1. CVC un DSP trokšņu samazināšana:
Kad patērētāji pērk Bluetooth austiņas, viņi vienmēr dzirdēs CVC un DSP trokšņu samazināšanas funkcijas, ko tirgotāji izmanto austiņu reklamēšanā. Neatkarīgi no tā, cik lietotāju ir dzirdējuši aprakstus, daudzi patērētāji joprojām nesaprot atšķirību starp abiem. Atšķirība, attiecībā uz šādu tehnisku problēmu, mēs nonākam pie zinātnes par diviem saskaņā ar darba principu un atšķirību.
DSP ir saīsinājums ciparu signālu apstrādei. Tā darbības princips: mikrofons savāc ārējos vides trokšņus un pēc tam, izmantojot trokšņu samazināšanas sistēmas funkciju austiņās, tas atkārtojas, lai radītu apgrieztu skaņas vilni, kas ir vienāda ar apkārtējo troksni, kas novērš troksni un tādējādi panāk vairāk. Labs trokšņu samazināšanas efekts.
CVC ir saīsinājums no Clear Voice Capture. Tā ir programmatūras trokšņu samazināšanas tehnoloģija. Princips ir apspiest dažāda veida reverberācijas troksni, izmantojot iebūvēto trokšņu slāpēšanas programmatūru un mikrofonu.
Atšķirība ir šāda:
a. jo objekts ir atšķirīgs, CVC tehnoloģija galvenokārt ir paredzēta atbalsam, kas rodas zvana laikā, DSP galvenokārt ir paredzēts augstas un zemas frekvences trokšņiem ārējā vidē.
b. dažādiem saņēmējiem, DSP tehnoloģija galvenokārt nodrošina austiņu lietotāju personīgos ienākumus, un CVC galvenokārt dod labumu otrai pusei.
Rezumējot, austiņas, kurās tiek izmantota DSP un CVC trokšņu samazināšanas tehnoloģija, var efektīvi samazināt zvana ārējās vides troksni un būtiski uzlabot zvana kvalitāti un austiņu skaņu.
2. ANC trokšņu samazināšana:
ANC attiecas uz aktīvo trokšņu kontroli, kas aktīvi samazina troksni. Pamatprincips ir tāds, ka trokšņu samazināšanas sistēma rada apgrieztus skaņas viļņus, kas ir vienādi ar ārējo troksni, neitralizējot troksni. 1. attēlā ir shematiska diagramma par uz priekšu vērstas aktīvās trokšņu slāpēšanas austiņas. ANC mikroshēma ir ievietota austiņu iekšpusē. Ref mic (atsauces mikrofons) savāc apkārtējos trokšņus austiņās. Error mic (Error Microphone) Savāc atlikušo troksni pēc trokšņu samazināšanas austiņās. Pēc ANC apstrādes skaļrunis atskaņo prettrokšņu signālu.
2. attēlā ir ANC sistēmas shematiska diagramma ar trim slāņiem, kas atdalīti ar pārtrauktām līnijām. Augšējais primārais ceļš ir akustiskais kanāls no ref mic uz kļūdas mikrofonu, atbildes funkciju attēlo ar P(z)P(z); vidējais slānis ir analogais kanāls, kur sekundārais ceļš ir ceļš no adaptīvā filtra izejas uz atgriešanās atlikumu. Ieskaitot DAC, rekonstrukcijas filtru, jaudas pastiprinātāju, skaļruņu atskaņošanu, atkārtotu iegūšanu, priekšpastiprinātāju, anti-aliasing filtru, ADC; apakšējais slānis ir digitālais ceļš, kur adaptīvais filtrs pastāvīgi pielāgo filtra svara koeficientu, lai samazinātu atlikumu līdz konverģencei. Visizplatītākais risinājums ir adaptīvā filtra ieviešana, izmantojot FIR filtru kombinācijā ar LMS algoritmu. Vienkāršojiet 2. attēlu un iegūstiet 3. attēlu.
Ļaujiet man īsi pastāstīt par adaptīvā filtra un LMS (mazākā kvadrāta) algoritma principiem un pēc tam 3. attēlu. Kā parādīts 4. attēlā, ņemot vērā ievadi xx un vēlamo izvadi dd, adaptīvais filtrs atjaunina koeficientus katrā iterācijā, lai. atšķirība starp izvadi yy un dd kļūst mazāka un mazāka, līdz atlikums ir pietiekami tuvu nullei un saplūst. LMS ir adaptīvo filtru atjaunināšanas algoritms. LMS mērķa funkcija ir momentānās kļūdas e2(n)=(d(n)−y(n))2e2(n)=(d(n)−y(n))2 kvadrāts, lai samazinātu mērķa funkcija, izmantojot gradienta nolaišanos, tiek iegūta atjaunināta algoritma formula. (Ļoti izplatīta ir algoritmiskā ideja izmantot gradienta nolaišanos, lai samazinātu mērķi un iegūtu atjauninātu meklējamā parametra formulu, piemēram, lineārā regresija.) LMS algoritma atjaunināšanas formula, izmantojot FIR filtru, ir: w(n+1 ) =w(n)+μe(n)x(n)w(n+1)=w(n)+μe(n)x(n), kur μμ ir soļa lielums. Ja μμ lielums tiek koriģēts ar iterāciju, tas ir soli pa solim LMS algoritms.
Parunāsim par 3. attēlu. Šeit adaptīvais filtrs tiek izvadīts pēc S(z)S(z), lai salīdzinātu ar vēlamo izvadi. S(z)S(z) radīs nestabilitāti. Literatūrā "kļūdas signāls nav pareizi "salīdzināts" laikā ar atsauces signālu", LMS konverģence ir pārtraukta. (Neesmu sapratis, ko tas nozīmē T__T) Efektīva metode ir FXLMS (Filtered-X LMS), kas ļauj x(n) ievadīt LMS modulī, izmantojot Sˆ(z)S^(z), Sˆ( z S^(z) ir S(z)S(z) aprēķins. FXLMS mērķis:
E2(n)=(d(n)−s(n)∗[wT(n)x(n)])2,
E2(n)=(d(n)−s(n)∗[wT(n)x(n)])2,
Tātad gradients=−2e(n)s(n)∗x(n)−2e(n)s(n)∗x(n), kur s(n)s(n) nav zināms, ar tā aptuveno vērtību, tāpēc FXLMS atjaunināšanas formula ir
w(n+1)=w(n)+μe(n)x'(n),
w(n+1)=w(n)+μe(n)x'(n),
Kur x'(n)=sˆ(n)∗x(n)x'(n)=s^(n)∗x(n).
Kad adaptīvais filtrs saplūst, 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, tātad W(z) ≈ P(z) / S(z) W(z) ≈ P(z) / S(z). Tas nozīmē, ka adaptīvā filtra svara koeficientu nosaka austiņu primārais ceļš un sekundārais ceļš. Austiņu primārais ceļš un sekundārais ceļš ir salīdzinoši stabils, tāpēc adaptīvā filtra svara koeficients ir salīdzinoši stabils. Tāpēc vienkāršības labad dažu ražotāju ANC austiņu svara koeficienti tiek noteikti rūpnīcā. Protams, šo ANC austiņu klausīšanās pieredze acīmredzami nav tik laba kā ANC austiņām ar patiesu adaptīvu nozīmi, jo reālās situācijās ārējais troksnis attiecībā pret austiņu virzienu, atšķirīga temperatūra un tamlīdzīgi var ietekmēt austiņu kanāla reakcija.
Matlab pārbaude
Uzrakstiet Matlab kodu, izmantojot mainīga soļa izmēra LMS adaptīvo filtru, simulācijas rezultāti ir parādīti 5. attēlā. Diapazonā no 0 līdz 2 kHz tiek izmantots uz priekšu vērstais ANC, lai novērstu Gausa balto troksni, un trokšņa vājināšanās ir 30 dB+. vidēji. FXLMS Matlab bibliotēkā ir fiksēta soļa, un efekts ir sliktāks.
Jautājumi un atbildes
a. Kāpēc ANC ir paredzēts tikai zemas frekvences trokšņiem zem 2 kHz?
No vienas puses, austiņu fiziskā skaņas izolācija (pasīvā trokšņa samazināšana) var efektīvi bloķēt augstfrekvences troksni, un nav nepieciešams izmantot ANC, lai samazinātu augstfrekvences troksni. No otras puses, zemas frekvences troksnim ir garš viļņa garums un tas var izturēt noteiktu fāzes aizkavi, savukārt augstfrekvences troksnim ir īss viļņa garums un tas ir jutīgs pret fāzes novirzi, tāpēc ANC novērš augstfrekvences troksni.
b. Ja elektroniskā aizkave ir lielāka par primāro aizkavi, kā var ievērojami samazināt algoritma veiktspēju?
P(z) aizkave ir maza, S(z) aizkave ir liela, piemēram, P(z)=z-1, S(z)=z-2, tikai tad, ja W(z)=z var atbilst prasībām, nav -cēlonisks, nesasniedzams.
c. Kāda ir atšķirība starp Feedforward ANC, šaurjoslas feedforward ANC un atgriezeniskās saites ANC?
Feedforwad struktūrai ir ref mic un kļūdas mikrofons, kas apkopo attiecīgi ārējos trokšņus un iekšējos atlikušos signālus. Atgriezeniskās saites struktūrai ir tikai viens kļūdas mikrofons, un atsauces signālu ģenerē kļūdas mikrofons un adaptīvā filtra izeja.
Platjoslas pārsūtīšana ir iepriekš aprakstītā struktūra. Šaurjoslas struktūrā trokšņu avots ģenerē signāla sprūda signāla ģeneratoru, un signāla ģenerators ģenerē atsauces signālu adaptīvajam filtram. Piemērots tikai periodiska trokšņa novēršanai.
Atsauksmes ANC izmanto kļūdu mikrofonu, lai atgūtu signālu, ko ref mic savāc pārsūtīšanas struktūrā, jo tam ir tikai kļūdas mikrofons. Ceļš neatbilst cēloņsakarības ierobežojumam, tāpēc tiek izslēgti tikai paredzamie trokšņa komponenti, ti, šaurjoslas periodiskais troksnis. Jāņem vērā, ka, ja pārsūtīšana neapmierina cēloņsakarības ierobežojumu, ti, elektroniskā aizkave ir garāka par galvenā kanāla akustisko aizkavi, tā var novērst tikai šaurjoslas periodisko troksni.
Ir arī hibrīda ANC struktūra, kas ietver gan uz priekšu, gan atgriezeniskās saites struktūras. Galvenā priekšrocība ir tā, ka varat saglabāt adaptīvā filtra secību.
