)为可变步长因子,α为一个固定常数,其取值范围为0<α<2时算法收敛[14],本文选取α=1.

  

图2 结合啸叫抑制的NLMS算法流程图Fig.2 Flow chart of NLMS algorithm combined with howling suppression

时,候选频率ωi计入集合C,式中:表示交集,TPHPR是一个预设的阈值.记录过去连续QF个语音帧中,频率ωi被计入集合C的个数:

  

图3 双端讲话检测器Fig.3 Double talk detector

当近端采集信号中存在语音讲话即v(k)̸=0时,由自适应滤波器估计的回声信号所组成的矢量(k)=[(k)(k−1)···(k−N+1)]T与近端麦克风采集的信号消除直流偏置后的矢量(k)=[(k)(k−1)···(k−N+1)]T之间的夹角将大于零;当近端无语音讲话即v(k)=0时,(k)与(k)之间的夹角接近零,因此可以通过计算(k)与(k)之间的夹角检测双端讲话情况,其夹角的余弦为

2.2 989名孕妇对口腔知识的了解情况 不知道正常人每6个月应做1次口腔常规检查的孕妇529名，占53.48%；牙周病对妊娠结局会产生影响，有571名孕妇(占57.74%)对此不了解；不知道孕期应定期检查口腔疾病、早发现早治疗的孕妇达89.98%；孕期感觉口腔不适但不想就诊的孕妇611名，占61.78%，其原因主要是担心用药影响胎儿；从未使用过牙线的孕妇为428名，占43.28%；认为坐月子不可以刷牙的孕妇有202名，占20.42%。见表1。

 

当只有远端声音时,c(k)趋近于1;当双端同时讲话时,c(k)远小于1.同时考虑回声路径改变造成的矢量夹角变化的影响,此处设置c(k)的阈值为0.95,即当c(k)<0.95时,表示出现双端讲话现象,令z=1否则z=0.当z=1时终止自适应滤波器的系数更新,只进行滤波,避免自适应滤波算法发散.

此过程中算法的ERLE值如图13所示.受列车运行时环境噪声影响,算法的ERLE值均低于仿真实验结果的87.07 dB,其中ICP设备中算法在19∼33 s时间段内ERLE平均值为53.19 dB,PECP设备中算法在0∼13 s时间段内ERLE平均值为64.45 dB.算法的实际应用结果依然满足国际电信联盟ITU–TG.167标准,经过算法处理后回声信号基本完全消除且无失真情形,避免了啸叫信号的产生.

  

图4 包含啸叫的语音信号Fig.4 Speech signal with howling

水库上游没有水文站，难以获取水位、流量、泥沙、降水、蒸发、水化学等水文要素资料。水雨情观测只能依靠大坝站观测，洪水预报能力差。大坝观测站只能观测本站区域内水雨情，无法知道流域内水雨情。水库流域内75%的面积为石山区，产汇流速度快，水库防汛很被动，无法主动采取有效的防御措施。

本文采用的啸叫检测方法是结合基于频域特征的峰值–谐波功率比(peak-to-harmonic power ratio,PHPR)方法[15]和基于时域特征的帧间峰值幅值持续性(interframe peak magnitude persistence,IPMP)方法[16]的综合特征方法,可以同时考虑啸叫信号的时域和频域特征,使得检测结果更为准确.通过计算“候选啸叫频率”的功率|X(ωi,t)|2与它的第m阶谐波功率|X(mωi,t)|2的比值:

 

DTD模块基于计算两矢量夹角的方法,检测是否有双端同时讲话情况,其模型如图3所示.

 

式中P代表每帧语音的周期,满足此条件的频率ωi才被判断为真正的啸叫频率.文献[17]中对多种啸叫检测方法性能进行了对比评价分析.

  

图5 啸叫抑制算法流程图Fig.5 Flow chart of howling suppression algorithm

当检测到采集的语音信号中存在啸叫信号时,立即终止算法中自适应滤波器的系数更新,开始对啸叫信号进行抑制,本文采用的是基于子带分解的啸叫抑制算法[18],其流程图如图5所示.输入信号(k)=[(k)(k−1)···(k−N+1)]T经过子带分解后得到n个均匀子带信号.然后将这些子带信号通过增益[g1(k)g2(k)···gn(k)]T控制后,经过子带综合得到算法的输出信号(k)=[(k)(k−1)···(k−N+1)]T.增益控制由啸叫检测算法决定,当检测到啸叫信号时,将啸叫频率所在子带的增益值设置为小于1,其他子带的增益值设置为1,从而在抑制啸叫信号的同时降低对正常语音信号的影响.

4 仿真结果与实际应用(Simulation result and practical application)

4.1 算法仿真结果(Simulation result of the algorithm)

在本节中将KVMRTSBK地铁对讲系统作为研究对象来验证本文所设计的结合啸叫抑制的NLMS算法的有效性.图6所示为地铁对讲系统实时采集音频及其经MATLAB仿真处理结果,图6中图(a)为司机室发往客室语音记为远端信号,图(b)为客室麦克风采集语音记为近端信号,图(c)为近端信号经MATLAB仿真处理后信号.由图6可以看出受周围环境影响和设备硬件限制,客室麦克风采集到的回声信号很大有时甚至比远端(司机室)输入的原始信号更大.本文所涉及的所有音频信号的采样率均为Fs=16kHz,所使用的自适应滤波器的长度为N=1024.

  

图6 实际采集的地铁对讲语音信号Fig.6 The actually collected speech signal

回声返回损耗(echo return loss,ERL)是检测回声大小的一个标准,其含义是远端信号反馈为回声信号时的信号损失,表示为

表中展现了本文对政府引导基金融资模式的探索性评价结果，数值越高表明对应的能力越强，对应的压力越大。表中的评价结果主要基于是否直接投资和是否股权投资两个维度所得，表中直观地展现出了政府引导基金不同模式在撬动社会资本、政府意愿体现、政府参与公司治理能力和多阶段投资引导能力上的差异。

 

其中:表示远端输入的原始信号功率,|(k)|2表示近端麦克风采集到的回声信号功率.图7所示为近端没有语音信号输入即只有回声信号存在时(0∼12 s)的ERL值.ERL值越小表示回声信号越大,而当它的值为负时,表示近端麦克风采集到的回声信号比远端原始信号更大,经计算这一时期(0∼12 s)ERL的平均值为−4.989 dB.这表示如果不对回声信号进行处理,将会导致信号形成正反馈甚至引起啸叫.

根管充填后1周内出现的根充反应，采用Negm标准[2]1级：完全无疼痛；2级：轻微疼痛，不影响咬合与进食；3级：中度疼痛，影响咬合；4级：严重疼痛。不能咬合甚至肿胀。3、4级定位疼痛。

  

图7 信号在(0∼12 s)的ERL值Fig.7 The ERL of signal during(0∼12 s)

目前临床上常有妊娠足月的孕妇具备引产指征需适时终止妊娠。足月妊娠引产可以提高阴道自然分娩率，减少剖宫产的发生，对母婴预后有积极的作用。尤其是妊娠达到41周的孕妇，胎儿发育成熟，宫内出现不利于胎儿生存的因素，应该立即采取引产措施［19-20］。根据美国FDA批准的引产药物中，临床使用率较高的为缩宫素和前列腺素制剂，根据临床多项研究［21-22］，含有PEG2的前列腺素制剂对于宫颈条件不成熟的孕妇，具有促进宫颈成熟、缩短产程、引产成功率高的临床效果。地诺前列酮栓是被认为较为安全和有效的药物之一，其主要成分是前列腺素E2（PEG2），在中晚期妊娠方面取得了较为满意的疗效［19,22-26］。

 

其中:|(k)|2表示近端采集信号功率,|(k)|2表示经过算法处理后误差信号功率.ERLE值越高,表明回声消除算法性能越好.图8所示为本文设计算法的ERLE值,按照国际电信联盟ITU–T G.167标准[19]的要求,免提电话的加权终端耦合损耗(weighted terminal coupling loss,TCLwst)至少为45dB.本文中在0∼12 s这一时期ERLE的平均值为87.07dB,这表明所设计的算法完全达到并超出该标准的要求.图8中图(a)曲线所示当近端语音信号出现即客室乘客讲话时,ERLE值有时会出现小于零的情况,这是由于算法中的AGC功能在起作用.当近端输入的语音信号音量过小时,AGC会将语音音量自动放大到所设定的音量值,从而使得算法输出的信号大于其输入的语音信号.

  

图8 算法的ERLE值Fig.8 The ERLE of algorithm

啸叫检测算法在不同参数阈值下的检测结果如表1所示,参数TPHPR,QF与阈值IPMP(ωi,t)综合作用决定啸叫频率检测的准确性与实时性,其值过低时会将部分语音信号判断为啸叫信号造成误判,而过高则会造成检测的延迟,进而影响通话质量,因此必须选取适当的参数阈值才能准确实时地检测语音信号中出现的啸叫信号.本文结合设备硬件性能以及算法需求选取啸叫检测算法的参数阈值为TPHPR=33 dB,QF=3,IPMP(ωi,t)=1,在仿真实验与实际应用中均可准确实时地检测语音信号中出现的啸叫信号.图9所示为包含啸叫的语音信号经啸叫抑制处理后的结果.对比图4及图9所示的语音信号的时域波形图可以发现,原本在语音信号输入1 s后出现的随时间幅值逐渐增长的啸叫信号,经抑制后幅值大幅衰减;通过频谱波形也可看出语音信号输入1 s后在453.125 Hz出现的持续高能量啸叫信号,经抑制后其能量大幅降低.表明本文所用啸叫抑制算法可以在不影响正常语音通话的前提下有效地抑制啸叫信号的产生.

 

表1 啸叫检测算法Table 1 Howling detection algorithm

  

TPHPR=33dB,QF=3,IPMP(ωi,t)=1 453.125 453.125 0.896 1.024 390.625 0.384 TPHPR=20dB,QF=3,IPMP(ωi,t)=1 453.125 453.125 0.896 0.96 2 TPHPR=40dB,QF=3,IPMP(ωi,t)=1 453.125 453.125 0.896 1.6 TPHPR=33dB,QF=5,IPMP(ωi,t)=1 453.125 453.125 0.896 1.152 390.625 0.256 484.375 0.448 TPHPR=33dB,QF=1,IPMP(ωi,t)=1 453.125 359.375 0.896 0.64 453.125 0.896 390.625 0.32

4.2 地铁中的实际应用(Practical application in the metro)

图10所示为KVMRTSBK项目中,地铁实际应用的对讲系统.其硬件系统主要包括两个设备,一个是乘客紧急通信面板(passenger emergency communication panel,PECP),是乘客用来发起与司机紧急对讲的装置;另一个是司机室的集成通信面板(integrated communication panel,ICP),是司机用来发起司机对讲或者接听乘客紧急对讲的装置.在该项目地铁实际运行中,本文所提出的结合啸叫抑制的归一化最小均方(normalized least mean squares,NLMS)算法通过现场可编程门列阵(field programmable gate array,FPGA)实现并应用于地铁中的PECP和ICP设备中,处理乘客紧急对讲与司机对讲过程中产生的声学回声并抑制啸叫信号.

  

图9 啸叫抑制后语音信号Fig.9 The speech signal after howling suppression

  

图10 KVMRTSBK项目地铁中对讲系统的PECP及ICP设备Fig.10 PECP and ICP in the metro intercom system of KVMRTSBK

图11–12所示分别为地铁运行过程中ICP和PE–CP设备在乘客紧急对讲时录取的实际语音信号.音频文件为双声道,其中右声道为设备麦克风实际采集到的语音信号,左声道为语音信号经过设备中算法处理后发往对方设备的信号.对比两图可以看出在0∼13 s为ICP端讲话,此时PECP端麦克风采集的声学回声如图12中音频右声道所示;19∼33 s为PECP端讲话,此时ICP端麦克风采集的声学回声如图11中音频右声道所示.设备麦克风采集的声学回声有时会比原始音频信号更大,且采集的语音信号有时会出现截止失真的情况如图12所示.

在对讲过程中若自适应算法未收敛或发散,则可能会出现啸叫现象,造成系统崩溃,为了避免这种情况的发生,必须加入啸叫抑制模块才能保证对讲的正常进行.图4所示为包含啸叫的语音信号的时域波形及频谱.从图中可以看出,啸叫信号可以通过其在时域内逐渐增长的幅值以及在频域中没有谐波或子谐波分量的持续高幅值频率特征检测出来.啸叫信号的检测首先需计算每帧输入信号的傅里叶变换值,然后筛选频谱中的部分峰值点作为“候选啸叫频率”,记为ωi(i=1,2,3,···).最后通过判断是否满足啸叫信号的时域或频域特征得到真正的啸叫频率.

RES模块用于消除输出信号中的残余回声.当信号功率大于预设阈值时,保留原输入信号作为输出信号;当信号功率小于预设阈值时,用保存的背景噪声作为输出信号,从而消除残余回声.考虑到实际语音输入信号音量大小不稳定,但需保证输出恒定大小语音信号音量,必须加入AGC模块进行输出语音信号音量的自动控制.

一是利用长江流域灌溉试验站网，依托长江流域农村水利协作网，联合科研单位与大专院校，开展农业灌溉基础数据监测采集，加强农业节水减排的新技术、新方法、新设备研究，探索集成优化节水减排技术组合，完善高效节水灌溉技术标准体系，为灌溉制度制定、灌溉预报、农业高效用水管理、现代化灌区建设提供技术支撑。二是对流域涌现出的节水灌溉新技术、新工艺、科学灌溉制度等进行总结提炼，因地制宜地推广实用农业节水新技术。三是加强农业节水新技术的培训，提高基层水利技术人员的节水意识和节水灌溉管理水平，让节水优先的理念真正得到贯彻落实。

  

图11 ICP设备中实际录取的音频Fig.11 The audio recorded by ICP

  

图12 PECP设备中实际录取的音频Fig.12 The audio recorded by PECP

 

  

图13 对讲设备中算法的ERLE值Fig.13 The ERLE of the algorithm in intercom system

5 结论(Conclusions)

在地铁的全双工免提对讲系统中存在很强的声学回声和啸叫信号,这是影响对讲语音质量的两个主要因素.本文设计了一种结合啸叫抑制的NLMS算法,且通过MATLAB仿真实验表明了该算法的有效性,并将此算法应用到KVMRTSBK项目地铁对讲系统的回声控制中,有效地消除了对讲过程中产生的声学回声并抑制了啸叫信号的产生,取得了很好的应用效果.

参考文献(References):

2.4 两组患者血酮、乳酸、BE的比较 在开始输液即刻(T1)、输注完液体即刻(T3)、出手术室前(T5)抽取桡动脉血，检测血酮、乳酸及BE值。T1时两组血酮值相比，差异无统计学意义；T3和T5时对照组逐渐升高、观察组逐渐下降，与T1比较，两组组内变化均有统计学意义(P<0.05)，且T3、T5时间点观察组血酮体值较对照组降低，差异有统计学意义(P<0.05)；两组T1～T5乳酸、BE和pH值的变化差异无统计学意义；两组T1～T5时BE均呈下降趋势，但各值均在正常范围内，组内T3、T5与T1比较差异有统计学意义(P<0.05，表4)。

[1]TSAO Y,FANG S H,YAO S.Acoustic echo cancellation using a vector-space-based adaptive filtering algorithm[J].IEEE Signal Processing Letters,2015,22(3):351–355.

[2]JAIN A,GOEL S,NATHWANI K,et al.Robust acoustic echo cancellation using Kalman filter in double talk scenario[J].Speech Communication,2015,70(6):65–75.

[3]AHGREN P.Acoustic echo cancellation and doubletalk detection using estimated loudspeaker impulse responses[J].IEEE Transactions on Speech and Audio Processing,2005,13(6):1231–1237.

创业教育的根本目的在于培养受教育者的创业意识、正确认识创业在社会中的作用与自我雇用的好处、提供创办与经营企业所需的知识和技能、提高就业能力。创业教育和市场营销专业教育是辩证统一的，教师首先对创业教育的这一本质有正确深刻的认识，树立全新的创业教育理念，不断提高自身的综合素养，在教学内容设计、教学方法选择、教学手段利用等过程中注重专业知识与实践相结合，以塑造应用型人才的综合素质。

[4]SARIC Z M,PAPP I I,KUKOLJ D D,et al.Partitioned block frequency domain acoustic echo canceller with fast multiple iterations[J].Digital Signal Processing,2014,27(4):119–128.

[5]YANG Hefei,ZHENG Chengshi,LI Xiaodong.A stereo acoustic echo cancellation method based on the hybrid of spectral dominance and nonlinear transformation[J].Journal of Electronics&Information Technology,2015,37(2):373–379.(杨鹤飞,郑成诗,李晓东.基于谱优势与非线性变换混合的立体声声学回声消除方法[J].电子与信息学报,2015,37(2):373–379.)

The following design method is to achieve arbitrary trajectory y=f(x) through crank slider mechanism: taking A as the coordinate origin, the slider crank mechanism ABC has a line velocity equation along the trajectory as follows

[6]JIANG Kaiyu,WU Chao,GUO Yanmeng,et al.Acoustic echo control based on frequency-domain stage-wise regression[J].Journal of Electronics&Information Technology,2014,36(12):2896–2901.(姜开宇,吴超,国雁萌,等.基于频域逐级回归的声学回声控制[J].电子与信息学报,2014,36(12):2896–2901.)

[7]TAI Hongda.Adaptive echo cancellation technique in speech system[J].Computer Simulation,2015,32(9):209–213.(台宏达.语音系统中的自适应回声消除技术[J].计算机仿真,2015,32(9):209–213.)

[8]BERSHAD N J.On error saturation nonlinearities for LMS adaptation in impulsive noise[J].IEEE Transactions on Signal Processing,2008,56(9):4526–4530.

[9]SONG Hui,LIU Jia.Research on adaptive speech enhancement algorithm based on differential microphone array and its implementation with DSP[J].Acta Automatica Sinica,2009,35(9):1240–1244.(宋辉,刘加.基于微分麦克风阵列的自适应语音增强算法研究及DSP实现[J].自动化学报,2009,35(9):1240–1244.)

[10]SHIN H C,SAYED A H.Mean-square performance of a family of affine projection algorithms[J].IEEE Transactions on Signal Processing,2004,25(1):90–101.

[11]SHIN H C,SAYED A H,SONG W J.Variable step-size NLMS and affine projection algorithms[J].IEEE Signal Processing Letters,2004,11(2):132–135.

[12]DUTTWEILER D L.Proportionate normalized least-mean-squares adaptation in echo cancelers[J].IEEE Transactions on Speech and Audio Process,2000,8(5):508–518.

[13]PALEOLOGU C,CIOCHINA S,BENESTY J.An efficient proportionate affine projection algorithm for echo cancellation[J].IEEE Signal Processing Letters,2010,17(2):165–168.

[14]WADA T S,JUANG B H.Enhancement of residual echo for robust acoustic echo cancellation[J].IEEE Transactions on Audio Speech and Language Processing,2012,20(1):175–189.

[15]KHOUBROUY S A,PANAHI I.A method of howling detection in presence of speech signal[J].Signal Processing,2016,119(2):153–161.

[16]WATERSCHOOT T V,MOONEN M.Fifty years of acoustic feedback control:state of the art and future challenges[J].Proceedings of the IEEE,2011,99(2):288–327.

物流企业按照不同的作业划分为：运输中心、仓储中心、包装中心、配送中心及物流信息中心。现以包装作业中心发生的人力费用为例，包装作业中耗费的资源包括人力费用、折旧费、维修费、水电费、物料费等。对水费来说资源动因是水的吨位数，包装中心的成本动因是人工工时。

[17]WATERSCHOOT T V,MOONEN M.Comparative evaluation of howling detection criteria in notch-filter-based howling suppression[J].Journal of the Audio Engineering Society,2010,58(11):923–940.

[18]CAI Yu,HONG Ying,YUAN Jianping,et al.Subband adaptive echo cancellation technique in speech system[J].Chinese Journal of Scientific Instrument,2013,34(7):1448–1453.(蔡宇,洪缨,原建平,等.语音系统中的子带自适应回声消除技术[J].仪器仪表学报,2013,34(7):1448–1453.)

[19]Acoustic echo controllers[Z].ITU–T recommendation G.167,1993.