1. CVC ja DSP kohinanvaimennus:
Kun kuluttajat ostavat Bluetooth-kuulokkeita, he kuulevat aina CVC- ja DSP-kohinanvaimennustoiminnot, joita kauppiailla on kuulokkeiden markkinoinnissa. Huolimatta siitä, kuinka monet käyttäjät ovat kuulleet kuvaukset, monet kuluttajat eivät silti ymmärrä eroa näiden kahden välillä. Ero, tällaisen teknisen ongelman, tulemme tieteen kahden alle toimintaperiaate ja ero.
DSP on lyhenne digitaaliseen signaalinkäsittelyyn. Sen toimintaperiaate: mikrofoni kerää ulkoisen ympäristön melun, ja sitten kuulokkeen sisällä olevan melunvaimennusjärjestelmän kautta se replikoituu ja tuottaa ympäristön melua vastaavan käänteisen ääniaallon, joka vaimentaa melun ja saavuttaa siten enemmän. Hyvä melunvaimennusvaikutus.
CVC on lyhenne sanoista Clear Voice Capture. Se on ohjelmiston melunvaimennustekniikka. Periaatteena on vaimentaa erilaisia jälkikaiuntameluja sisäänrakennetun melunvaimennusohjelmiston ja mikrofonin avulla.
Ero seuraavasti:
a. koska kohde on erilainen, CVC-tekniikka on pääasiassa puhelun aikana syntyvää kaikua varten, DSP on pääasiassa ulkoisen ympäristön korkea- ja matalataajuista melua varten.
b. erilaisia edunsaajia, DSP-tekniikka tekee pääasiallisesti kuulokkeiden käyttäjistä henkilökohtaisia tuloja, ja CVC hyödyttää pääasiassa toista osapuolta.
Yhteenvetona voidaan todeta, että DSP- ja CVC-melunpoistotekniikkaa käyttävät kuulokkeet voivat tehokkaasti vähentää puhelun ulkoisen ympäristön melua ja parantaa merkittävästi puhelun laatua ja kuulokkeiden ääntä.
2. ANC-melun vaimennus:
ANC viittaa aktiiviseen melunhallintaan, joka vähentää aktiivisesti melua. Perusperiaate on, että kohinanvaimennusjärjestelmä tuottaa käänteisiä ääniaaltoja, jotka ovat yhtä suuria kuin ulkoinen melu, neutraloivat melun. Kuva 1 on kaavamainen kaavio myötäkytkentäisestä aktiivisesta melua vaimentavasta kuulokkeesta. ANC-siru on sijoitettu kuulokkeiden sisään. Ref mic (referenssimikrofoni) kerää ympäristön melua kuulokkeisiin. Virhemikrofoni (Error Microphone) Kerää jäännöskohinan kuulokkeisiin kohinan vähentämisen jälkeen. Kaiutin toistaa kohinaa ANC-käsittelyn jälkeen.
Kuva 2 on kaaviokuva ANC-järjestelmästä, jossa on kolme kerrosta, jotka on erotettu katkoviivoilla. Ylin ensisijainen polku on akustinen kanava ref micista virhemikrofoniin, vastefunktiota edustaa P(z)P(z); keskikerros on analoginen kanava, jossa toissijainen polku on polku adaptiivisen suodattimen lähdöstä paluujäännökseen. Sisältää DAC:n, rekonstruktiosuodattimen, tehovahvistimen, kaiuttimien toiston, uudelleen hankinnan, esivahvistimen, anti-aliasing-suodattimen, ADC:n; alin kerros on digitaalinen polku, jossa adaptiivinen suodatin säätää jatkuvasti suodattimen painokerrointa pienentääkseen jäännöstä konvergenssiin asti. Yleisin ratkaisu on toteuttaa adaptiivinen suodatin käyttämällä FIR-suodatinta yhdessä LMS-algoritmin kanssa. Yksinkertaista kuva 2 ja hanki kuva 3.
Kerron lyhyesti adaptiivisen suodattimen ja LMS (Least mean square) -algoritmin periaatteista ja sitten kuvasta 3. Kuten kuvasta 4 näkyy, kun otetaan huomioon tulo xx ja haluttu lähtö dd, adaptiivinen suodatin päivittää kertoimet joka iteraatio niin, että lähtöjen yy ja dd välinen ero pienenee ja pienenee, kunnes residuaali on tarpeeksi lähellä nollaa ja konvergoi. LMS on päivitysalgoritmi mukautuville suodattimille. LMS:n tavoitefunktio on hetkellisen virheen neliö e2(n)=(d(n)−y(n))2e2(n)=(d(n)−y(n))2 minimoimiseksi. tavoitefunktio, gradienttilaskua soveltamalla saadaan algoritmin päivitetty kaava. (Algoritminen ajatus gradientin laskemisesta tavoitteen minimoimiseksi ja etsittävän parametrin päivitetyn kaavan saamiseksi on hyvin yleinen, kuten lineaarinen regressio.) FIR-suodatinta käyttävän LMS-algoritmin päivityskaava on: w(n+1 ) =w(n)+μe(n)x(n)w(n+1)=w(n)+μe(n)x(n), missä μμ on askelkoko. Jos μμ:n kokoa säädetään iteraatiolla, se on vaiheittainen LMS-algoritmi.
Puhutaanpa kuvasta 3. Tässä adaptiivinen suodatin tulostetaan S(z)S(z):n jälkeen vertaamaan haluttuun lähtöön. S(z)S(z) aiheuttaa epävakautta. Kirjallisuudessa "virhesignaali ei ole oikein 'kohdistettu' ajallaan referenssisignaalin kanssa", LMS:n konvergenssi on katkennut. (En ole keksinyt mitä se tarkoittaa T__T) Tehokas menetelmä on FXLMS (Filtered-X LMS), joka sallii x(n):n syöttämisen LMS-moduuliin Sˆ(z)S^(z), Sˆ( z S^(z) on S(z)S(z) estimaatti. FXLMS:n tavoite:
E2(n)=(d(n)−s(n)∗[wT(n)x(n)])2,
E2(n)=(d(n)−s(n)∗[wT(n)x(n)])2,
Joten gradientti=−2e(n)s(n)∗x(n)−2e(n)s(n)∗x(n), missä s(n)s(n) on tuntematon, sen estimaattiapproksimaatiolla, joten FXLMS-päivityksen kaava on
w(n+1)=w(n)+μe(n)x'(n),
w(n+1)=w(n)+μe(n)x'(n),
Missä x'(n)=sˆ(n)∗x(n)x'(n)=s^(n)∗x(n).
Kun adaptiivinen suodatin konvergoi, E(z)=X(z)P(z)−X(z)W(z)S(z)≈0E(z)=X(z)P(z)−X(z) ) W(z)S(z) ≈ 0, joten W(z) ≈ P(z) / S(z) W(z) ≈ P(z) / S(z). Toisin sanoen adaptiivisen suodattimen painokerroin määräytyy kuulokkeiden ensisijaisen ja toissijaisen polun mukaan. Kuulokkeen ensisijainen reitti ja toissijainen polku ovat suhteellisen vakaat, joten adaptiivisen suodattimen painokerroin on suhteellisen vakaa. Siksi joidenkin valmistajien ANC-kuulokkeiden painokertoimet määritetään yksinkertaisuuden vuoksi tehtaalla. Tietenkään tämän ANC-kuulokkeen kuuntelukokemus ei tietenkään ole yhtä hyvä kuin todellisen adaptiivisen merkityksen omaavien ANC-kuulokkeiden, koska todellisissa tilanteissa ulkoinen kohina suhteessa kuulokkeen suuntaan, erilainen lämpötila ja vastaavat voivat vaikuttaa kuulokkeiden kanavavaste.
Matlab-vahvistus
Kirjoita Matlab-koodi vaihtelevan askelkoon LMS-suotimella, simuloinnin tulokset on esitetty kuvassa 5. Alueella 0 - 2 kHz käytetään myötäkytkentäistä ANC:tä eliminoimaan Gaussin valkoista kohinaa ja kohinan vaimennus on 30 dB+. keskimäärin. Matlab-kirjaston FXLMS on kiinteävaiheinen, ja vaikutus on huonompi.
Kysymyksiä ja vastauksia
a. Miksi ANC on vain alle 2 kHz:n matalataajuuksiselle melulle?
Toisaalta kuulokkeiden fyysinen äänieristys (passiivinen kohinanvaimennus) voi tehokkaasti estää korkean taajuuden melun, eikä ANC:tä tarvitse käyttää suurtaajuisen melun vähentämiseen. Toisaalta matalataajuisella kohinalla on pitkä aallonpituus ja se kestää tietyn vaiheviiveen, kun taas korkeataajuisella kohinalla on lyhyt aallonpituus ja se on herkkä vaihepoikkeamille, joten ANC eliminoi korkeataajuisen kohinan.
b. Kun elektroninen viive on suurempi kuin ensisijainen viive, kuinka algoritmin suorituskykyä voidaan vähentää huomattavasti?
P(z)-viive on pieni, S(z)-viive on suuri, kuten P(z)=z-1, S(z)=z-2, vain kun W(z)=z voi täyttää vaatimukset, ei - kausaalinen, tavoittamaton.
c. Mitä eroa on myötäkytkentäisen ANC:n, kapeakaistaisen myötäkytkentäisen ANC:n ja takaisinkytkentäisen ANC:n välillä?
Feedforwad-rakenteessa on ref-mikrofoni ja virhemikrofoni, jotka keräävät ulkoista kohinaa ja sisäiset jäännössignaalit. Takaisinkytkentärakenteessa on vain yksi virhemikrofoni, ja referenssisignaali generoidaan virhemikrofonin ja adaptiivisen suodattimen lähdön avulla.
Laajakaistan myötäkytkentä on edellä kuvattu rakenne. Kapeakaistaisessa rakenteessa kohinalähde generoi signaalin liipaisusignaaligeneraattorin ja signaaligeneraattori muodostaa referenssisignaalin adaptiiviselle suodattimelle. Soveltuu vain jaksollisen melun poistamiseen.
Feedback ANC käyttää virhemikrofonia ref micin keräämän signaalin palauttamiseen kytkentärakenteessa, koska siinä on vain virhemikrofoni. Polku ei täytä kausaalista rajoitusta, joten vain ennustettavat kohinakomponentit eli kapeakaistainen jaksollinen kohina eliminoidaan. On huomattava, että jos myötäkytkentä ei täytä kausaalista rajoitusta, eli elektroninen viive on pidempi kuin pääkanavan akustinen viive, se voi eliminoida vain kapeakaistaisen jaksollisen kohinan.
On myös hybridi-ANC-rakenne, joka sisältää sekä myötäkytkentä- että palauterakenteet. Suurin etu on, että voit tallentaa mukautuvan suodattimen järjestyksen.
