1. Pengurangan kebisingan CVC dan DSP:
Saat konsumen membeli headset Bluetooth, mereka akan selalu mendengar fungsi pengurangan kebisingan CVC dan DSP yang dimiliki pedagang dalam mempromosikan headphone tersebut. Meski sudah banyak pengguna yang mendengar deskripsinya, masih banyak konsumen yang belum memahami perbedaan keduanya. Bedanya, untuk masalah teknis seperti itu, kita sampai pada ilmu keduanya berdasarkan prinsip kerja dan perbedaannya.
DSP adalah singkatan untuk pemrosesan sinyal digital. Prinsip kerjanya: mikrofon mengumpulkan kebisingan lingkungan eksternal, dan kemudian melalui fungsi sistem pengurangan kebisingan di dalam earphone, mikrofon bereplikasi untuk menghasilkan gelombang suara terbalik yang sama dengan kebisingan sekitar, yang menghilangkan kebisingan dan menghasilkan lebih banyak suara. Efek pengurangan kebisingan yang baik.
CVC adalah kependekan dari Clear Voice Capture. Ini adalah teknologi pengurangan kebisingan perangkat lunak. Prinsipnya adalah menekan berbagai jenis kebisingan gaung melalui perangkat lunak peredam bising dan mikrofon bawaan.
Perbedaannya sebagai berikut:
A. untuk objeknya berbeda, teknologi CVC terutama untuk gema yang dihasilkan selama panggilan, DSP terutama untuk kebisingan frekuensi tinggi dan rendah di lingkungan eksternal.
B. penerima manfaat yang berbeda, teknologi DSP terutama memberikan pendapatan pribadi bagi pengguna headset, dan CVC terutama menguntungkan pihak lain.
Singkatnya, headphone yang menggunakan teknologi pengurangan kebisingan DSP dan CVC dapat secara efektif mengurangi kebisingan di lingkungan eksternal panggilan, dan secara signifikan meningkatkan kualitas panggilan dan suara headphone.
2. Pengurangan kebisingan ANC:
ANC mengacu pada Kontrol Kebisingan Aktif, yang secara aktif mengurangi kebisingan. Prinsip dasarnya adalah sistem pengurangan kebisingan menghasilkan gelombang suara terbalik yang sama dengan kebisingan luar, sehingga menetralkan kebisingan. Gambar 1 adalah diagram skema earphone peredam bising aktif feedforward. Chip ANC ditempatkan di dalam earphone. Ref mic (mikrofon referensi) mengumpulkan kebisingan sekitar pada earphone. Mikrofon Kesalahan (Mikrofon Kesalahan) Mengumpulkan sisa kebisingan setelah pengurangan kebisingan di earphone. Speaker memutar anti-noise setelah pemrosesan ANC.
Gambar 2 adalah diagram skema sistem ANC, dengan tiga lapisan yang dipisahkan oleh garis putus-putus. Jalur primer paling atas adalah saluran akustik dari ref mic ke error mic, fungsi respon diwakili oleh P(z)P(z); lapisan tengah adalah saluran analog, di mana jalur sekunder adalah jalur dari keluaran filter adaptif ke sisa kembali. Termasuk DAC, filter rekonstruksi, penguat daya, pemutaran speaker, akuisisi ulang, pra-amplifier, filter anti-aliasing, ADC; lapisan bawah adalah jalur digital, di mana filter adaptif secara konstan menyesuaikan koefisien bobot filter untuk mengurangi residu hingga konvergensi. Solusi paling umum adalah menerapkan filter adaptif menggunakan filter FIR yang dikombinasikan dengan algoritma LMS. Sederhanakan Gambar 2 dan dapatkan Gambar 3.
Izinkan saya membahas secara singkat tentang prinsip filter adaptif dan algoritma LMS (Least mean square), lalu Gambar 3. Seperti yang ditunjukkan pada Gambar 4, dengan masukan xx dan keluaran yang diinginkan dd, filter adaptif memperbarui koefisien setiap iterasi sehingga selisih antara output yy dan dd menjadi semakin kecil hingga residu mendekati nol dan konvergen. LMS adalah algoritma pembaruan untuk filter adaptif. Fungsi tujuan LMS adalah kuadrat kesalahan sesaat e2(n)=(d(n)−y(n))2e2(n)=(d(n)−y(n))2, untuk meminimalkan fungsi tujuan, Menerapkan penurunan gradien memberikan rumus algoritma yang diperbarui. (Ide algoritmik menggunakan penurunan gradien untuk meminimalkan tujuan dan mendapatkan rumus terupdate dari parameter yang akan dicari sangat umum, seperti regresi linier.) Rumus update algoritma LMS menggunakan filter FIR adalah: w(n+1 ) =w(n)+μe(n)x(n)w(n+1)=w(n)+μe(n)x(n), dengan μμ adalah ukuran langkah. Jika ukuran μμ disesuaikan dengan iterasi, itu adalah algoritma LMS langkah demi langkah.
Mari kita bahas Gambar 3. Di sini filter adaptif dikeluarkan setelah S(z)S(z) untuk dibandingkan dengan keluaran yang diinginkan. S(z)S(z) akan menyebabkan ketidakstabilan. Dalam literatur, "sinyal kesalahan tidak 'sejajar' dengan benar pada waktunya dengan sinyal referensi", konvergensi LMS rusak. (Saya belum mengerti maksudnya T__T) Metode yang efektif adalah FXLMS (Filtered-X LMS), yang memungkinkan x(n) dimasukkan ke modul LMS melalui Sˆ(z)S^(z), Sˆ( z S^(z) adalah perkiraan S(z)S(z).Tujuan FXLMS:
E2(n)=(d(n)−s(n)∗[wT(n)x(n)])2,
E2(n)=(d(n)−s(n)∗[wT(n)x(n)])2,
Jadi gradien=−2e(n)s(n)∗x(n)−2e(n)s(n)∗x(n), di mana s(n)s(n) tidak diketahui, dengan perkiraan perkiraannya, jadi Rumus Pembaruan FXLMS adalah
w(n+1)=w(n)+μe(n)x'(n),
w(n+1)=w(n)+μe(n)x'(n),
Dimana x'(n)=sˆ(n)∗x(n)x'(n)=s^(n)∗x(n).
Saat filter adaptif menyatu, 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, jadi W(z) ≈ P(z) / S(z) W(z) ≈ P(z) / S(z). Artinya, koefisien bobot filter adaptif ditentukan oleh jalur primer dan jalur sekunder headphone. Jalur primer dan jalur sekunder headset relatif stabil, sehingga koefisien bobot filter adaptif relatif stabil. Oleh karena itu, demi kesederhanaan, koefisien bobot headphone ANC beberapa produsen ditentukan di pabrik. Tentu saja pengalaman mendengarkan earphone ANC ini jelas tidak sebaik earphone ANC dalam arti adaptif sebenarnya, karena dalam situasi sebenarnya, kebisingan eksternal yang berhubungan dengan arah earphone, perbedaan suhu dan sejenisnya mungkin berpengaruh pada respons saluran earphone.
Verifikasi Matlab
Tulis kode Matlab, menggunakan filter adaptif LMS ukuran langkah variabel, hasil simulasi ditunjukkan pada Gambar 5. Dalam rentang 0 hingga 2 kHz, ANC feedforward digunakan untuk menghilangkan white noise Gaussian, dan redaman kebisingan adalah 30 dB+ rata-rata. FXLMS di perpustakaan Matlab adalah langkah tetap, dan efeknya lebih buruk.
Q & A
A. Mengapa ANC hanya untuk noise frekuensi rendah di bawah 2 kHz?
Di satu sisi, isolasi suara fisik headphone (pengurangan kebisingan pasif) dapat secara efektif memblokir kebisingan frekuensi tinggi, dan tidak perlu menggunakan ANC untuk mengurangi kebisingan frekuensi tinggi. Di sisi lain, kebisingan frekuensi rendah memiliki panjang gelombang yang panjang dan dapat menahan penundaan fase tertentu, sedangkan kebisingan frekuensi tinggi memiliki panjang gelombang yang pendek dan sensitif terhadap deviasi fase, sehingga ANC menghilangkan kebisingan frekuensi tinggi.
B. Ketika penundaan elektronik lebih besar dari penundaan primer, bagaimana kinerja algoritma dapat dikurangi secara signifikan?
Penundaan P(z) kecil, penundaan S(z) besar, seperti P(z)=z-1, S(z)=z-2, hanya jika W(z)=z dapat memenuhi persyaratan, tidak -kausal, Tidak terjangkau.
C. Apa perbedaan antara ANC Feedforward, ANC feedforward pita sempit, dan ANC umpan balik?
Struktur Feedforwad memiliki mikrofon ref dan mikrofon kesalahan yang masing-masing mengumpulkan kebisingan eksternal dan sinyal sisa internal. Struktur umpan balik hanya memiliki satu mikrofon kesalahan, dan sinyal referensi dihasilkan oleh mikrofon kesalahan dan keluaran filter adaptif.
Umpan maju pita lebar adalah struktur yang dijelaskan di atas. Dalam struktur pita sempit, sumber kebisingan menghasilkan generator sinyal pemicu sinyal, dan generator sinyal menghasilkan sinyal referensi untuk filter adaptif. Hanya berlaku untuk menghilangkan kebisingan periodik.
Umpan Balik ANC menggunakan mikrofon kesalahan untuk memulihkan sinyal yang dikumpulkan oleh mikrofon referensi dalam struktur umpan maju karena hanya memiliki mikrofon kesalahan. Jalur tersebut tidak memenuhi batasan sebab akibat, sehingga hanya komponen kebisingan yang dapat diprediksi, yaitu kebisingan periodik pita sempit, yang dihilangkan. Perlu dicatat bahwa jika feedforward tidak memenuhi batasan sebab akibat, yaitu penundaan elektronik lebih lama dari penundaan akustik saluran utama, hal ini hanya dapat menghilangkan kebisingan periodik pita sempit.
Ada juga struktur ANC Hibrid yang mencakup struktur umpan maju dan umpan balik. Keuntungan utamanya adalah Anda dapat menyimpan urutan filter adaptif.
