本文提出了一种提交给 AEC 挑战赛的实时声学回声消除 (AEC) 算法。该算法由三个模块组成：基于时延补偿的广义互相关与PHAse变换（GCC-PHAT）、基于加权递归最小二乘（wRLS）的线性自适应滤波和基于神经网络的残余回声抑制。wRLS 滤波器源自一种新颖的半盲源分离视角。神经网络模型根据对齐参考和线性滤波器输出来预测相敏掩模(PSM)。该算法的平均主观得分为 4.00，在 AEC-Cha

（3）NLP回声残差抑制网络进行mask的学习：Deep Feedforward Sequential MemoryNetwork (Deep-FSMN)；深度前馈顺序记忆网络；输入：回声信号的估计Y，残差信号E，近端麦克风信号D（三个输入均是Fbank特征，维度是80）；输出：ISTFT（Mask*STFT(e))（2）Linear Filter 线性滤波器，进行回声信道估计：wRLS 加权递归

【代码】基于wRLS滤波器和神经网络回声残留抑制的AEC模型——延迟估计TDE。

深度学习（PyTorch）——librosa库的使用

语音增强——DNN（深度神经网络）频谱映射

深度学习（PyTorch）——残差网络（ResNet）

深度学习（PyTorch）——循环神经网络（RNN）基础篇四

深度学习（PyTorch）——线性回归

FSMN类似于FIR滤波器， 即输出由当前输入和历史的输入加权求和。

【代码】基于wRLS滤波器和神经网络回声残留抑制的AEC模型——线性滤波wRLS的实现细节。