FXLMS 与主动降噪系统架构
主动降噪（ANC, Active Noise Control）的核心思路是用扬声器发出一个与噪声相位相反、幅值相同的声波，通过相消干涉抵消掉目标区域的噪声。落地到硬件系统，需要解决两个问题：用什么传感器感知噪声，以及用哪种控制策略生成抗噪声。这两点决定了 ANC 系统的架构分类——前馈、反馈和混合式。
前馈式 ANC
前馈式 ANC 用一只参考麦克风置于噪声进入方向，提前采集噪声源信号送给 DSP 处理，再由扬声器输出抗噪声。在人耳附近另设一只误差麦克风，监测残余噪声并反馈给自适应算法做权重修正。
信号链路：
| |
下图展示了前馈 ANC 的完整信号流，包含参考麦克风、自适应滤波器、次级路径和误差反馈环路：
flowchart TD
SRC["噪声源"] --> REF["参考麦克风"]
REF --> W["自适应滤波器<br/>W(z)"]
W --> SPK["扬声器"]
SPK -->|"次级路径 S(z)"| EAR["人耳"]
EAR --> EMIC["误差麦克风"]
EMIC -->|"e(n) 反馈"| W
classDef src fill:#f44336,color:#fff
classDef mic fill:#2196F3,color:#fff
classDef proc fill:#9C27B0,color:#fff
classDef out fill:#4CAF50,color:#fff
class SRC src
class REF,EMIC mic
class W proc
class SPK,EAR out前馈架构能提前感知噪声，对宽带随机噪声的抑制效果最好。它的前提是参考麦克风与噪声源之间有稳定的声学耦合——如果用户转头、佩戴松动，次级路径变了，抵消效果就会下降。这也是前馈方案最敏感的地方：次级路径 $S(z)$ 的变化直接反映到误差信号里，自适应滤波器必须持续跟踪。
消费级场景中，前馈麦克风往往开在耳机外壳上，专门采集环境噪声；误差麦克风藏在耳罩内部靠近耳道的位置。
反馈式 ANC
反馈式 ANC 不需要参考麦克风。它只靠误差麦克风采集耳罩内的残余噪声，把整个系统当作一个负反馈环路来处理。
结构上的优势很直接：省一个麦克风，硬件成本和结构设计都简化。但代价是反馈系统只能对已经传到耳朵的噪声做事后补偿，对突发噪声的反应天然滞后。反馈式对周期性窄带噪声（发动机轰鸣、变压器嗡鸣）效果突出，因为这类噪声有规律，反馈环路能很快锁定相位。然而反馈环路天然存在稳定性问题——设计不当容易自激振荡。
单从控制理论角度看，反馈式 ANC 等价于一个高增益负反馈系统，开环传递函数的相位裕度必须留够。
混合式 ANC
混合式是前馈和反馈的结合：既保留外壳上的参考麦克风，也保留耳罩内的误差麦克风。
高端消费降噪耳机（AirPods Pro、Sony WH-1000XM 系列）清一色走混合路线。前馈通道负责宽带环境噪声（街道、风噪），反馈通道专攻耳罩内部残留的低频窄带噪声。两套滤波器独立运行，在 DSP 里叠加输出。
代价也很明确：两套自适应滤波器、两套次级路径辨识，计算量和内存占用几乎翻倍。对嵌入式平台来说，功耗和实时性是需要审慎评估的约束。
三种架构的对比示意：
flowchart TD
subgraph 前馈
F1["参考麦克风"] --> F2["W(z)"] --> F3["扬声器"]
F4["误差麦克风"] --> F2
end
subgraph 反馈
B1["误差麦克风"] --> B2["控制器"] --> B3["扬声器"]
B3 --> B1
end
subgraph 混合
H1["参考麦克风"] --> H2["前馈 W₁(z)"] --> H5["Σ"] --> H6["扬声器"]
H3["误差麦克风"] --> H4["反馈 W₂(z)"] --> H5
H6 --> H3
end多通道 ANC
立体声耳机天然需要两个独立的 ANC 通道——左右耳各一套。通道间存在声学串扰（左声道扬声器可能被右耳误差麦克风拾取），多通道系统必须用矩阵形式的滤波器结构解耦。每个通道都有自己的自适应滤波器和误差麦克风，各自的参考信号可能来自对应的参考麦克风。
FXLMS 算法详解
标准 LMS 自适应滤波器假设误差信号可以直接用于权重更新。但在 ANC 系统中，扬声器到误差麦克风之间存在次级路径 $S(z)$——包含 DAC、功放、扬声器、声学腔体、误差麦克风和 ADC 的完整链路。这个路径引入的幅相畸变如果不做补偿，LMS 会收敛到次优解，甚至直接发散。
FXLMS（Filtered-x LMS）的修正就是把次级路径的影响纳入权重更新路径。它不是直接用参考信号 $x(n)$，而是先用次级路径的估计模型 $\hat{S}(z)$ 对 $x(n)$ 做一次滤波，得到 $x’(n)$，再用 $x’(n)$ 参与权重更新。
推导很简单。定义:
- $x(n)$: 参考信号
- $y(n) = \mathbf{w}^T(n) \mathbf{x}(n)$: 滤波器输出
- $d(n)$: 目标信号（噪声在误差麦克风处的声学响应）
- $e(n) = d(n) - s(n) * y(n)$: 误差信号（$s(n)$ 是次级路径冲激响应）
权重更新方程：
$$ \mathbf{w}(n+1) = \mathbf{w}(n) + \mu \cdot e(n) \cdot \mathbf{x}’(n) $$
其中 $\mathbf{x}’(n) = \hat{s}(n) * \mathbf{x}(n)$ 是滤波后的参考信号向量。
FXLMS 的四步执行流程
下图展示了 FXLMS 算法的内部数据流，突出显示了 filtered-x 路径：
flowchart TD
X["参考信号 x(n)"] --> W["主滤波器 W(z)<br/>y = w^T · x"]
W --> OUT["输出到扬声器"]
X --> SHAT["次级路径估计 Ŝ(z)<br/>x' = ŝ * x"]
SHAT --> XF["滤波后参考信号 x'(n)"]
EMIC["误差信号 e(n)"] --> UP["权重更新<br/>w += μ · e · x'"]
XF --> UP
UP --> W
classDef input fill:#2196F3,color:#fff
classDef filter fill:#9C27B0,color:#fff
classDef key fill:#f44336,color:#fff
classDef output fill:#4CAF50,color:#fff
class X,EMIC input
class W,SHAT,UP filter
class XF key
class OUT output每次采样周期，FXLMS 执行以下 4 步：
步骤①：滤波参考信号
$$ x’(n) = \hat{s}(n) * x(n) $$
为什么需要"再滤一次"？普通 LMS 的权重更新假设误差信号的梯度方向直接可用，但 ANC 系统中误差信号 $e(n)$ 经过了次级路径 $S(z)$ 的畸变。如果不做补偿，权重更新的梯度方向是错的——算法在一个扭曲的坐标系里优化。FXLMS 用 $\hat{S}(z)$ 对参考信号预滤波，把梯度方向"校正"回来。
步骤②：滤波器输出
$$ y(n) = \mathbf{w}^T(n)\mathbf{x}(n) $$
标准 FIR 滤波，和普通 LMS 完全一样。
步骤③：误差信号
$$ e(n) = d(n) - s(n) * y(n) $$
注意这里用的是真实的次级路径 $s(n)$（实际物理路径），不是估计值 $\hat{s}(n)$。$d(n)$ 是噪声通过被动路径传到误差麦克风的信号，$s(n) * y(n)$ 是扬声器输出经次级路径到达误差麦克风的信号。
步骤④：权重更新
$$ \mathbf{w}(n+1) = \mathbf{w}(n) + \mu \cdot e(n) \cdot \mathbf{x}’(n) $$
关键区别：这里用的是 滤波后的参考信号 $x’(n)$ 而不是原始 $x(n)$。如果用 $x(n)$ 替换 $x’(n)$，FXLMS 就退化为普通 LMS，在 ANC 系统中无法收敛。
💡 数值例子：假设次级路径 $S(z)$ 引入 0.5ms 的群延迟（16kHz 采样率下约 8 个采样点）。如果不做 filtered-x 补偿，权重更新的梯度方向滞后了 0.5ms。对 1kHz 的噪声（周期 1ms）来说，这相当于半周期的相位差——权重更新方向几乎与正确方向正交，算法基本无法收敛。
次级路径离线辨识
$\hat{S}(z)$ 的系数通常在 ANC 开始之前通过离线辨识获得。操作方式：用扬声器播放白噪声，同时用误差麦克风采集响应，再用 LMS 辨识出路径的 FIR 系数。辨识完成后固定下来，在运行时不再更新。
下面的收敛曲线展示了 LMS 辨识过程中误差如何随迭代下降——从初始的大误差快速收敛到稳态：
下面是一个完整的 FXLMS 实现。重点关注 xf_buf 的作用——它是 FXLMS 区别于普通 LMS 的核心。
| |
代码中 xf_buf 是 FXLMS 的灵魂。fxlms_process 每次被调用时，先用 s_hat 对当前参考信号 x_ref 滤波得到 x_filtered，存入 xf_buf；权重更新时从 xf_buf 取数据，而非从 x_buf。这行代码：
| |
就是 FXLMS 与普通 LMS 的唯一区别，也是整个主动降噪算法能稳定收敛的关键。