See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/269103059

Adaptive LMS Filter Algorithm for Acoustic

Echo Cancellation in Telecommunication
Systems

Article July 2014

CITATIONS READS

0 49

2 authors:

Fabin R. Jimnez L. Juan Mauricio Salamanca

Universidad Pedaggica y Tecnolgica de Col Universidad Pedaggica y Tecnolgica de Co
52 PUBLICATIONS 21 CITATIONS 39 PUBLICATIONS 16 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Estudio de Algoritmos RLS y LMS de Filtrado Adaptativo y sus Aplicaciones en Procesamiento de

Seales View project

Diseo y Construccin del Prototipo de un Sistema Electrnico para el Control de Movimiento de una
Plataforma Mvil a partir de ElectroOculografa View project

All content following this page was uploaded by Fabin R. Jimnez L. on 04 December 2014.

The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
 ISSN: 1692-7257
Revista Colombiana de
Tecnologas de Avanzada

ALGORITMOS LMS DE FILTRADO ADAPTATIVO PARA CANCELACIN DE

ECO ACSTICO EN SISTEMAS DE TELECOMUNICACIONES

ADAPTIVE LMS FILTER ALGORITHM FOR ACOUSTIC ECHO

CANCELLATION IN TELECOMMUNICATION SYSTEMS

MSc. Fabin Jimnez Lpez*, PhD. Juan Mauricio Salamanca**

Universidad Pedaggica y Tecnolgica de Colombia

Escuela de Ingeniera Electrnica Grupo de Investigacin DSP - UPTC
Avenida Central del Norte No. 39 - 115, Edificio Central, 2do Piso, Of. 233
Tunja, Boyac, Colombia.
Tel.: 57-8-7405626, Fax: 57-8-7405626, Ext. 2565
E-mail: {fabian,jimenez02, juan.salamanca}@uptc.edu.co

Abstract: This paper focuses on study and comparison of adaptive LMS filters modeling
simulation and performance characteristics used for echo cancellation applications. In that
sense, three conventional adaptive filtering algorithms are revised, Least Mean Squares
algorithm (LMS), Normalized Least Mean Squares algorithm (NLMS) and Signed Least
Mean Squares algorithm (SLMS). The implementation of adaptive filters is performed
considering FIR structures with a number of preset taps to minimize the variation of the
error signal using the Digital Signal Processing Toolbox from Matlab-Simulink,
where the echo was simulated by adding attenuated and delayed images over voice signal
input. Finally the comparison between the algorithms was evaluated using performance
indices such us time response, convergence velocity and ERLE spectral analysis.

Keywords: Acoustic Echo Canceller, Least Mean Square Adaptive Algorithm, Adaptive
Filters.

Resumen: Este trabajo se centra en el estudio y la comparacin de las caractersticas de

modelado, simulacin y desempeo de filtros adaptativos LMS utilizados para
aplicaciones de cancelacin de eco. En ese sentido, tres algoritmos de filtrado adaptativo
convencionales se revisan, el algoritmo de Mnimos Cuadrados Promediados
Convencional (LMS), el algoritmo LMS Normalizado (NLMS) y el algoritmo LMS
signado (SLMS). La puesta en prctica y la simulacin de los filtros adaptativos se realiza
teniendo en cuenta estructuras FIR digitales con un nmero de etapas preestablecidas para
minimizar la variacin de la seal de error utilizando el Toolbox Digital Signal
Processing de Matlab-Simulink, donde el eco se simul mediante la adicin atenuada
y las imgenes retardadas y atenuadas de una entrada de seal de voz. Por ltimo, la
comparacin entre los algoritmos se evalu mediante ndices de desempeo tales como
respuesta temporal, velocidad de convergencia y anlisis espectral ERLE.

Palabras clave: Cancelador de Eco Acstico, Algoritmo de mnimos Cuadrados

Promediados LMS, Filtros Adaptables.

1. INTRODUCCIN telecomunicaciones el eco acstico se produce

cuando existe acoplamiento acstico entre un
Los sistemas de comunicaciones mviles constan
micrfono y un altavoz situados en el interior de
de una entrada acstica acoplada (micrfono) y
un recinto (Gay y Benesty, 2000).
dispositivos de salida (altavoz), los cuales estn
Cuando tanto el micrfono como el altavoz
activos simultneamente, como por ejemplo, los
pertenecen a un sistema de telecomunicaciones,
manos-libres en los sistemas de telefona celular.
la comunicacin puede verse afectada porque los
Para aplicaciones especficas en sistemas de
usuarios pueden llegar a escuchar su misma voz

1
Universidad de Pamplona
 ISSN: 1692-7257
retrasada, reducindose as la capacidad de
comunicacin.
Este fenmeno se hace notable porque la seal de
voz o audio reverbera en un entorno real, dando
lugar a una seal compuesta por la seal original
con atenuacin, sumada a imgenes retrasadas de
la misma seal, este fenmeno genera una
interferencia de la seal acstica (Brening, Et.
Al, 1999).
Cuando una seal es recibida por el sistema, sta
sale a travs del altavoz en un entorno acstico, y
repercute en el medio ambiente, en donde la
seal retorna al sistema a travs del micrfono de
entrada como se aprecia en la Fig. 1:
Fig. 1. Origen de eco acstico
El modelo de la seal de eco se ilustra en la
Ecuacin (1):
Estas seales que repercuten o reverberan
contienen imgenes retrasadas de la seal
original, que luego retornan al remitente original,
en donde ak corresponde a la magnitud de la
atenuacin de la seal y tk al tiempo de retraso de
la seal. En consecuencia, la ocurrencia del eco
acstico en la transmisin de seales de audio o
voz causan interferencia y reduccin de la
calidad de la comunicacin.
Ese es el principio fundamental y la necesidad de
la cancelacin del eco acstico, el cual se
presenta tambin en sistemas de teleconferencias,
en los sistemas de comunicacin al interior de
vehculos, y en general es sistemas de
comunicaciones mviles en donde el entorno
acstico es sensitivo o est sometido a ruido.
2. EL PROBLEMA DEL RUIDO ACSTICO
En casi todas las conversaciones telefnicas los
ecos estn presentes, y, dependiendo de la
demora entre la ecos y las fuentes de eco, estas
interferencias pueden ser perceptibles o no. Si
este retraso supera unas pocas dcimas de
milisegundos el eco es perceptible y puede ser
bastante molesto (Ahgren, 2004).
La cancelacin de eco consiste en reconocer
primero la seal acstica originalmente
transmitida que retorna, con cierto retraso, en la
2
Universidad de Pamplona
Revista Colombiana de
Tecnologas de Avanzada
seal transmitida o recibida. Una vez que se
reconoce el eco, ste se elimina o remueve
mediante la resta algebraica de la seal
transmitida o recibida.
Gracias al desarrollo algortmico del
procesamiento digital de seales, una alternativa
tecnolgica eficaz para eliminar los ecos en
entornos acsticos es el filtrado adaptativo, que
mediante un modelo digital permite estimar el
eco original de diferentes sonidos a partir de la
trayectoria del eco, inclusive cuando las
condiciones del entorno varen en el tiempo
como por ejemplo el desplazamiento de las
personas, el movimiento o posicionamiento de
los sistemas de telecomunicaciones y el cambio
de las propiedades del medio ambiente en donde
se entable la comunicacin (entornos cerrados o
abiertos, paredes, pisos, pasillos). As mismo, la
adaptacin del filtro adaptativo es variable con el
tiempo, implicando su naturaleza dinmica en
tiempo real, sumado a ser una solucin
econmicamente y tcnicamente abordable con
la tecnologa de procesadores digitales de seal.
En la Fig. 2 se representa la estructura de un
filtro adaptativo utilizado para cancelacin de
eco, el cual comprende los bloques funcionales
especficos: Filtro Digital Adaptativo,
Comparador y el Algoritmo de Adaptacin.
Fig. 2. Diagrama de bloques que define las
entradas y salida de un Filtro Adaptativo
Genrico (Adali and Haykin, 2010).
La configuracin genrica de un filtro adaptativo
para cancelacin de eco mostrado en la figura 3,
establece un numero de iteraciones k, donde la
seal de entrada se denota como x[k], x[k]
ingresa al Filtro Digital Adaptativo y como
resultado entrega la seal de salida y[k]. Al
comparase y[k] con la seal deseada o de
referencia d[k] se genera la seal de error e[k] =
d[k] y[k]. La seal de error se usa en
combinacin con los elementos de entrada x[k]
para calcular una funcin de rendimiento (costo)
que es requerida por el Algoritmo de Adaptacin
con el fin de determinar la actualizacin
apropiada de los coeficientes del filtro, en base a
algn criterio definido. El hecho de que el filtro
digital adapte o actualice sus coeficientes,
implica que tenga un comportamiento no lineal.
Adicionalmente, debido a la longitud de un
trayecto de eco tpica (100 - 400 ms), el nmero
de coeficientes de filtro puede ser bastante
grande (1000 - 10000), por tanto, el cancelador
 ISSN: 1692-7257
de eco debe ser capaz de adaptarse rpidamente y
la capacidad de seguimiento de filtros
adaptativos puede ser til para seguir estos
cambios (Sayed, 2010).
2.1 Estructura de Filtrado Adaptativo para
Cancelacin de Eco
La Fig. 3. representa el esquema bsico de
cancelacin de eco, considerando que existen
exclusivamente un micrfono y un altavoz en el
interior de un recinto, por lo que se habla en este
caso de cancelacin monocanal.
Fig. 3. Diagrama de bloques del sistema de
cancelacin de eco adaptativo.
El elemento principal del cancelador de eco
(Sayed, 2000) es el filtro adaptativo que
identifica o modela la funcin de transferencia de
la trayectoria del eco acstico es decir, la
respuesta al impulso H[k] del sistema
comprendido entre el altavoz, el recinto y el
micrfono, para obtener una rplica y[k] de la
seal yh[k]por medio del filtro adaptativo W[k]
(Makino, Et. Al, 1993). Dado que la respuesta al
impulso vara con las condiciones del entorno y
el hablante, el filtro adaptativo se utiliza para
identificar H[k]. La seal deseada d[k] se obtiene
mediante la convolucin de la seal de entrada
enviada al altavoz x[k] con la respuesta al
impulso del ambiente acstico, y una rplica de
eco se crea a la salida del filtro adaptativo, que
incluye otras seales, entre las que se destacan el
ruido ambiente y la seal de voz del hablante
representadas como n[k]. La rplica de eco y[k]
se sustrae a continuacin de la seal de eco
capturada por el micrfono d[k] obtenindose la
seal de error e[k].
Los algoritmos de adaptacin que alteran los
coeficientes del filtro con el fin de minimizar la
funcin de la diferencia entre la seal d[k] y su
salida actual y[k] permiten obtener la funcin de
costo o de peso del algoritmo adaptativo W[k].
En ese sentido W[k] representa la dinmica del
filtro adaptativo utilizado para cancelar la seal
de eco, es decir representa la actualizacin
continua de sus coeficientes. El filtro adaptativo
intenta igualar su salida y[k] a la salida del eco
generado dentro del entorno acstico d[k]. En
cada iteracin e[k] = d[k] y[k], la seal de
error se alimenta de nuevo en el filtro, donde sus
3
Universidad de Pamplona
Revista Colombiana de
Tecnologas de Avanzada
caractersticas son en consecuencia variables
(Haykin, 2013). La seal de error retorna al filtro
para actualizar el peso o ganancia de sus
coeficientes a partir de los algoritmos de
adaptacin con el fin de minimizar la funcin de
esta diferencia. En el caso de cancelacin de eco
acstico ideal, la salida ptima del filtro
adaptativo es igual al valor de la seal de eco, sin
embargo esta cancelacin o es perfecta
(Bellanger, 2001).
Idealmente, cuando la salida del filtro
adaptativo es igual a la seal deseada, la seal de
error converge a cero, es decir se obtiene una
seal libre de eco, el cual es cancelado por el
sistema adaptativo y garantiza que el hablante u
oyente no escuche ningn eco, silbido o
interferencia acstica (Haykin, 2013; Diniz,
2008; Duttweiler, 2000).
En consecuencia, el Filtro Digital Adaptativo
W[k] es ajustado para disminuir la potencia de
error en cada intervalo de muestreo k. El
algoritmo de adaptacin debe proporcionar un
funcionamiento en tiempo real, de rpida
convergencia, y un elevado mejoramiento de la
estimacin de prdida de retorno del eco ERLE
(Echo Return Loss Enhancement).
El rendimiento de un cancelador de eco se
mide comnmente por un parmetro llamado
estimacin de la prdida de retorno de eco
ERLE, que mide la cantidad de prdida
introducida por el filtro adaptativo, mediante la
valoracin de la relacin entre la potencia de la
seal entrante a cancelar d[k] y la potencia de la
seal de error residual e[k] inmediatamente
despus de la cancelacin (Ajadi, Et. Al 1997;
Kuch, 2005). Este parmetro se mide en dB y
constituye un criterio de evaluacin significativo,
ya que relaciona la mejora en la impresin
acstica del usuario lejano, es decir, establece en
forma efectiva si la potencia de la seal del eco
se reduce o no. Este parmetro depende del
tamao del filtro adaptativo y del diseo de los
algoritmos, y cuanto mayor sea el valor de
ERLE, mejor ser el desempeo del cancelador
de eco. La definicin de este parmetro es:
Donde el operador E() corresponde a la
esperanza estadstica, que se calcula como
promedio. Otro parmetro de evaluacin de
desempeo del filtro adaptativo es el Error
Medio Cuadrtico MSE (Mean Square Error), el
cual estima la energa del error residual mediante
la Ecuacin (3), (Duttweiler, 2000):
 ISSN: 1692-7257
Revista Colombiana de
Tecnologas de Avanzada

3. ALGORITMOS LMS PARA FILTRADO esperanza E[]. Debido a que la superficie de

ADAPTATIVO error, o funcin de error no es conocida y debe
ser estimada a partir de la informacin de la
Los algoritmos de adaptacin son algoritmos de
entrada x[k]. A esta dificultad (Stearns and
optimizacin cuya finalidad es obtener los
Widrow, 1985) propuso reemplazar el gradiente
parmetros o coeficientes que definen la
instantneo por un gradiente estimado:
naturaleza del filtro que minimicen algn criterio
preestablecido. En esta aplicacin el criterio a
minimizar gira entorno a la seal capturada en el
punto de cancelacin, el error de cancelacin. Que de la Ecuacin (6) se puede redefinir como:
Esquema general de un sistema cancelador de
eco mostrado en la Fig. 2, se compone de dos
entradas, la entrada primaria d[k] (seal Donde X[k] corresponde al vector de entradas del
deseada), y la entrada de referencia x[k] (seal filtro.
con eco). H(z) representa la funcin de
transferencia de la trayectoria del eco acstico
Entonces sustituyendo la Ecuacin (10) en la
(Olivares, 2001; Lankila , 2008; Cuenca, 2005).
Ecuacin (6) se obtiene la expresin que define
3.1 Algoritmo LMS (Least Mean Square) el algoritmo de adaptacin LMS definitivo:
El algoritmo de mnimos cuadrados promediados
fue propuesto por primera vez por Widrow y Hoff El algoritmo LMS expresado en la Ecuacin (11)
en 1960, y es el algoritmo de filtrado adaptativo indica que el peso del coeficiente del filtro en un
ms usado ya que realiza una simplificacin del estado siguiente W[k+1] depende del peso del
clculo del vector gradiente posible modificando coeficiente del filtro en su estado actual W[k], del
apropiadamente la funcin de costo (Stearms and factor de convergencia , de la seal de error e[k]
Widrow, 1985; Widrow and Hoff, 1960). Este y de la seal de entrada del filtro X[k]. La
algoritmo pertenece a la familia de algoritmos de variacin o ajuste de los coeficientes del filtro
gradiente estocstico, fundamentado en la con este algoritmo se realiza hasta que el error
bsqueda del gradiente descendente, el cual cuadrtico medio sea minimizado (Fig. 4). La
calcula el sentido de la mxima variacin de la
seleccin del valor del factor de convergencia
funcin de error y posteriormente, se mueve por
es fundamental ya que determina el error mnimo
la superficie de error en sentido negativo del
local ptimo en la solucin de Widrow-Hopf, as
gradiente apuntando haca un mnimo local (Fig.
como la velocidad de convergencia y estabilidad
4). El algoritmo LMS tpico se describe en la
del filtro (Paleogu, Et. Al 2009).
Ecuacin (4) (Muoz, 2007):

Donde W[k] es el vector de coeficientes del filtro,

es el gradiente de la superficie de error
cuadrtico medio y es un parmetro constante
que controla la estabilidad y velocidad de
adaptacin del algoritmo. En consecuencia este
algoritmo ajusta los pesos del filtro hasta que el
error cuadrtico medio sea minimizado (MSE),
donde el gradiente de la superficie de error es Fig. 4. Superficies Mean Square Error (MSE).
un vector de derivadas con respecto a cada uno
El algoritmo LMS, as como los relacionados con
de los pesos dado por la Ecuacin (5)
l, debido a su simplicidad computacional
(Velsquez, 2006):
resume su comportamiento en la iteracin y
actualizacin de los pesos de las etapas del filtro
adaptativo de acuerdo con las Ecuaciones (12,
13, 14 y 15):
Y como la seal de error definido a partir de la Inicializacin:
Fig. 2 est dada por:
Para k 0:
Se puede definir el gradiente como: Salida del Filtro:

Pero el clculo del gradiente no es tan simple en

la prctica debido a la presencia del operador

4
Universidad de Pamplona
 ISSN: 1692-7257
Clculo del error:
Clculo de Coeficientes:
Donde X[k] = [x0[k] x1[k] xN[k]]T = [x[k] x[k
1] x[k N]]T es el vector de entrada que
representa una lnea de retardo con derivaciones,
W[k] = [W0[k] W1[k] WN[k]]T representa el
vector de adaptacin o actualizacin de
coeficientes del filtro, N corresponde a la
longitud, orden o nmero de etapas del filtro, y
es el parmetro constante que determina la
velocidad de convergencia y adaptacin del
algoritmo. En cuanto al factor de convergencia ,
ste debe cumplir la condicin de la Ecuacin
(16) (limitacin de estabilidad) para garantizar la
convergencia de los coeficientes, el cual debe ser
elegido dentro del intervalo:
Donde mx es el mayor valor propio de la matriz
auto-correlacin de X[k] (Poularikas, 2006). La
limitacin de estabilidad en dada en la
Ecuacin (16) no es prctica, porque
computacionalmente el clculo de los valores
propios mx es complejo cuando N es muy
grande. Entonces el valor de debe ser calculado
sobre la base de una serie de criterios tales como
la tasa de muestreo, efectos del medio ambiente
que tendr en d[k] y el tipo de seal de
referencia; ya que en una seal peridica, el valor
de la constante de adaptacin debe ser menor que
cuando la seal es de naturaleza aleatoria. En
este sentido, si el valor es pequeo la velocidad
de convergencia es baja y el tiempo que tarda el
filtro adaptativo en converger a una solucin
ptima ser demasiado largo, a pesar de que el
error medio cuadrtico disminuye; y si el valor
de es grande el error medio cuadrtico es
elevado y el filtro adaptativo puede volverse
inestable y su salida puede diverger, pero en
contraprestacin la velocidad de convergencia es
elevada (Eneman, 2003; Khrisna, 2010).
Al disear un filtro adaptativo la complejidad
computacional del algoritmo de adaptacin para
el funcionamiento en tiempo real est
determinada por dos factores principales
(Manikandan, 2006; Duttweiler, 2000). El
nmero de multiplicaciones (o divisiones) por
iteracin, y la precisin necesaria para realizar
las operaciones aritmticas. En cada iteracin, el
algoritmo LMS requiere aproximadamente N
multiplicaciones para calcular la salida del filtro
y N+1 multiplicaciones para calcular e[k]X[k],
es decir se requiere de 2N+1 multiplicaciones y
sumas reales en total por iteracin (Meler, 2005)
5
Universidad de Pamplona
Revista Colombiana de
Tecnologas de Avanzada
Existen mejoras al algoritmo LMS tradicional
para obtener velocidades de convergencia ms
rpidas o para simplificar el algoritmo, las cuales
se clasifican en dos grupos: variantes con baja
complejidad computacional y variantes con
factor de convergencia variable.
3.2 Algoritmos SLMS
Los algoritmos SLMS o LMS Signados permiten
simplificar el algoritmo LMS original
disminuyendo el nmero de operaciones
matemticas realizadas, dependiendo del signo
del error o del signo del dato de entrada.
Al tener en cuenta el signo del error, se altera la
magnitud de la correccin en la actualizacin del
vector de coeficientes, mientras se mantiene la
direccin (gradiente estimado) equivalente al
algoritmo LMS con una convergencia
inversamente proporcional a la magnitud del
error. Otra variante de algoritmos signados, es el
algoritmo LMS con signo del dato que altera la
direccin del vector actualizado. Por este motivo,
es menos robusto que el LMS, y en algunos
casos los coeficientes divergen mientras alcanzan
la convergencia.
Finalmente el algoritmo LMS con signo del
signo, introduce un trmino de prdidas para
garantizar la estabilidad. Generalmente, este
algoritmo converge ms lentamente que el
algoritmo LMS y tiene un exceso MSE mayor,
pero su simplicidad lo ha hecho muy popular.
3.3 Algoritmo NLMS
El algoritmo LMS Normalizado (Zhao, Et al,
2013; Jamel, 2013), tiene por objetivo
independizar la convergencia de la potencia de la
seal de entrada, por ello, es ms robusto que el
algoritmo LMS. El algoritmo NLMS emplea el
mtodo de mxima pendiente, en donde la
estimacin del gradiente es muy ruidosa, y el
factor de convergencia presenta un compromiso
entre la convergencia y la precisin, es decir
varia en el tiempo. El NLMS es el algoritmo ms
conveniente cuando se desconoce cul es el
factor de convergencia adecuado para conseguir
un funcionamiento ptimo del filtro, ya que tiene
en cuenta la potencia de la seal de referencia,
asegurando la convergencia del algoritmo. El
algoritmo NLMS, por lo general, converge
mucho ms rpido que el LMS con un nmero de
operaciones extra muy pequeo; sin embargo, ha
demostrado ser inestable en su forma regular
cuando el factor de convergencia tiende a
acercarse al lmite superior admisible sobre todo
en etapas iniciales. Las expresiones que
especifican el algoritmo NLMS, se resumen en
las Ecuacin (17), la cual, al ser sustituidas en la
Ecuacin (11) definen la expresin de la
Ecuacin (18):
 ISSN: 1692-7257
En la prctica, una forma de asegurar la recursin
es utilizando la Ecuacin 19:
(19)
Donde y son parmetros constantes. En
general, para ambos mtodos, un estimado suave
de la potencia ocurre cuando la longitud
(efectiva) de la ventana es mayor, pero
entonces, el filtro no podr responder a
repentinos cambios de potencia (Zhao, Et. Al,
2013). Intuitivamente, en el algoritmo NLMS, el
nmero de operaciones aumenta con respecto al
LMS, al calcular la potencia de la seal de
entrada. No obstante, la complejidad del
algoritmo NLMS es relativamente baja del orden
O(3N), lo que implica que en cada iteracin, la
actualizacin de un coeficiente requiere 3N +1
multiplicaciones y 3N sumas.
4. SIMULACIN Y ANLISIS DE
RESULTADOS
4.1 Implementacin Digital del Cancelador de
Eco usando Matlab
Para la implementacin de los algoritmos de
filtrado adaptativo del Cancelador de Eco se
emple el Signal Processing Toolbox de
Matlab-Simulink y los bloques funcionales
como From Media File, Delay, Signal to
Workspace, To Audio Device, LMS Filter, NLMS
Filter y SLMS Filter entre otros.
El modelo de generacin de eco mostrado en la
Fig. 5 se implement a partir de una seal de
audio de voz en formato *.wav muestreada
uniformemente con modulacin PCM de 16 bits
signados (Pulse Code Modulation), a una tasa de
muestreo de 22050 Hz.
Fig. 5 Modelo Generador de Eco en Simulink
Cada bloque de filtrado de Simulink posee en
la parte superior los puertos de entrada y salida
de seal (Input y Output respectivamente) y en la
parte inferior se disponen la entrada de seal
deseada y la salida del error (Desired y Error
respectivamente). Cada bloque se configur de la
6
Universidad de Pamplona
Revista Colombiana de
Tecnologas de Avanzada
siguiente manera: en el puerto Input se introduce
la seal de audio generada del modelo de eco, es
decir, la seal original de audio ms su eco; en la
entrada Desired se introdujo la seal de audio
deseada original; en el puerto Output se entrega
la seal con supresin de eco definitiva que
ingresa a un bloque Signal to Workspace para ser
visualizada y en la salida Error se obtiene la
diferencia entre la seal deseada y la salida del
filtro adaptativo que ingresa a un bloque Signal
to Workspace para ser visualizada. Los modelos
implementados y simulados se muestran en la
Fig. 6, en donde las condiciones de simulacin
el nmero de etapas fueron equivalentes (100
etapas), el modelo se replic para los algoritmos
LMS, NLMS y SLMS.
Figura 6. Modelo Cancelador de Eco con
Algoritmo NLMS simulado.
4.2 Procedimiento Experimental
El procedimiento experimental de simulacin y
captura de informacin de los algoritmos de
cancelacin de eco se realiz en cuatro etapas: la
primera etapa correspondi a la configuracin de
los bloques funcionales de los filtros bajo
condiciones de operacin equivalentes para
poder comparar el resultado y la definicin del
tiempo de simulacin; la segunda etapa
correspondi a la simulacin y clculo de la
estimacin del error medio cuadrtico de las
respuestas de los algoritmos, en tercera instancia
se realiz la medicin del parmetro ERLE
(Estimacin de Prdida de Retorno del Eco) para
evaluar el desempeo del cancelador de eco y
finalmente se evalu mediante simulacin del
tiempo de retardo entre la seal con eco y la
seal con eco suprimido para evaluar el costo
computacional de los algoritmos. A continuacin
se describen cada una de las etapas descritas.
4.2 Anlisis de Resultados
4.2.1Anlisis Temporal y Acstico
Al realizar el anlisis de los algoritmos
adaptativos para cada uno de los canceladores de
eco implementados teniendo en cuenta los
parmetros de aproximacin de la seal original
deseada d[k] con la seal de salida y[k] se
obtuvieron los resultados mostrados en las Fig.s
7, 8 y 9. Al observar estos resultados se puede
apreciar que las componentes de eco presentes no
fueron removidas apropiadamente por los tres
algoritmos de filtrado adaptativo.
 ISSN: 1692-7257
Fig. 7. Seal deseada d[k] original sin eco y
seal de salida del filtro adaptativo y[k] con
Algoritmo SLMS.
Fig. 8. Seal deseada d[k] original sin eco y
seal de salida del filtro adaptativo y[k] con
Algoritmo NLMS.
Fig. 9. Seal deseada d[k] original sin eco y
seal de salida del filtro adaptativo y[k] con
Algoritmo LMS.
Se puede apreciar que el filtro adaptativo NLMS
(Fig. 8) presenta un mejor desempeo con
respecto a los otros dos filtros especficamente en
regiones como las marcadas en los recuadros,
seguido por el filtro SLMS y del filtro LMS
respectivamente. En los recuadros se aprecia en
cierta manera el error introducido al realizar la
eliminacin del eco estimado. Al escuchar la
seal de salida del filtro en el parlante se aprecia
la cancelacin de la seal de eco.
4.2.2 Anlisis Error Medio Cuadrtico
Las figs. 10, 11 y 12 muestran la respuesta
frecuencial del error medio cuadrtico estimado
para los tres algoritmos LMS. Es evidente que el
algoritmo NLMS tiene menor tiempo de
convergencia y presenta un desajuste bajo en
comparacin con los algoritmos LMS y SLMS,
7
Universidad de Pamplona
Revista Colombiana de
Tecnologas de Avanzada
esta caracterstica se manifiesta en la baja
amplitud de la seal de Error MSE.
Fig. 10. Estimacin del Error Medio Cuadrtico
del cancelador de eco Algoritmo LMS.
Fig. 11. Estimacin del Error Medio Cuadrtico
del cancelador de eco Algoritmo SLMS.
Fig. 12. Estimacin del Error Medio Cuadrtico
del cancelador de eco Algoritmo NLMS.
4.2.3 Anlisis ERLE
Como se seal anteriormente, la unidad ERLE
mide el potencial de cancelacin de eco. Este se
calcul a partir de la Ecuacin (2). Las grficas
del parmetro ERLE para los algoritmos de
cancelacin de eco simulados se representan en
la Fig. 13. Aqu se ve que el algoritmo NLMS
presenta el mayor valor ERLE, seguido del
algoritmo SLMS y finalmente el algoritmo LMS
convencional describe le menor valor ERLE. El
hecho de que el valor ERLE sea mayor indica
que se consigue una mejor supresin de eco. El
orden de la mejora de este parmetro es de 8 dB
a 10 dB, del algoritmo NLMS con respecto al
algoritmo SLMS y LMS respectivamente.
Fig. 13. Anlisis de la Prdida de Retorno de
Eco ERLE para los algoritmos simulados.
A partir de los resultados de la simulacin se
evidencia que, el tamao del paso variable del
algoritmo adaptativo LMS normalizado da un
error ms pequeo y proporciona un mejor
rendimiento que el algoritmo convencional de
paso fijo LMS y el algoritmo LMS signado.
 ISSN: 1692-7257
4.2.4 Anlisis de Convergencia
Este parmetro permite determinar el tiempo que
tarda el algoritmo de filtrado adaptativo para
calcular el valor ptimo de coeficientes para
obtener la seal de salida del filtro libre de eco.
Figura 14. Resultados de clculo de
convergencia para el cancelador de eco usando
algoritmos de adaptacin LMS, NLMS y SLMS.
La Fig. 14 representa la ruta de convergencia
para los algoritmos de adaptacin simulados,
donde se observa que el tiempo de convergencia
es mnimo para el algoritmo NLMS (1,5 seg) y
mximo para el algoritmo LMS (2,1 seg),
mientras que la amplitud del retraso para el
algoritmo SLMS describi un tiempo intermedio
(1,9 seg). Por lo tanto, el algoritmo NLMS ofrece
mejor desempeo desde el punto de vista de
costo computacional en la cancelacin del eco.
5. CONCLUSIONES
Se llev a cabo con xito el desarrollo de los
algoritmos de filtrado adaptativo LMS, SLMS y
NLMS con el soporte de la herramienta de
simulacin Matlab, as como la comprobacin
de su funcionalidad para compensar el eco de
una seal de voz. Estos resultado permiten
conocer y anticipar el comportamiento de las
seales, y sirven de base para la ejecucin de los
algoritmos para ser implementados
procesadores digitales de seal.
Teniendo en cuenta el anlisis temporal, anlisis
espectral ERLE y el anlisis de convergencia de
tres algoritmos de filtrado adaptativo, este trabajo
concluye que el algoritmo NLMS es el ms
adecuado para la cancelacin de eco. Al analizar
el comportamiento de la respuesta en el tiempo y
escuchando las respuestas de audio de la
estimacin de la seal de salida, tambin se
puede concluir que la calidad temporal percibida
y la textura es mejor para el algoritmo NLMS,
seguido del algoritmo SLMS y LMS.
REFERENCIAS
Gay, S. L. and Benesty, J. (2000). Acoustic Signal
Processing for Telecommunication. Kluwer
Academic Publishers, Boston, MA.
Universidad de Pamplona
View publication stats
Revista Colombiana de
Tecnologas de Avanzada
Breining, C., Dreiseitel, P., Hansler, E., Mader, A.,
Nitsch, B.,Puder, H., Schertler, T., Schmidt, G.,
and Tilp, J. (1999). Acoustic Echo Control.
IEEE Signal Proc. Magazine, 16, 42 69.
Per Ahgren, (2004), An environment for real time
laboratory exercises in acoustic echo
cancellation, Ph.D. Dissertation, Department of
systems and control, Uppsala University,
Uppsala, Sweden.
Adali, T. and Haykin, S. (2010). Adaptive and
Learning Systems for Signal Processing,
Communications, and Control, John Wiley &
Sons.
Sayed, A. (2008). Adaptive Filters, John Wiley.
Makino, S., Kaneda, Y. and Koizumi, N. (1993).
Exponentially weighted step size NLMS
adaptive filter based on the statistics of a room
impulse response, IEEE Trans. on speech and
audio Processing, vol. 1, No.1, pp.101-108.
Haykin, S. (2013). Adaptive Filter Theory, Pearson
Education, Prentice Hall. 5th Edition.
Bellanger, M. (2001). Adaptive Digital Filters and
Signal Analysis, Marcel Deckr, N. Y. 2nd Ed.
Diniz, P. S. (2008). Adaptive Filtering: Algorithms
and Practical Implementation. 3rd edition
Springer, New York, NY, USA.
Duttweiler, D. L., (2000). Proportionate normalized
least mean square adaptation in echo cancellers,
IEEE Transactions on Speech and Audio
Processing, Vol. 8, pp. 508518, Sept. 2000.
Jimnez, F. y Crdenas P., (2011). Diseo e
Implementacin de Filtros Antialiasing para la
Adquisicin de Armnicos de Corriente y
Tensin en un FAP, Revista Colombiana de
Tecnologas de Avanzada, Vol. 2, Nm. 18, pp.
10 17, Nov. 2011.
Ruiz, J. O. (2010). Implementacin de Filtros
Adaptativos en Tecnologas de Lgica
reconfigurable, Revista Colombiana de
Tecnologas de Avanzada, Vol. 2, Nm. 16, pp.
92 98, Ago. 2010.
Lankila, A. (2008). Simulation Model for an Active
Noise Control System - Development and
Validation. Helsinki University Of Technology.
e
Cuenca, D. y Muoz. A. (2005). Control Activo de
Ruido. Universidad de Costa Rica.
Stearns, S. D. and Widrow, B. (1985) Adaptive Signal
Processing, Prentice-Hall, N.Y.
Muoz, E.A. y Tapia, X. A. (2007). Diseo e
Implementacin de un Sistema de Reduccin del
Ruido Industrial en la Comunicacin entre
Operadores. Escuela Politcnica Nacional.
Velazquez, J., Sanchez, J. y Perez, H. (2006).
Adaptive filters with codified error LMS
Algorithm, International Journal
Electromagnetic Waves and Electronic Systems,
Vol. 1, pp. 23 28, Jul. 2006.
Moreno, F. y Bandarra E., (2009). Propuesta de uso
de control adaptativo en resfriadores de agua
para usar en sistemas de refrigeracin por
compresin de vapor, Revista Colombiana de
Tecnologas de Avanzada, Vol. 2, Nm. 14, pp.
96 101.
8