Paper Review: A Regularized Block Diagonal RLS Algorithm for Acoustic Echo Cancellation

论文类型: 方法型

本文提出 RBD-RLS（Regularized Block-Diagonal RLS），通过将 RLS 的自相关矩阵近似为块对角结构、并逐块施加 Tikhonov 正则化，把每步更新复杂度从 O(N²) 降到 O(NL)（N 为滤波器长度，L 为子块长度）。论文属于经典自适应滤波谱系中的”降低 RLS 复杂度”分支，定位在 FRLS、RLS-DCD 等已知方案之间：它以牺牲跨块相关建模为代价换取复杂度，用正则化缓解初始阶段数值不稳定。全文为单单位工作（内蒙古民族大学），方法本身是块对角近似与对角加载两个既有技术的直接组合，创新增量有限，但问题陈述、推导与实验框架完整。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 7
• 依据: AEC 中 RLS 的高复杂度问题真实且明确。论文给出具体数字：滤波器阶数 N 在 512–2048 之间，标准 RLS 每步 O(N²) 矩阵更新对资源受限设备是实际负担（第 2.2 节）；FRLS 虽降到 O(N)，但存在有限精度下的数值不稳定（文中引 Cioffi & Kailath 1984 与实测发散佐证）。问题定义清晰：y(n)=h(n)*x(n)、d(n)=s(n)+y(n)+v(n)、最小化先验误差 e(n) 的框架在 2.1 节交代完整。范围界定得当——本文只针对 RLS 族在 AEC 线性回声路径估计中的应用，未声称覆盖双讲检测或非线性回声（结论中列为 future work）。扣分在于：问题背景并非空白，已有 FRLS（O(N)、不稳定）、RLS-DCD（稳健但隐式 O(N²) 数据拷贝）等答案，本文需要论证”为什么新的折衷点有价值”，而论证偏定性。
• Wiki 证据: arXiv API（id_list=2608.20693）查询成功，返回标题、作者（Ruibin Hou、Chenggang Zhang、Yufeng Diao）、cs.SD/eess.AS 分类与 2026-08-21 提交日期，与摘要一致。free-search（academic 分类，5 源）与 free-search-bing 对论文标题与 “block diagonal RLS acoustic echo cancellation” 查询均运行成功但无结果——该论文为新提交（约 6 天），尚未被索引或引用，属预期现象。OpenAlex API 查询因账户额度耗尽（daily budget exhausted，retryAfter≈59761 秒）失败，本次未能核实该库收录情况，已如实记录，不据此作推断。

公理二：识别公理

• 判定: ⚠️
• 分数: 6
• 依据: 基线选择基本合格：4.2 节之后的主实验对比了 RLS、FRLS、RLS-DCD（白噪声、有色噪声、回声路径突变三场景），5.1 参数敏感性场景含 NLMS 作为最小基线，真实场景用 ICASSP AEC Challenge 数据集。文中正确指出 FRLS 的低复杂度优势与其数值不稳定代价（2 节、5.5 节实测发散），也正确指出 RLS-DCD 的矩阵更新隐含 O(N²) 数据拷贝（引 Sutcliffe De Moraes 2024）。扣分有三点。其一，最直接的相关工作——分块自适应滤波（block adaptive filtering, Clark 1981）与块对角近似这一思想本身——全文仅作为一句话引文带过，未系统讨论 block-LMS/block-RLS 谱系，也没有与任何”部分更新 RLS”（如 M-Max 部分更新，文末参考文献 Fayadh 2014 已列却未对比）做实验对比。其二，Table 1 中 RLS-DCD 标为 O(N²)，与 FRLS 同样只标 O(N)，缺少对实际运行时间的测量对比——复杂度表对比的是大 O，而”内存拷贝”这类常数项恰恰是 RBD-RLS 宣称的优势所在，未量化。其三，缺少近十年主流的频率域 AEC（如 FFT 分块频域自适应滤波）作为实用替代方案对照，这对”面向实际部署”的宣称是重要缺失。
• Wiki 证据: GitHub API 确认论文引用的 RLS-DCD 基线代码仓库 ndemoraes/Fast-RLS-DCD-MATLAB 真实存在（stars=3），github.com/ndemoraes/Fast-RLS-DCD-MATLAB 可访问，基线可核实。GitHub 仓库搜索 “acoustic echo cancellation RLS” 命中 Spritea/AEC（LMS/RLS 实现，117 stars）、ewan-xu/pyaec（427 stars，含 time/frequency domain 自适应滤波）等开源实现，说明 AEC 自适应滤波领域有活跃的公开代码生态，而本文未提供任何代码。arXiv API 对 “block RLS adaptive”、”block-diagonal covariance adaptive”、”partial-update RLS” 等查询均无直接相关结果（部分查询返回 0 条），未能定位到与 RBD-RLS 完全同构的已发表先例，但这不能排除该思想在期刊文献中已存在（OpenAlex 限流无法交叉验证）。

公理三：独立性公理

• 判定: ✅
• 分数: 8

• 依据: 评测独立于训练/优化信号。方法无训练过程，评测指标是标准的外部客观量：系统失配 MIS=10lg(

  h−w

  ²/

  h

  ²)（真实回声路径 h 与估计 w 的归一化欧氏距离，dB）与 ERLE=10lg(E[d²]/E[e²])（回声返回损失增强），两者都是 AEC 领域的标准量化指标，不依赖作者自设的评分函数。前四个场景独立运行 100 次取平均以保证统计可靠性（第 5 节），回声路径突变场景切换两种不同 RIR 评估再收敛，真实场景使用第三方 ICASSP 2021 AEC Challenge 盲测集，数据来源独立。扣分在于：真实场景仅展示单条语音（ID “_5z9G2AP806bhcI0QF18Qg_farend_singletalk”）的 3 秒片段 ERLE 曲线，样本量偏少；各场景的随机回声路径为算法内部随机生成，缺乏跨多个房间冲激响应的系统性统计。数值稳定性声明（P 正定性）只做定性讨论，未给出条件数或发散率的量化证据。

• Wiki 证据: 论文明确引用 ICASSP AEC Challenge 数据集（Sridhar et al. 2021），该数据集公开于 github.com/microsoft/AEC-Challenge，GitHub API 可访问。真实场景信号来自挑战赛单讲数据，评测数据源与算法作者无利益关联。OpenAlex 限流未能提供该挑战赛数据集的引用统计佐证。

公理四：压缩公理

• 判定: ⚠️
• 分数: 6

• 依据: 方法确实更简单、更快：块对角假设使 P(n) 更新分解为 M 个独立 L×L 子块更新，预计算阶段 M×(O(L²)+2O(L))、并行子块更新 M×(2O(L)+O(L²))、后处理 O(ML)，总复杂度 O(ML²)=O(NL)（式 29），相对 RLS 的 O(N²) 在 N=512、L=32 时约为 1/16 的乘加量。复杂度分析有伪代码支撑（Algorithm 1），三阶段划分与表 1 的汇总一致，推导自洽。但压缩公理的高分需要”无谓复杂”的否定面——本文未充分做到。正则化只做初始化对角加载（P(0)=δ⁻¹I），推导上等于给代价函数加 δ

  w

  ² 项，这一步简单，但全文没有给出 δ 的自适应策略或对 δ、λ 敏感性的理论刻画，5.1 节仅做网格式观察（λ=0.995/0.9999 等四组，δ=0.01/1 等）。块对角近似的精度损失（丢弃跨块相关）是结构性的，4.2 节自己承认”neglect of correlation makes the rate of convergence inferior to that of RLS”，这说明方法在压缩上取的是确定性折衷，而非本质更优。

• Wiki 证据: 复杂度对比表（Table 1）在全文可核实：NLMS O(N)、RLS O(N²)、RLS-DCD O(N²)、FRLS O(N)、RBD-RLS O(32N)/O(64N)/O(128N)。GitHub 生态（Spritea/AEC、pyaec 等）显示工业界 AEC 已普遍转向频域/NLMS/Kalman 类方案，这从侧面说明”更快的 RLS”这一赛道本身在实用性上存在疑问，但这些开源仓库的具体复杂度与本文 RBD-RLS 无可比实现，无法直接验证其宣称。

公理五：效用公理

• 判定: ⚠️
• 分数: 6
• 依据: 效用有量化证据但不够强。白噪声场景（5.2）：RLS 与 RLS-DCD 约 5000 次迭代（0.6s）达 MIS −30dB，RBD-RLS 约 1s 收敛，1–3s 稳态失配优于 FRLS；有色噪声场景（5.3）：L 越大收敛越接近 RLS；回声路径突变场景（5.4）：L=128 时再收敛轨迹接近 RLS/RLS-DCD；真实场景（5.5）：ERLE 接近 RLS 与 RLS-DCD，而 FRLS 在 0.5s 完全发散。这些实验展示了”接近 RLS 的收敛+远低于 RLS 的复杂度”，方向成立。主要问题在于三点：其一，最优效用只在 L 较大（128）时接近 RLS，而 L=128 时复杂度 O(128N) 已是 NLMS 的 128 倍——”以 128 倍于 NLMS 的代价换取接近 RLS 的收敛”这个折衷点相对工业界主导的 NLMS+后处理/频域方案是否值得，论文未做与 NLMS 稳态/实时成本的系统性对比（NLMS 只在 5.1 参数场景出现一次）。其二，无计算时间或实时实现的测量，复杂度优势停留在理论大 O。其三，真实场景样本量单薄（单条语音 3 秒片段），稳健性宣称缺乏统计支撑。
• Wiki 证据: 引用的对比基线 FRLS、RLS-DCD、AEC Challenge 数据集均通过 arXiv API / GitHub API 核实存在。GitHub 搜索表明开源 AEC 生态以 NLMS/RLS/Kalman/频域为主（pyaec 427 stars 综合实现），未见 RBD-RLS 同类实现，无法通过社区信号佐证其效用主张。free-search 对论文标题与关键词的查询无结果，无第三方评测或引用可参考。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 新颖性有限。方法的核心是两个既有技术的直接组合：(a) 块对角近似降低矩阵更新复杂度——论文自己引用 Clark et al. 1981 的 block adaptive filtering 传统，块对角/分块近似在自适应滤波文献中有长期历史（LMS 的 block 版本、频域分块实现等均为同族思想）；(b) Tikhonov 正则化/对角加载保证数值稳定——对角加载（diagonal loading）是 RLS 初始化的标准实践，本文的 P(0)=δ⁻¹I 即经典对角加载初始化。组合方式（对每个子块独立加载 δ⁻¹I）步骤平凡，缺乏需要深刻洞察的桥接。推导层面：块对角假设下增益向量 k(n) 仍通过全局归一化因子 D_inv(n) 耦合（式 19–20），作者意识到这一点并保留全局耦合，这算一个细致处理，但属于工程注意而非新原理。加分项：将块对角化明确引入 RLS 并给出端到端的 AEC 实验（含真实场景）这一具体组合，据可检索范围未见完全相同的已发表版本；对 RLS-DCD 内存拷贝问题的定位也较准确。扣分源于：同一赛道的 FRLS（O(N)）、RLS-DCD 已覆盖”低复杂度 RLS”诉求，块对角近似相对这些方案的相对优势未与先例充分对比。
• Wiki 证据: 通过 arXiv API 检索 “block RLS adaptive”、”block-diagonal covariance adaptive”、”partial-update RLS” 等关键词，未检索到完全同构的已发表论文（部分查询 0 条结果），可检索公开渠道中未发现与 RBD-RLS 完全一致的先例；但 OpenAlex 限流失败意味着无法用跨库索引彻底排除期刊文献中已有同类思想，此为重要不确定项。free-search academic 与 Bing 均无该论文的第三方提及。

公理七：可复现公理

• 判定: ❌
• 分数: 3
• 依据: 全文未提供任何代码、伪代码之外的可执行材料。Algorithm 1 给出了较完整的伪代码（初始化 P_i←δ⁻¹I_L、预计算 v_i=P_i x_i、g_sum 求和、D_inv=1/(λ+g_sum)、并行更新 w_i 与 P_i），配合式 (13)–(28) 的推导，一个有经验的研究者可以据此实现，这是主要的可复现性资产。但：无官方代码仓库、无数据集处理脚本（真实场景的 GCC-PHAT 对齐预处理仅文字描述）、无参数配置清单的机器可读版本；随机回声路径的生成细节（衰减因子 0.01/0.05 之外未给分布与种子）；结果全部以曲线图呈现，未提供 MIS/ERLE 数值表，100 次平均的方差也未报告。基线可复现性依赖第三方代码（RLS-DCD 的 MATLAB 代码公开，已核实存在），RLS/FRLS 为标准算法，但 RBD-RLS 自身的实现细节（缓冲 x_buf 的组织、v_blocks 矩阵的内存布局）在伪代码中只有一行带过，对精确复现存在障碍。关键数值稳定性结论（”FRLS 在 0.5s 完全发散”）为单次实现观测，无统计。
• Wiki 证据: 论文在 5 节脚注中给出 RLS-DCD 基线代码链接 https://github.com/ndemoraes/Fast-RLS-DCD-MATLAB，GitHub API 核实该仓库存在（stars=3）。GitHub 仓库搜索未发现作者单位（Inner Mongolia Minzu University）名下任何 RBD-RLS 相关公开仓库；AEC 挑战赛数据公开（github.com/microsoft/AEC-Challenge），可复现数据源成立。作者署名邮箱为个人 outlook 与企业域名（zhangcg@imun.edu.cn），未提供项目主页或补充材料。

总评

本文的优点是：问题真实且量化清晰（RLS 的 O(N²) 复杂度对 N=512–2048 的 AEC 长滤波器是实际负担）；方法推导完整、自洽，从块对角近似到逐块正则化到复杂度分析（O(NL)）有伪代码支撑，数学表述规范；实验框架覆盖五种场景（参数敏感性、白噪声、有色噪声、回声路径突变、真实语音），前四组各独立 100 次平均，指标采用标准的 MIS 与 ERLE；对基线的刻画（FRLS 数值不稳定、RLS-DCD 隐式 O(N²) 拷贝）准确，真实场景中 FRLS 发散、RBD-RLS 贴近 RLS/RLS-DCD 的结果对”数值稳定性+低复杂度”的联合主张给出了实证支撑。

主要问题在于：新颖性偏弱——块对角近似（Clark 1981 一脉）与 Tikhonov 对角加载都是成熟技术，本文的贡献落点更接近”既有技术的工程组合”而非新原理；对最直接相关的分块/部分更新自适应滤波谱系缺少系统对比，复杂度表的 O(·) 对比未配实测运行时间；效用验证止于曲线图——无 MIS/ERLE 数值表、无方差报告、真实场景仅单条语音 3 秒片段，且”L=128 才接近 RLS”的同时复杂度已达 O(128N)，相对 NLMS+后处理这一工业主流路径的实用性折衷缺乏论证；可复现性不足——无代码、无数值表、随机回声路径生成细节未给全。此外，正文存在少量文字瑕疵（”Relate Work”、”enhance numerical stability” 等拼写），正文公式与参考文献格式偶有错位，但不影响方法理解。

日报摘要

• Strength: RBD-RLS 将 RLS 的每步复杂度从 O(N²) 降至 O(NL)（N=512、L=32 时约 1/16 乘加量），在 100 次平均的白噪声/有色噪声/回声突变实验及 ICASSP AEC Challenge 真实场景中，其收敛与 ERLE 贴近 RLS/RLS-DCD，而基线 FRLS 在真实场景 0.5s 内完全发散。
• Weakness: 方法为块对角近似与 Tikhonov 对角加载两个成熟技术的直接组合，未见系统对比分块/部分更新自适应滤波先例，无代码、无 MIS/ERLE 数值表与方差统计，真实场景仅单条语音 3 秒片段，且缺实测运行时间与相对 NLMS 工业路线的代价论证。

打分

加权总分: 6.2/10 最终建议: Borderline（加权总分 6.2 落入 5-6.5 区间）