1.CVC და DSP ხმაურის შემცირება:
როდესაც მომხმარებლები ყიდულობენ Bluetooth ყურსასმენებს, ისინი ყოველთვის მოისმენენ CVC და DSP ხმაურის შემცირების ფუნქციებს, რომლებიც ვაჭრებს აქვთ ყურსასმენების პოპულარიზაციისას. არ აქვს მნიშვნელობა რამდენმა მომხმარებელმა მოისმინა აღწერილობები, ბევრ მომხმარებელს მაინც არ ესმის განსხვავება ამ ორს შორის. განსხვავება, ასეთი ტექნიკური პრობლემისთვის, ჩვენ მივდივართ ამ ორის მეცნიერებამდე მუშაობის პრინციპისა და განსხვავების მიხედვით.
DSP არის ციფრული სიგნალის დამუშავების სტენოგრამა. მისი მუშაობის პრინციპი: მიკროფონი აგროვებს გარე გარემოს ხმაურს, შემდეგ კი ყურსასმენის შიგნით ხმაურის შემცირების სისტემის ფუნქციით, ის იმეორებს გარემოს ხმაურის ტოლი საპირისპირო ხმის ტალღას, რომელიც აუქმებს ხმაურს და ამით მეტს აღწევს. კარგი ხმაურის შემცირების ეფექტი.
CVC არის მოკლედ Clear Voice Capture. ეს არის პროგრამული ხმაურის შემცირების ტექნოლოგია. პრინციპი არის სხვადასხვა ტიპის რევერბერაციის ხმაურის ჩახშობა ჩაშენებული ხმაურის გაუქმების პროგრამული უზრუნველყოფის და მიკროფონის მეშვეობით.
განსხვავება შემდეგშია:
ა. ობიექტისთვის განსხვავებულია, CVC ტექნოლოგია ძირითადად განკუთვნილია ზარის დროს წარმოქმნილი ექოსთვის, DSP ძირითადად გარე გარემოში მაღალი და დაბალი სიხშირის ხმაურისთვის.
ბ. სხვადასხვა ბენეფიციართა, DSP ტექნოლოგია ძირითადად ხდის ყურსასმენის მომხმარებლებს პერსონალურ შემოსავალს და CVC ძირითადად სარგებელს მოუტანს მეორე მხარეს.
მოკლედ, DSP და CVC ხმაურის შემცირების ტექნოლოგიის გამოყენებით ყურსასმენებს შეუძლიათ ეფექტურად შეამცირონ ზარის გარე გარემოს ხმაური და მნიშვნელოვნად გააუმჯობესონ ზარის ხარისხი და ყურსასმენების ხმა.
2.ANC ხმაურის შემცირება:
ANC ეხება აქტიურ ხმაურის კონტროლს, რომელიც აქტიურად ამცირებს ხმაურს. ძირითადი პრინციპია, რომ ხმაურის შემცირების სისტემა წარმოქმნის საპირისპირო ხმის ტალღებს, რომელიც ტოლია გარე ხმაურს, ანეიტრალებს ხმაურს. ნახაზი 1 არის აქტიური ხმაურის ჩამქრალი ყურსასმენის სქემატური დიაგრამა. ANC ჩიპი მოთავსებულია ყურსასმენის შიგნით. Ref mic (საცნობარო მიკროფონი) აგროვებს გარემოს ხმაურს ყურსასმენებზე. Error mic (Error Microphone) აგროვებს ნარჩენ ხმაურს ყურსასმენში ხმაურის შემცირების შემდეგ. დინამიკი უკრავს ხმაურის საწინააღმდეგოდ ANC დამუშავების შემდეგ.
სურათი 2 არის ANC სისტემის სქემატური დიაგრამა, სამი ფენით, გამოყოფილი წყვეტილი ხაზებით. ყველაზე ზედა პირველადი ბილიკი არის აკუსტიკური არხი ref mic-დან შეცდომის მიკროფონამდე, პასუხის ფუნქცია წარმოდგენილია P(z)P(z); შუა ფენა არის ანალოგური არხი, სადაც მეორადი გზა არის ადაპტაციური ფილტრის გამომავალი გზა დაბრუნების ნარჩენებამდე. მათ შორის DAC, სარეკონსტრუქციო ფილტრი, დენის გამაძლიერებელი, დინამიკის დაკვრა, ხელახალი შეძენა, წინასწარი გამაძლიერებელი, ანტი-ალიასინგის ფილტრი, ADC; ქვედა ფენა არის ციფრული გზა, სადაც ადაპტური ფილტრი მუდმივად არეგულირებს ფილტრის წონის კოეფიციენტს, რათა შეამციროს ნარჩენი კონვერგენციამდე. ყველაზე გავრცელებული გამოსავალია ადაპტური ფილტრის დანერგვა FIR ფილტრის გამოყენებით LMS ალგორითმთან ერთად. გაამარტივეთ სურათი 2 და მიიღეთ სურათი 3.
ნება მომეცით მოკლედ ვისაუბრო ადაპტაციური ფილტრისა და LMS (უმცირესი საშუალო კვადრატის) ალგორითმის პრინციპებზე, შემდეგ კი სურათზე 3. როგორც ნაჩვენებია 4-ზე, xx შეყვანის და სასურველი გამომავალი dd-ის გათვალისწინებით, ადაპტაციური ფილტრი აახლებს კოეფიციენტებს ყოველ გამეორებაზე ისე, რომ გამომავალს yy და dd-ს შორის სხვაობა უფრო და უფრო მცირე ხდება, სანამ ნარჩენი საკმარისად ახლოს არ იქნება ნულთან და არ გადაიყრება. LMS არის განახლების ალგორითმი ადაპტური ფილტრებისთვის. LMS-ის ობიექტური ფუნქცია არის მყისიერი შეცდომის კვადრატი e2(n)=(d(n)−y(n))2e2(n)=(d(n)−y(n))2 მინიმიზაციის მიზნით ობიექტური ფუნქცია, გრადიენტული დაღმართის გამოყენება იძლევა ალგორითმის განახლებულ ფორმულას. (გრადიენტული დაღმართის გამოყენების ალგორითმული იდეა მიზნის შესამცირებლად და სასურველი პარამეტრის განახლებული ფორმულის მისაღებად ძალიან გავრცელებულია, როგორიცაა წრფივი რეგრესია.) LMS ალგორითმის განახლების ფორმულა FIR ფილტრის გამოყენებით არის: w(n+1 ) =w(n)+μe(n)x(n)w(n+1)=w(n)+μe(n)x(n), სადაც μμ არის ნაბიჯის ზომა. თუ μμ ზომა მორგებულია გამეორებით, ეს არის ნაბიჯ-ნაბიჯ LMS ალგორითმი.
მოდით ვისაუბროთ სურათზე 3. აქ ადაპტური ფილტრი გამოდის S(z)S(z)-ის შემდეგ, რათა შევადაროთ სურვილის გამომავალს. S(z)S(z) გამოიწვევს არასტაბილურობას. ლიტერატურაში, "შეცდომის სიგნალი არ არის სწორად "მიმართული" დროთა განმავლობაში საცნობარო სიგნალთან", LMS-ის კონვერგენცია დარღვეულია. (მე ვერ მივხვდი რას ნიშნავს T__T) ეფექტური მეთოდია FXLMS (Filtered-X LMS), რომელიც საშუალებას აძლევს x(n) შეიყვანოს LMS მოდულში Sˆ(z)S^(z), Sˆ( z S^(z) არის S(z)S(z) შეფასება. FXLMS-ის მიზანი:
E2(n)=(d(n)−s(n)∗[wT(n)x(n)])2,
E2(n)=(d(n)−s(n)∗[wT(n)x(n)])2,
ასე რომ, გრადიენტი=−2e(n)s(n)∗x(n)−2e(n)s(n)∗x(n), სადაც s(n)s(n) უცნობია, მისი შეფასების მიახლოებით, ასე რომ FXLMS განახლების ფორმულა არის
w(n+1)=w(n)+μe(n)x'(n),
w(n+1)=w(n)+μe(n)x'(n),
სადაც x'(n)=sˆ(n)∗x(n)x'(n)=s^(n)∗x(n).
როდესაც ადაპტაციური ფილტრი იყრის თავს, 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, ამიტომ W(z) ≈ P(z) / S(z) W(z) ≈ P(z) / S(z). ანუ, ადაპტაციური ფილტრის წონის კოეფიციენტი განისაზღვრება ყურსასმენების პირველადი და მეორადი ბილიკით. ყურსასმენის პირველადი და მეორადი გზა შედარებით სტაბილურია, ამიტომ ადაპტური ფილტრის წონის კოეფიციენტი შედარებით სტაბილურია. ამიტომ, სიმარტივის მიზნით, ზოგიერთი მწარმოებლის ANC ყურსასმენების წონის კოეფიციენტები განისაზღვრება ქარხანაში. რა თქმა უნდა, ამ ANC ყურსასმენის მოსმენის გამოცდილება აშკარად არ არის ისეთივე კარგი, როგორც ANC ყურსასმენი ნამდვილი ადაპტაციური მნიშვნელობით, რადგან რეალურ სიტუაციებში გარე ხმაურმა ყურსასმენის მიმართულებასთან მიმართებაში, განსხვავებულმა ტემპერატურამ და მსგავსმა შეიძლება გავლენა იქონიოს. ყურსასმენის არხის პასუხი.
Matlab-ის შემოწმება
ჩაწერეთ Matlab კოდი ცვლადი ნაბიჯის ზომის LMS ადაპტაციური ფილტრის გამოყენებით, სიმულაციის შედეგები ნაჩვენებია სურათზე 5. 0-დან 2 კჰც-მდე დიაპაზონში, წინდაწინ ANC გამოიყენება გაუსის თეთრი ხმაურის აღმოსაფხვრელად, ხოლო ხმაურის შესუსტება არის 30 dB+. საშუალოდ. FXLMS Matlab ბიბლიოთეკაში არის ფიქსირებული ნაბიჯი და ეფექტი უარესია.
Q & A
ა. რატომ არის ANC მხოლოდ დაბალი სიხშირის ხმაურისთვის 2 kHz ქვემოთ?
ერთის მხრივ, ყურსასმენების ფიზიკურ ხმის იზოლაციას (პასიური ხმაურის შემცირება) შეუძლია ეფექტურად დაბლოკოს მაღალი სიხშირის ხმაური და არ არის აუცილებელი ANC გამოყენება მაღალი სიხშირის ხმაურის შესამცირებლად. მეორეს მხრივ, დაბალი სიხშირის ხმაურს აქვს გრძელი ტალღის სიგრძე და შეუძლია გაუძლოს გარკვეული ფაზის შეფერხებას, ხოლო მაღალი სიხშირის ხმაურს აქვს მოკლე ტალღის სიგრძე და მგრძნობიარეა ფაზის გადახრის მიმართ, ამიტომ ANC გამორიცხავს მაღალი სიხშირის ხმაურს.
ბ. როდესაც ელექტრონული შეფერხება უფრო დიდია, ვიდრე პირველადი, როგორ შეიძლება ალგორითმის შესრულება მნიშვნელოვნად შემცირდეს?
P(z) შეფერხება მცირეა, S(z) დაგვიანება დიდია, როგორიცაა P(z)=z-1, S(z)=z-2, მხოლოდ მაშინ, როდესაც W(z)=z შეუძლია დააკმაყოფილოს მოთხოვნები, არა -მიზეზობრივი, მიუწვდომელი.
გ. რა განსხვავებაა Feedforward ANC-ს, ვიწრო ზოლის უკუკავშირის ANC-სა და უკუკავშირის ANC-ს შორის?
Feedforwad სტრუქტურას აქვს ref mic და შეცდომის მიკროფონი, რომლებიც აგროვებენ გარე ხმაურს და შიდა ნარჩენ სიგნალებს, შესაბამისად. უკუკავშირის სტრუქტურას აქვს მხოლოდ ერთი შეცდომის მიკროფონი, ხოლო საცნობარო სიგნალი წარმოიქმნება შეცდომის მიკროფონით და ადაპტური ფილტრის გამომავალით.
ფართოზოლოვანი კავშირი არის ზემოთ აღწერილი სტრუქტურა. ვიწრო ზოლის სტრუქტურაში, ხმაურის წყარო წარმოქმნის სიგნალის გამომწვევ სიგნალის გენერატორს, ხოლო სიგნალის გენერატორი წარმოქმნის საცნობარო სიგნალს ადაპტაციური ფილტრისთვის. გამოიყენება მხოლოდ პერიოდული ხმაურის აღმოსაფხვრელად.
გამოხმაურება ANC იყენებს შეცდომის მიკროფონს რეფ მიკროფონის მიერ შეგროვებული სიგნალის აღსადგენად უკუკავშირის სტრუქტურაში, რადგან მას აქვს მხოლოდ შეცდომის მიკროფონი. გზა არ აკმაყოფილებს მიზეზობრივ შეზღუდვას, ამიტომ მხოლოდ პროგნოზირებადი ხმაურის კომპონენტები, ანუ ვიწროზოლიანი პერიოდული ხმაური, აღმოიფხვრება. უნდა აღინიშნოს, რომ თუ უკუკავშირი არ აკმაყოფილებს მიზეზობრივ შეზღუდვას, ანუ ელექტრონული დაყოვნება უფრო მეტია, ვიდრე მთავარი არხის აკუსტიკური დაყოვნება, მას შეუძლია მხოლოდ ვიწროზოლიანი პერიოდული ხმაურის აღმოფხვრა.
ასევე არსებობს ჰიბრიდული ANC სტრუქტურა, რომელიც მოიცავს როგორც უკუკავშირის, ასევე უკუკავშირის სტრუქტურებს. მთავარი უპირატესობა ის არის, რომ თქვენ შეგიძლიათ შეინახოთ ადაპტური ფილტრის შეკვეთა.
