1.CVC ແລະ DSP ການຫຼຸດຜ່ອນສິ່ງລົບກວນ:
ເມື່ອຜູ້ບໍລິໂພກຊື້ຊຸດຫູຟັງ Bluetooth, ພວກເຂົາຈະໄດ້ຍິນຟັງຊັນການຫຼຸດຜ່ອນສຽງລົບກວນ CVC ແລະ DSP ທີ່ຜູ້ຄ້າມີໃນການສົ່ງເສີມຫູຟັງ. ບໍ່ວ່າຜູ້ໃຊ້ຫຼາຍຄົນໄດ້ຍິນຄໍາອະທິບາຍ, ຜູ້ບໍລິໂພກຫຼາຍຄົນຍັງບໍ່ເຂົ້າໃຈຄວາມແຕກຕ່າງລະຫວ່າງສອງຢ່າງ. ຄວາມແຕກຕ່າງ, ສໍາລັບບັນຫາດ້ານວິຊາການດັ່ງກ່າວ, ພວກເຮົາມາວິທະຍາສາດຂອງທັງສອງພາຍໃຕ້ຫຼັກການການເຮັດວຽກແລະຄວາມແຕກຕ່າງ.
DSP ເປັນ shorthand ສໍາລັບການປະມວນຜົນສັນຍານດິຈິຕອນ. ຫຼັກການເຮັດວຽກຂອງມັນ: ໄມໂຄຣໂຟນເກັບກໍາສິ່ງລົບກວນຈາກສິ່ງແວດລ້ອມພາຍນອກ, ແລະຫຼັງຈາກນັ້ນໂດຍຜ່ານລະບົບການຫຼຸດຜ່ອນສິ່ງລົບກວນພາຍໃນຫູຟັງ, ມັນ replicates ເພື່ອສ້າງຄື້ນສຽງປີ້ນກັບກັນເທົ່າກັບສິ່ງລົບກວນສະພາບແວດລ້ອມ, ເຊິ່ງຍົກເລີກສິ່ງລົບກວນແລະດັ່ງນັ້ນຈຶ່ງບັນລຸໄດ້ຫຼາຍ. ຜົນກະທົບການຫຼຸດຜ່ອນສິ່ງລົບກວນທີ່ດີ.
CVC ຫຍໍ້ມາຈາກ Clear Voice Capture. ມັນເປັນເຕັກໂນໂລຊີການຫຼຸດຜ່ອນສິ່ງລົບກວນຊອບແວ. ຫຼັກການແມ່ນເພື່ອສະກັດກັ້ນສິ່ງລົບກວນປະເພດຕ່າງໆໂດຍຜ່ານຊອບແວຍົກເລີກສຽງລົບກວນໃນຕົວແລະໄມໂຄຣໂຟນ.
ຄວາມແຕກຕ່າງດັ່ງຕໍ່ໄປນີ້:
ກ. ສໍາລັບວັດຖຸແມ່ນແຕກຕ່າງກັນ, ເທກໂນໂລຍີ CVC ສ່ວນໃຫຍ່ແມ່ນສໍາລັບສຽງສະທ້ອນທີ່ສ້າງຂຶ້ນໃນລະຫວ່າງການໂທ, DSP ສ່ວນໃຫຍ່ແມ່ນສໍາລັບສິ່ງລົບກວນຄວາມຖີ່ສູງແລະຕ່ໍາໃນສະພາບແວດລ້ອມພາຍນອກ.
ຂ. ຜູ້ໄດ້ຮັບຜົນປະໂຫຍດທີ່ແຕກຕ່າງກັນ, ເທກໂນໂລຍີ DSP ສ່ວນໃຫຍ່ແມ່ນເຮັດໃຫ້ຜູ້ໃຊ້ຊຸດຫູຟັງມີລາຍຮັບສ່ວນບຸກຄົນ, ແລະ CVC ສ່ວນໃຫຍ່ແມ່ນໃຫ້ຜົນປະໂຫຍດກັບອີກຝ່າຍ.
ສະຫຼຸບແລ້ວ, ຫູຟັງທີ່ໃຊ້ເທັກໂນໂລຍີການຫຼຸດສຽງລົບກວນຂອງ DSP ແລະ CVC ສາມາດຫຼຸດຜ່ອນສິ່ງລົບກວນຂອງສະພາບແວດລ້ອມພາຍນອກຂອງການໂທໄດ້ຢ່າງມີປະສິດທິພາບ, ແລະປັບປຸງຄຸນນະພາບຂອງການໂທ ແລະສຽງຂອງຫູຟັງໄດ້ຢ່າງມີປະສິດຕິຜົນ.
2.ANC ການຫຼຸດຜ່ອນສຽງ:
ANC ໝາຍເຖິງ Active Noise Control, ເຊິ່ງຊ່ວຍຫຼຸດສຽງລົບກວນຢ່າງຈິງຈັງ. ຫຼັກການພື້ນຖານແມ່ນວ່າລະບົບການຫຼຸດຜ່ອນສິ່ງລົບກວນຜະລິດຄື້ນສຽງ reverse ເທົ່າກັບສິ່ງລົບກວນພາຍນອກ, neutralizing ສິ່ງລົບກວນ. ຮູບທີ 1 ແມ່ນແຜນວາດແບບແຜນພາບຂອງຫູຟັງຟັງສຽງລົບກວນແບບ feedforward. ຊິບ ANC ຖືກວາງໄວ້ພາຍໃນຫູຟັງ. ໄມໂຄຣໂຟນອ້າງອີງ (ໄມໂຄຣໂຟນອ້າງອີງ) ເກັບກຳສິ່ງລົບກວນອ້ອມຂ້າງຢູ່ໃນຫູຟັງ. ໄມໂຄຣໂຟນຜິດພາດ (Error Microphone) ລວບລວມສຽງລົບກວນທີ່ເຫຼືອຫຼັງຈາກການຫຼຸດສຽງລົບກວນໃນຫູຟັງ. ລຳໂພງຫຼິ້ນຕ້ານສິ່ງລົບກວນຫຼັງຈາກການປະມວນຜົນ ANC.
ຮູບທີ 2 ແມ່ນແຜນວາດແຜນວາດຂອງລະບົບ ANC, ມີສາມຊັ້ນ, ແຍກອອກດ້ວຍເສັ້ນ dashed. ເສັ້ນທາງຫຼັກທາງເທິງສຸດແມ່ນຊ່ອງສຽງຈາກໄມໂຄຣຟີມໄປຫາໄມທີ່ຜິດພາດ, ໜ້າທີ່ຕອບສະໜອງແມ່ນສະແດງໂດຍ P(z)P(z); ຊັ້ນກາງແມ່ນຊ່ອງທາງການປຽບທຽບ, ບ່ອນທີ່ເສັ້ນທາງຮອງແມ່ນເສັ້ນທາງຈາກຜົນຜະລິດການກັ່ນຕອງການປັບຕົວໄປສູ່ການສົ່ງຄືນສ່ວນທີ່ເຫຼືອ. ລວມທັງ DAC, ການກັ່ນຕອງການຟື້ນຟູ, ເຄື່ອງຂະຫຍາຍສຽງ, ເຄື່ອງຂະຫຍາຍສຽງ, ການຫຼິ້ນລໍາໂພງ, ການຊື້ຄືນໃຫມ່, ເຄື່ອງຂະຫຍາຍສຽງກ່ອນ, ການກັ່ນຕອງຕ້ານ aliasing, ADC; ຊັ້ນລຸ່ມແມ່ນເສັ້ນທາງດິຈິຕອລ, ບ່ອນທີ່ຕົວກອງທີ່ສາມາດປັບຕົວໄດ້ສະເຫມີປັບຕົວຄູນນ້ໍາຂອງການກັ່ນຕອງເພື່ອຫຼຸດຜ່ອນການຕົກຄ້າງຈົນກ່ວາ convergence . ການແກ້ໄຂທົ່ວໄປທີ່ສຸດແມ່ນການປະຕິບັດການກັ່ນຕອງການປັບຕົວໂດຍໃຊ້ຕົວກອງ FIR ປະສົມປະສານກັບລະບົບ LMS. Simplify ຮູບ 2 ແລະໄດ້ຮູບ 3.
ໃຫ້ຂ້າພະເຈົ້າເວົ້າສັ້ນໆກ່ຽວກັບຫຼັກການຂອງການກັ່ນຕອງການປັບຕົວແລະ LMS (Least mean square) algorithm, ແລະຫຼັງຈາກນັ້ນຮູບ 3. ດັ່ງທີ່ສະແດງໃນຮູບ 4, ໃຫ້ input xx ແລະຜົນໄດ້ຮັບທີ່ຕ້ອງການ dd, ການກັ່ນຕອງການປັບຕົວປັບປຸງຄ່າສໍາປະສິດທຸກໆ iteration ເພື່ອວ່າ. ຄວາມແຕກຕ່າງລະຫວ່າງຜົນຜະລິດ yy ແລະ dd ກາຍເປັນນ້ອຍລົງແລະນ້ອຍລົງຈົນກ່ວາສ່ວນທີ່ເຫຼືອຢູ່ໃກ້ກັບສູນແລະ converges. LMS ແມ່ນຂັ້ນຕອນການອັບເດດສຳລັບຕົວກອງທີ່ສາມາດປັບຕົວໄດ້. ຫນ້າທີ່ຈຸດປະສົງຂອງ LMS ແມ່ນສີ່ຫຼ່ຽມຂອງຄວາມຜິດພາດທັນທີ e2(n)=(d(n)−y(n))2e2(n)=(d(n)−y(n))2, ເພື່ອຫຼຸດຫນ້ອຍລົງ ການທໍາງານຂອງຈຸດປະສົງ, ການນໍາໃຊ້ການສືບເຊື້ອສາຍ gradient ໃຫ້ສູດການປັບປຸງຂອງ algorithm. (ແນວຄວາມຄິດຂອງ algorithmic ຂອງການໃຊ້ gradient descent ເພື່ອຫຼຸດຜ່ອນຈຸດປະສົງແລະໄດ້ຮັບສູດການປັບປຸງຂອງພາລາມິເຕີທີ່ຈະຊອກຫາແມ່ນທົ່ວໄປຫຼາຍ, ເຊັ່ນ: linear regression.) ສູດການປັບປຸງຂອງ LMS algorithm ໂດຍໃຊ້ FIR filter ແມ່ນ: w(n+1. ) =w(n)+μe(n)x(n)w(n+1)=w(n)+μe(n)x(n), μμແມ່ນຂະໜາດຂັ້ນຕອນ. ຖ້າຂະຫນາດμμຖືກປັບດ້ວຍ iteration, ມັນເປັນຂັ້ນຕອນຂອງ LMS algorithm.
ໃຫ້ເວົ້າກ່ຽວກັບຮູບທີ 3. ໃນນີ້ຕົວກອງປັບຕົວແມ່ນຜົນຜະລິດຫຼັງຈາກ S(z)S(z) ເພື່ອປຽບທຽບກັບຜົນຜະລິດທີ່ຕ້ອງການ. S(z)S(z) ຈະເຮັດໃຫ້ເກີດຄວາມບໍ່ສະຖຽນລະພາບ. ໃນວັນນະຄະດີ, "ສັນຍານຄວາມຜິດພາດແມ່ນບໍ່ຖືກຕ້ອງ 'ສອດຄ່ອງ' ໃນທີ່ໃຊ້ເວລາກັບສັນຍານອ້າງອິງ", convergence ຂອງ LMS ແມ່ນແຕກ. (ຂ້ອຍບໍ່ໄດ້ຄິດອອກວ່າມັນຫມາຍຄວາມວ່າແນວໃດ T__T) ວິທີການທີ່ມີປະສິດທິພາບແມ່ນ FXLMS (Filtered-X LMS), ເຊິ່ງອະນຸຍາດໃຫ້ x(n) ເຂົ້າໃນໂມດູນ LMS ຜ່ານ Sˆ(z)S^(z), Sˆ( z S^(z) ແມ່ນການຄາດຄະເນຂອງ S(z)S(z). ຈຸດປະສົງຂອງ FXLMS:
E2(n)=(d(n)−s(n)∗[wT(n)x(n)])2,
E2(n)=(d(n)−s(n)∗[wT(n)x(n)])2,
ດັ່ງນັ້ນ gradient = −2e(n)s(n)∗x(n)−2e(n)s(n)∗x(n), ບ່ອນທີ່ s(n)s(n) ບໍ່ຮູ້ຈັກ, ດ້ວຍຄ່າປະມານຂອງມັນ, ດັ່ງນັ້ນ. ສູດ FLMS Update ແມ່ນ
w(n+1)=w(n)+μe(n)x'(n),
w(n+1)=w(n)+μe(n)x'(n),
ບ່ອນທີ່ x'(n)=sˆ(n)∗x(n)x'(n)=s^(n)∗x(n).
ເມື່ອຕົວກອງທີ່ປັບຕົວເຂົ້າກັນໄດ້, 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, ດັ່ງນັ້ນ W(z) ≈ P(z) / S(z) W(z) ≈ P(z) / S(z). ນັ້ນແມ່ນ, ຄ່າສໍາປະສິດນ້ໍາຫນັກຂອງການກັ່ນຕອງການປັບຕົວແມ່ນຖືກກໍານົດໂດຍເສັ້ນທາງຕົ້ນຕໍແລະເສັ້ນທາງທີສອງຂອງຫູຟັງ. ເສັ້ນທາງປະຖົມແລະເສັ້ນທາງຮອງຂອງຫູຟັງແມ່ນຂ້ອນຂ້າງຄົງທີ່, ດັ່ງນັ້ນຄ່າສໍາປະສິດນ້ໍາຫນັກຂອງຕົວກອງປັບຕົວແມ່ນຂ້ອນຂ້າງຄົງທີ່. ດັ່ງນັ້ນ, ເພື່ອຄວາມງ່າຍດາຍ, ຄ່າສໍາປະສິດນ້ໍາຫນັກຂອງຫູຟັງ ANC ຂອງຜູ້ຜະລິດຈໍານວນຫນຶ່ງແມ່ນຖືກກໍານົດຢູ່ໃນໂຮງງານ. ແນ່ນອນ, ປະສົບການການຟັງຂອງຫູຟັງ ANC ນີ້ແນ່ນອນບໍ່ດີເທົ່າກັບຫູຟັງ ANC ທີ່ມີຄວາມຫມາຍທີ່ສາມາດປັບຕົວໄດ້, ເພາະວ່າໃນສະຖານະການຕົວຈິງ, ສຽງດັງພາຍນອກທີ່ກ່ຽວຂ້ອງກັບທິດທາງຂອງຫູຟັງ, ອຸນຫະພູມທີ່ແຕກຕ່າງກັນແລະຄ້າຍຄືກັນອາດຈະມີອິດທິພົນຕໍ່. ການຕອບສະໜອງຊ່ອງຂອງຫູຟັງ.
ການຢັ້ງຢືນ Matlab
ຂຽນລະຫັດ Matlab, ໂດຍໃຊ້ຕົວກອງການປັບຕົວຂອງຂະຫນາດຂັ້ນຕອນຕົວແປ LMS, ຜົນໄດ້ຮັບການຈໍາລອງແມ່ນສະແດງຢູ່ໃນຮູບ 5. ໃນລະຫວ່າງ 0 ຫາ 2 kHz, feedforward ANC ຖືກນໍາໃຊ້ເພື່ອກໍາຈັດສິ່ງລົບກວນສີຂາວຂອງ Gaussian, ແລະການຫຼຸດຜ່ອນສິ່ງລົບກວນແມ່ນ 30 dB+. ໂດຍສະເລ່ຍ. FXLMS ໃນຫ້ອງສະຫມຸດ Matlab ແມ່ນຂັ້ນຕອນຄົງທີ່, ແລະຜົນກະທົບແມ່ນຮ້າຍແຮງກວ່າເກົ່າ.
ຖາມ & A
ກ. ເປັນຫຍັງ ANC ແມ່ນພຽງແຕ່ສໍາລັບສິ່ງລົບກວນຄວາມຖີ່ຕ່ໍາກວ່າ 2 kHz?
ໃນອີກດ້ານຫນຶ່ງ, ການສນວນສຽງທາງກາຍະພາບຂອງຫູຟັງ (ການຫຼຸດຜ່ອນສິ່ງລົບກວນຕົວຕັ້ງຕົວຕີ) ສາມາດສະກັດກັ້ນສຽງລົບກວນຄວາມຖີ່ສູງໄດ້ຢ່າງມີປະສິດທິພາບ, ແລະມັນບໍ່ຈໍາເປັນຕ້ອງໃຊ້ ANC ເພື່ອຫຼຸດຜ່ອນຄວາມຖີ່ສູງ. ໃນທາງກົງກັນຂ້າມ, ສຽງລົບກວນຄວາມຖີ່ຕ່ໍາມີຄວາມຍາວຄື່ນຍາວແລະສາມາດທົນທານຕໍ່ຄວາມລ່າຊ້າໄລຍະທີ່ແນ່ນອນ, ໃນຂະນະທີ່ຄວາມຖີ່ສູງຂອງສຽງລົບກວນມີຄວາມຍາວຄື່ນສັ້ນແລະມີຄວາມອ່ອນໄຫວຕໍ່ການ deviation ໄລຍະ, ດັ່ງນັ້ນ ANC ກໍາຈັດຄວາມຖີ່ຂອງສຽງດັງ.
ຂ. ເມື່ອຄວາມລ່າຊ້າທາງອີເລັກໂທຣນິກໃຫຍ່ກວ່າຄວາມລ່າຊ້າຕົ້ນຕໍ, ການປະຕິບັດຂອງ algorithm ສາມາດຫຼຸດລົງຢ່າງຫຼວງຫຼາຍໄດ້ແນວໃດ?
ຄວາມລ່າຊ້າ P(z) ແມ່ນນ້ອຍ, ຄວາມລ່າຊ້າ S(z) ມີຂະຫນາດໃຫຍ່, ເຊັ່ນ P(z)=z-1, S(z)=z-2, ພຽງແຕ່ໃນເວລາທີ່ W(z) =z ສາມາດຕອບສະຫນອງຄວາມຕ້ອງການ, ບໍ່ແມ່ນ. - ສາເຫດ, ບໍ່ສາມາດເຂົ້າເຖິງໄດ້.
ຄ. ຄວາມແຕກຕ່າງລະຫວ່າງ Feedforward ANC, ວົງແຄບ feedforward ANC, ແລະຄຳຕິຊົມ ANC ແມ່ນຫຍັງ?
ໂຄງສ້າງຂອງ Feedforwad ມີໄມສະທ້ອນ ແລະໄມທີ່ຜິດພາດທີ່ເກັບກຳສິ່ງລົບກວນພາຍນອກ ແລະສັນຍານທີ່ຕົກຄ້າງພາຍໃນ, ຕາມລໍາດັບ. ໂຄງປະກອບການຄໍາຄຶດຄໍາເຫັນມີພຽງແຕ່ຫນຶ່ງ mic ຄວາມຜິດພາດ, ແລະສັນຍານການອ້າງອິງແມ່ນສ້າງຂຶ້ນໂດຍໄມຄວາມຜິດພາດແລະຜົນຜະລິດການກັ່ນຕອງການປັບຕົວ.
feedforward ກວ້າງແມ່ນໂຄງສ້າງທີ່ອະທິບາຍຂ້າງເທິງ. ໃນໂຄງສ້າງແຖບແຄບ, ແຫຼ່ງສິ່ງລົບກວນຈະສ້າງຕົວສ້າງສັນຍານຜົນກະທົບຕໍ່ສັນຍານ, ແລະເຄື່ອງກໍາເນີດສັນຍານຈະສ້າງສັນຍານອ້າງອີງສໍາລັບການກັ່ນຕອງການປັບຕົວ. ໃຊ້ໄດ້ກັບການກໍາຈັດສິ່ງລົບກວນເປັນໄລຍະເທົ່ານັ້ນ.
Feedback ANC ໃຊ້ error mic ເພື່ອກູ້ສັນຍານທີ່ເກັບກຳໂດຍ ref mic ໃນໂຄງສ້າງ feedforward ເພາະວ່າມັນມີແຕ່ error mic ເທົ່ານັ້ນ. ເສັ້ນທາງດັ່ງກ່າວບໍ່ພໍໃຈກັບຂໍ້ຈໍາກັດທາງສາເຫດ, ດັ່ງນັ້ນພຽງແຕ່ອົງປະກອບຂອງສິ່ງລົບກວນທີ່ຄາດເດົາໄດ້, ເຊັ່ນ: ສຽງລົບກວນໄລຍະແຄບ, ໄດ້ຖືກລົບລ້າງ. ຄວນສັງເກດວ່າຖ້າ feedforward ບໍ່ຕອບສະຫນອງຂໍ້ຈໍາກັດຂອງສາເຫດ, ie ຄວາມລ່າຊ້າເອເລັກໂຕຣນິກແມ່ນຍາວກວ່າການຊັກຊ້າ acoustic ຊ່ອງທາງຕົ້ນຕໍ, ມັນພຽງແຕ່ສາມາດລົບລ້າງຄວາມລົບກວນໄລຍະເວລາແຄບ.
ນອກຈາກນີ້ຍັງມີໂຄງສ້າງ ANC ແບບປະສົມທີ່ປະກອບມີທັງໂຄງສ້າງ feedforward ແລະຂໍ້ຄິດເຫັນ. ປະໂຫຍດຕົ້ນຕໍແມ່ນວ່າທ່ານສາມາດປະຫຍັດຄໍາສັ່ງຂອງການກັ່ນຕອງການປັບຕົວໄດ້.
