CN106664481A - 扬声器的非线性控制 - Google Patents

Abstract

一种非线性控制系统包括控制器、模型更新器以及模型。该控制器被配置成接受一个或多个输入信号，并且通过该模型更新器生成的一个或多个更新来产生一个或多个控制信号。该系统被配置成用所述控制信号驱动一个或多个换能器，以由所述换能器产生一个渲染的音频流。该模型更新器被配置成分析该音频流的一个或多个部分，并且更新该控制器的一个或多个方面，以便更改该换能器的性能。

Description

扬声器的非线性控制

技术领域

本公开内容涉及扬声器(loudspeaker)的数字控制，具体地涉及用于在音频信号处理中实施的非线性数字控制系统。

背景技术

移动技术和消费电子设备(CED)在整个世界中的使用和范围不断扩张。在不断激增的同时，存在设备硬件和部件的快速的技术进步，导致提高的计算能力和集成新的外围设备搭载在设备上，以及设备尺寸和功率消耗等的减少。大多数设备(诸如，移动电话、平板计算机和膝上型计算机)包括音频通信系统，特别地包括一个或多个扬声器，以与用户交互和/或使音频数据流向给用户。

每个设备都具有一个声学特征(acoustic signature)，意味着一个设备由其组成和设计所规定的、影响由该设备所生成的声音或该设备与声音的交互方式的可听特性。声学特征可以包括一系列非线性方面，所述非线性方面潜在地取决于设备的设计、设备的寿命和/或设备操作的环境。设备的声学特征可显著地影响用户的音频体验。

音频体验是在设计消费电子设备时所考虑的许多因素之一。通常情况下，使音频系统、扬声器等的品质做出让步，以支持其他设计因素，诸如成本、视觉上的美观要求、形状因素、屏幕使用面积(screen real-estate)、机箱(case)材料选择、硬件布局和组装考虑以及其他设计因素。

这些竞争因素中的许多因素通过以音频质量为代价而得到了支持，所述音频质量为如通过音频驱动器、部件布局、扬声器、材料和组装考虑、外壳(housing)设计等确定的。此外，由于减少的可用使用面积以及小型化的部件尺寸，这样的设备的声学特性中的非线性将变得特别相关，因为这样的设备中的扬声器被推到了它们的能力的极限。

通常通过附加成本、提高计算复杂性和/或增大部件尺寸可以实现声学性能的改善。这些方面与当前的设计趋势相冲突。由此，解决设备的非线性声学特征的成本、计算以及尺寸敏感的方法将是设计者的工具箱的一个受欢迎的附加项。

发明内容

本公开内容的一个目的是提供一种用于扬声器的非线性控制系统。

另一个目的是提供一种适合于在整个大量制造的扬声器族中实施的非线性控制系统。

另一个目的是提供一种用于扬声器的鲁棒的非线性控制系统。

又一个目的是提供一种用于为相关联的消费电子设备配置根据本公开内容的非线性控制系统的制造方法。

上述目的通过根据本公开内容的所附权利要求的设备、系统和方法完全地或部分地实现。在根据本公开内容的所附权利要求、下面的描述以及附图中阐明了一些特征和方面。

根据第一方面，提供了一种用于通过换能器来渲染媒体流的非线性控制系统，该非线性控制系统包括：一个控制器，该控制器包括一个前馈模型，该模型被配置成接受一个与该媒体流相关的输入信号并且输出一个控制信号，以驱动一个放大器和/或该换能器，从而用于在该换能上渲染该媒体流，该模型被配置成补偿该换能器、该放大器和/或环境参数的一个或多个声学特性；一个或多个传感器，所述一个或多个传感器与该换能器、该放大器和/或该环境耦合，所述一个或多个传感器被配置成由该换能器、该放大器和/或该环境生成一个反馈信号；以及一个与该控制器耦合的模型更新函数，该模型更新函数被配置成接受一个从该反馈信号、该输入信号、该控制信号和/或由该反馈信号、该输入信号、该控制信号所生成的信号导出的数据集，并且基于该数据集的分析来更新该模型的一个或多个方面。

在一些方面，所述传感器中的一个或多个可以被配置成测量或生成一个与电流、电压、阻抗、电导、实质DC阻抗值、共振性能、温度、音圈(voice coil)电流、音圈温度、膜或线圈位移、速度、加速度、空气流动、腔室背压、换能器风管(vent)空气流动、声压水平、动力学测量、磁场测量、压力、湿度、其组合等相关的信号。

在一些方面，该控制器可以被配置成以一个渲染速率操作，并且该模型更新函数可以被配置成以一个更新速率来周期性地更新该模型，该更新速率显著慢于该渲染速率。在一些方面，该更新速率可以每秒小于1个更新、每秒小于0.1个更新、每分钟小于1个更新、每小时小于1个更新等。

在一些方面，根据本公开内容的系统可以包括一个调度器，该调度器被配置成通过分析该数据集来确定该更新速率。这样的分析的一些非限制性实施例可以包括分析与该数据集相关联的一个或多个度量，以确定该数据集的一个子集，该子集适合于从其执行一个更新。在一些方面，所述一个或多个度量可以与有关输入信号、控制信号、渲染的媒体流和/或反馈信号中的一个或多个的幅度或带宽相关联，或者与输入信号、控制信号、渲染的媒体流和/或反馈信号中的一个或多个之间的关系或者与输入信号、控制信号、渲染的媒体流和/或反馈信号中的一个或多个的组合等相关联。

在一些方面，该系统可以包括一个与该模型更新器耦合的缓冲器，该缓冲器被配置成存储该数据集的至少一部分。

在一些方面，该模型更新函数可以包括一个鲁棒回归算法、一个模型库和/或一个选择算法，或者与一个鲁棒回归算法、一个模型库和/或一个选择算法接口，以执行该分析的至少一部分。在一些方面，该模型更新函数可以包括一个模型库和/或与一个模型库接口，该库中的每个模型被配置成从该数据集生成一个状态估计，该模型更新函数被配置成将该状态与该数据集的一个或多个方面比较以作为该分析的一部分。在一些方面，该模型更新函数可以包括一个选择算法或与一个选择算法接口，该选择算法被配置成基于该比较来选择来自该模型库的一个模型或与该模型库中的模型相关的一个模型。

在一些方面，该系统可以被配置成接受一个通知，该通知被集成到该媒体流内，从在该通知期间渲染的媒体流导出该数据集的至少一部分。通知的一些非限制性实施例包括与渲染的流相关联的有关铃音的媒体剪辑、唤醒通知、游戏声音剪辑、媒体介绍、音频剪辑、电影或电视节目剪辑、歌曲剪辑、事件、上电事件、用户通知、睡眠恢复事件、触摸音频响应、其组合等。

在一些方面，该模型更新算法可以包括一个改变检测算法，该改变检测算法被配置成分析该数据集，以确定在该控制器内的该模型和该换能器的一个或多个声学特性之间是否存在显著差异。该改变检测算法可以被用来确定该更新速率的至少一部分，以评估一个控制器模型的性能等，用于诊断目的。

在一些方面，根据本公开内容的控制器内的一个模型可以包括一个线性动态模型和一个非线性模型。在一些方面，该模型更新函数可以被配置成基于对该数据集的分析来更新该线性动态模型或该非线性模型的一部分。

在一些方面，根据本公开内容的系统可以被包括在根据本公开内容的移动消费电子设备内。消费电子设备的一些非限制性实施例可以包括蜂窝电话(例如，智能手机)、平板计算机、膝上型计算机、便携式媒体播放器、电视、便携式游戏设备、游戏机、游戏控制器、遥控装置、家电(例如，烤箱、冰箱、面包机、微波炉、真空清洁器等)、电动工具(钻孔机、搅拌机等)、机器人(例如，自主清洁机器人、护理机器人等)、玩具(例如，玩偶、小雕像、结筑型套件(construction set)、拖拉机等)、贺卡、家庭娱乐系统、有源扬声器、媒体附件(例如，电话或平板计算机音频和/或视频附件)、可穿戴设备、声霸(sound bar)等。

在一些方面，根据本公开内容的换能器可以被设计成包括足够严重的、有缺陷的声学特性，以便毁坏不具有补偿的输入信号的渲染，该控制器内的该模型被配置成补偿该有缺陷的声学特性，以便在该换能器上有效地渲染该媒体流而没有显著毁坏。这样的配置对于实现如下设计是有益的：非传统换能器设计、当未与根据本公开内容的控制器耦合时不能驱动的、更有效但更多的非线性换能器的换能器设计等。在一个非限制性实施例中，该换能器可以是扩音器(speaker)，且该有缺陷的声学特性可以是与该扩音器相关联的力因数、刚度、机械阻力、端口噪声等的非线性和/或不稳定性，或可以与所述非线性和/或不稳定性相关。在一些方面，无补偿的有缺陷的声学特性可以贡献该换能器的声学输出的10％以上、25％以上或35％以上，该控制器中的该模型被配置成将此成分减少小于10％、小于5％或小于2％。在一些方面，该模型更新函数可以被配置成每当有补偿的有缺陷的声学特性成分在其残差阈值以上大于5％、大于15％、大于25％时就更新该控制器内的该模型。在一些方面，可以在根据本公开内容的反馈信号中的一个或多个上显现或从根据本公开内容的反馈信号中的一个或多个提取该有缺陷的声学特性的评估。

在一些方面，该换能器可以被设计成具有相对高的效率，同时牺牲无补偿的操作状态中的声音品质、THD和/或IMD，该控制器被配置成显著改善该声音品质、THD和/或IMD，同时在有补偿的操作状态期间维持其相对高的效率。

在一些方面，根据本公开内容的放大器、调度器和/或模型更新器可以包括一个用于由一个或多个反馈信号来估计该换能器的一个特性温度并且将该估计递送到一个或多个的该控制器和/或该模型更新器的装置，该控制器和/或该模型更新器被配置成分别将该温度估计纳入到补偿和/或分析算法内。

根据一些方面，提供了根据本公开内容的系统提高换能器族的效率而不显著牺牲声音品质的用途。

根据一些方面，提供了根据本公开内容的系统降低渲染的媒体流中的THD和/或IMD的用途。

根据一些方面，一种用于更新在换能器上渲染音频流所使用的模型的方法，包括：在一个或多个时间段内收集与该音频流相关联的数据，以形成一个数据集；分析该数据集，以确定内容是否具有在足以执行该更新的一个预定阈值以上的幅度和频谱内容；使用该数据集的至少一部分生成一个更新的模型或一个更新的模型的一部分；以及用该更新的模型或该更新的模型的一部分来更新该模型。

在一些方面，根据本公开内容的方法可以包括将多个预定模型的输出与该数据集的至少一部分进行比较，以及选择与所述多个预定模型中的一个模型相关联的模型作为该更新的模型，其中该比较可以是基于对比较所述预定模型和该数据集的一部分之间的拟合的紧密度的度量的分析。用于比较的度量的一些非限制性实施例包括在由所述预定模型生成的一个或多个估计和该数据集之间的鲁棒残差、累积误差和、最大似然评估、似然比测试、平方残差阈值测试、跨感兴趣的频带的输出与输入之间的幅度比较、其组合等。

在一些方面，所述时间段中的一个或多个可以长于0.1秒、长于0.25秒、长于0.5秒、长于1秒等。

根据一些方面，提供了一种用于更新换能器的模型的方法，包括：在一个用户通知事件期间将一个测试信号应用到该换能器，并且收集与其相关联的数据以形成一个数据集；分析该数据集以形成一个更新结构，该更新结构包括更新的模型、模型特性、模型参数、模型的线性部分、模型中的非线性函数、指向最接近的拟合模型的指针、其组合等中的一个或多个；以及用该更新结构来更新该模型。用户通知事件的一些非限制性实施例包括在该换能器上渲染与铃音相关的媒体剪辑、唤醒通知、游戏声音剪辑、媒体介绍、视频、电影或电视节目剪辑、歌曲剪辑、事件、上电、用户通知、睡眠恢复事件、触摸音频响应、其组合等中的一个或多个。在一些方面，该用户通知事件可以持续长于0.1秒、长于0.25秒、长于0.5秒或长于1秒的一个时间段。

在一些方面，该方法可以包括由多个测试信号的顺序应用形成该数据集，和/或将该数据集与用于该通知事件的预定的预期结果比较，以确定该数据集是否适合于执行该更新。

在一些方面，该模型更新函数可以包括非线性观测器、滑模观测器、卡尔曼滤波器、自适应滤波器、最小均方自适应滤波器、增广递归最小二乘滤波器、扩展卡尔曼滤波器、集合卡尔曼滤波器、高阶扩展卡尔曼滤波器、动态贝叶斯网络。在一些方面，该观测器可以包括无迹卡尔曼滤波器或增广无迹卡尔曼滤波器，以生成估计的状态中的一个或多个，从而用于与一个输入信号、控制信号、反馈信号、其组合等比较。

在一些方面，该控制器可以包括一个保护块，该保护块被配置成分析输入信号和/或控制信号中的一个或多个，并且基于该分析来修正所述控制信号。

在一些方面，该放大器可以被配置成将该控制信号与该换能器互连。该放大器可以被配置成监控电流信号、电压信号、功率信号和/或换能器阻抗信号中的一个或多个，并且将该信号作为反馈提供给该非线性控制系统的一个或多个部件。

该控制器或该控制器中所包括的模型可以包括一个或多个以参数方式限定的参数，该控制器的函数依赖于所述参数，且该模型更新函数可以被配置成调整所述参数中的一个或多个，从而减少在该模型更新函数上渲染的相关联的媒体流中的失真方面。

换能器的一些非限制性实施例包括电磁扬声器、压电致动器、基于电活性聚合物的扬声器、静电扬声器、其组合等。

附图说明

图1示出了根据本公开内容的非线性控制系统的一些方面的示意图。

图2a-图2b示出了根据本公开内容的控制器的一些方面的示意图。

图3a-3d示出了根据本公开内容的模型更新器的一些方面的示意图。

图4a-4b示出了根据本公开内容的用于收集数据和更新模型的方法的一些方面。

具体实施方式

下面参考附图在此描述了本公开内容的具体实施方案；然而，所公开的实施方案仅是该公开内容的实施例并且可以以多种形式体现。未详细描述众所周知的函数或构造，从而避免以不必要的细节模糊本公开内容。因此，本文中所公开的具体结构细节和功能细节不意在被解释为限制性的，而是仅作为权利要求的基础和作为教导本领域技术人员以任何实际上适当详细的结构来多样地使用本公开内容的代表性基础。在全部附图描述中，相似的参考数字可以指类似的元件或相同的元件。

消费电子设备意指蜂窝电话(例如，智能手机)、平板计算机、膝上型计算机、便携式媒体播放器、电视、便携式游戏设备、可穿戴计算设备、游戏控制台、游戏控制器、遥控器、家电(例如，烤箱、冰箱、面包机、微波炉、真空清洁器等)、电动工具(钻孔机、搅拌机等)、机器人(例如，自主清洁机器人、护理机器人等)、玩具(例如，玩偶、小雕像、结筑型套件、拖拉机等)、贺卡、家庭娱乐系统、有源扬声器、媒体配件(例如，电话或平板计算机音频和/或视频配件)、声霸等。

输入音频信号意指通过一个外部音频源(例如，处理器、音频流设备、音频反馈设备、无线收发器、ADC、音频解码器电路、DSP等)所提供的一个或多个信号(例如，数字信号、一个或多个模拟信号、5.1环绕声信号、音频回放流等)。

声学特征意指消费电子设备和/或消费电子设备的部件(例如，扬声器组件，包括壳体、波导等)的、由其设计所规定的、影响由该消费电子设备和/或该消费电子设备的部件所生成的声音的可听的或可测量的声音特性。声学特征可能受许多因素影响，所述许多因素包括扬声器设计(扩音器尺寸、内部扩音器元件、材料选择、放置、安装、盖等)、设备形状因素、内部部件放置、屏幕使用面积和材料组成、机箱材料选择、硬件布局和组件考虑以及其他因素。通常情况下，在设计过程期间，成本降低、形状因素约束、视觉上的美观要求以及许多其他竞争因素以消费电子设备的音频品质为代价而得以支持。因此，设备的声学特征会显著偏离理想响应。此外，上述因素中的制造差异会显著影响每个设备的声学特征，导致使用户的音频体验降级的进一步的部分间差异。会影响消费电子设备的声学特征的因素的一些非限制性实施例包括：扩音器尺寸不足，这会限制重新创建低频声音所必需的空气移动；用于膜后方的声学壳体的空间不足，这会导致音频频谱的低端中的较高的自然滚边(roll-off)频率；可用放大器功率不足；膜和听者之间的间接音频路径，这是因为扩音器通常放置在TV的背面或在膝上型计算机的下面，依靠反射到达听者；以及其他因素。

在一些方面，根据本公开内容的系统可以被用来帮助减少或放宽对相关联的扬声器的一个或多个部件的一个或多个设计约束(例如，减少“按照设计角度的”线性，以提升其他扩音器性能、减少制造成本、去除部件、减少部件复杂性、减小背腔体积等)或对相关联的产品的一个或多个部件的一个或多个设计约束(例如，放宽外壳泄漏公差、放宽外壳壁的挠曲公差、放宽腔上的容积公差等)。在这样的情境中，根据本公开内容的非线性控制器可以被适配，以克服由放宽的约束所引入的缺陷或对放宽的约束进行补偿，由此提供足够的或甚至高品质的性能，同时降低尺寸、复杂度、成本和/或操作该设备所需要的功率要求。

这样的使用的一些非限制性实施例包括放宽“按照设计角度的”规格，诸如，声音输出线性、输出的平坦度、共振时的声学品质等，和/或扬声器的一个或多个部件的简化、质量降低、制造公差的减小或去除。

在一个非限制性实施例中，用于结合根据本公开内容的系统使用的扬声器可以包括音圈和磁体，该磁体被安排成在该音圈可以穿过的长度上提供磁场。在传统的扩音器设计中，音圈的长度和移动可以被配置成使得它匹配该磁场的长度。这样的配置可以被提供，以在使用期间，在所提供给扩音器的输入的范围内提高线性。替代地，可以提供音圈的长度随磁场的长度而急剧减少和/或音圈的行程(the length of travel)随磁场的长度而增大，以增大扩音器的效率和/或减小扩音器的轮廓(常常以扩音器的音频输出品质为代价)。根据本公开内容的控制系统可以与扬声器耦合，并且被配置成用这样的配置克服减少的线性。因此，根据本公开内容的系统可以被用来提升或维护扩音器输出的品质，同时提供较低成本、较小轮廓和/或更有效的总体扩音器设计。

声学特征可以包括一个或多个非线性方面，所述一个或多个非线性方面与会影响相关联的设备的音频输出的材料选择、设计方面、组装方面等相关，以导致这样的效果，如相互调制、谐波生成、次谐波生成、压缩、信号失真、分叉(bifurcation)(例如，不稳定状态)、混沌行为、空气对流方面等。非线性方面的一些非限制性实施例包括涡电流、锥体位置非线性、线圈/场非线性、DC线圈位移、机电非线性(例如，磁场和/或E场迟滞现象)、粘弹性以及相关联的机械方面(例如，机架(spider)、安装框架、锥体、悬架几何结构等中的悬架非线性、非线性阻尼)、组件偏心距、驱动器特性、热特性、声学辐射性能(例如，辐射、衍射、传播、室内效果(room effect)、对流方面等)、音频感知特性(例如，心理声学方面)等。

这样的非线性方面可以是幅度相关的(例如，热相关的、锥体偏移(coneexcursion)相关的、输入功率相关的等)、寿命相关的(例如，基于储存和/或操作条件而随时间的推移改变的)、操作环境相关的(例如，基于缓慢起作用的热影响)、机械老化和/或磁老化相关的(例如，相关联的磁材料的去极化、橡胶和/或聚合物安装件的老化、与灰尘聚集相关联的改变等)、与部件间差异相关的(例如，与精确制造、组装期间的定位差异、不同的安装压力等相关联)等。

根据本公开内容的非线性控制系统可以被配置成补偿上述方面中的一个或多个，优选地在普通音频流(例如，即兴音频流)的回放期间。这样的非线性控制系统有利于有效地将与音频流相关联的音频品质扩展到相关联的硬件可以处理的音频品质的极限。

在一些方面，根据本公开内容的控制系统的一个或多个部件可以包括一个调度器或等效的调度函数，或与一个调度器或等效的调度函数接口。该调度器可以被配置成启动一个时间调度分析、一个反馈启动分析、一个更新启动分析、一个无缝集成分析(参见下文)、其组合等。这样的对分析的启动可以通过一个或多个输入/输出数据流等的评估来确定。这样的评估的结果可以被用来启动该控制系统内的一个适配函数(例如，用于适配该控制系统的一个或多个方面，以在任何给定的时间更好地匹配扬声器或相关部件的性能)。这样的配置在如下情况下可能是有利的：对于在非实时操作系统上实施适配进程、对于一个或多个扩音器参数的离线适配、对于用有限的资源执行适配，和/或在功率约束(诸如，通常与移动应用和设备相一致)下。

时间调度分析意指可以执行一个更新分析的时间段，该时间段基于在使用期间扬声器的性能的预期改变速率。这样的时间段可以被配置成在该系统的设计期间，取决于操作条件(例如，功率使用量，操作条件诸如温度、湿度等，取决于流过设备的音频的类型等)。

反馈启动分析意指这样一种算法：将来自扬声器或相关联的部件的一个或多个反馈参数(诸如，电流反馈、阻抗、扬声器参数测量、共振频率等)与控制器的一个或多个方面(诸如，对应的电流估计、阻抗估计、扬声器参数估计、共振频率估计等)进行比较，以确定所述参数和估计之间的失配是否显著。如果显著，则调度器可以启动一个适配进程，从而校正该失配、启动一个诊断测试等。

更新启动分析意指作为更新进程的一部分而被执行的分析。这样的分析可以被隐藏在作为更新进程的一部分(例如，作为硬件更新、应用更新、应用购买、网络连接/断开、通知、重新启动等的一部分)所插入的音频流内。在一些方面，调度器可以在所述更新进程中的一个作为设备函数的一部分自然发生时启动一个适配进程。这样的进程可以与一个用户通知(例如，使用户警觉的可听序列等，作为更新进程的一部分)结合。通过将该分析与更新进程结合，执行控制器的大信号适配所必需的数据可以被执行而不干扰日常用户/设备交互。

无缝集成分析意指这样一个分析：在设备的使用期间(例如，在一个用户通知、一个重新启动、一个唤醒事件、一个拨号音、一个铃音等期间)待机会出现时或随时间的推移凭借该分析收集用于执行一个适配进程所必需的数据。在一些方面，这样的分析可以包括收集从整个设备音频流可获得的音频流片段，所述片段可形成一个完整的数据集以用于在适配算法中使用。在一些方面，因为可以在准备适配时收集用于适配的数据，所以调度器可以在所收集的数据足以执行适配时(例如，当从所收集的数据可获得足够的幅度和频率具体数据点来执行适配时)启动适配进程。在一些方面，调度器可以被配置成根据相关联的扬声器和所连接的音频系统的需要或规定来指定数据收集的优先权或启动适配。这样的评估可以被配置成收集从设备可获得的，而不显著影响用户体验。

这样的收集所必需的数据的方法可以有利于确保适配算法可以在缩减的时间帧内进入一个解决方案、可以提高适配进程成功的可能性、可以提高适配进程收敛到理想的系统模型或匹配的系统模型的可能性等。

一个或多个用于执行适配程序的调度进程或数据收集进程可以与一个用户通知(例如，使用户警觉的可听序列等，作为更新进程的一部分)结合。通过将分析与更新进程结合，执行控制器的大信号适配所必需的数据可以被执行而不干扰日常用户/设备交互。

在一些方面，该控制系统可以被配置成以两个或更多个速率(一个高速率以及一个或多个较低速率)操作。该高速率可以被配置成管理数据在设备(例如，扬声器)上的实时的或接近实时的渲染。这样的高速率可以适合于宽范围的音频渲染应用。在一些方面，这样的高速率可以被配置成大于22kHz、大于44kHz、大于192kHz等。

在一些方面，除了高速率，该控制系统的一个或多个方面和/或相关联的调度器可以被配置成以一个或多个较低速率操作。这样的较低速率可以与一个或多个适配、音频测试、诊断测试等相关。这样的速率可以是固定的或可变的，诸如在本文中描述的。在一些方面，与这样的速率相关联的时段可以是大约5秒、大约1分钟等。

在一些方面，根据本公开内容的模型更新器或调度器可以包括一个或多个以中间速率运行的进程。在一些方面，该中间速率可以被用来启动一个适配，以适应可能在中间时间尺度(例如，大约0.5sec、大约5sec等)上发生的操作条件或环境的改变。这样的适配进程可以被用来更新相关联的控制器模型的一个或多个方面，以补偿操作条件的改变，诸如音圈温度的改变(例如，通过来自相关联的扬声器的电流和/或电压反馈测得的)，环境湿度、压力的改变，扬声器声学阻抗的改变(例如，诸如当扩音器端口被用户堵塞、覆盖等时测得的)、其组合等。与老化或非线性扩音器参数的改变相关联的时间帧相比，这样的改变可以在相对快的时间帧内被执行。

在一些方面，该控制器可以包括多个进程，每个进程与一个或多个速率相关联：高、中间、低，等等。每个速率相关(rate dependent)的进程可以被配置成涉及一个特定函数，诸如，渲染(高速率进程)、更新操作条件相关的模型(中间速率进程)、更新非线性或大信号相关的模型(低速率进程)。这样的进程可以在该系统的常规操作期间并行运行。

在一些方面，一个系统可以包括一个控制器，该控制器包括一个模型，该控制器被配置成用该模型以大体上高速率渲染音频流，该模型包括线性方面和非线性方面。该系统可以包括被配置成以中间速率更新该模型的一个或多个线性参数的第一模型更新器(例如，诸如，由操作条件的改变、环境改变、音频流的改变等规定的)。该第一模型更新器可以与一个数据收集块相关联，该数据收集块被配置成捕获来自该音频流的小信号数据，并且用其以大致中间速率执行必需的更新(例如，如条件规定)。该系统可以包括被配置成以大体上较慢速率更新该模型的一个或多个非线性或大信号参数的第二模型更新器(例如，如在音频流的渲染期间由数据的收集或可用性规定的)。该第二模型更新器可以包括一个数据收集子系统，该数据收集子系统被配置成随时间的推移收集合适的数据的片段，可选地验证所收集的数据，且可选地将所述数据拼接在一起以形成一个可操作的(actionable)数据集(例如，一个适合于执行大信号模型更新的数据集)。这样的数据收集子系统可以适合于收集和验证数据，以在适配进程中使用，而不需要大量的系统资源。这样的配置会有利于鲁棒地自适应地更新非线性控制器，同时最小化计算工作量(例如，与递归实施的自适应更新的连续实施方式等相反)。

在一些方面，根据本公开内容的模型更新器或调度器可以包括一个或多个如下函数：所述函数被配置成在对相关联的控制器的一个或多个方面执行适配之前评估所收集的数据。该评估可以被执行，以确定所收集的数据的有效性，以评估所述数据在包括相关联的扬声器的使用限制方面的完整性，以确保在用所述数据执行适配算法之前去除所述数据中的异常值等。

在一些方面，该模型更新器可以包括一个或多个如下函数：所述函数被配置成评估适配进程是否已经充分收敛、评估一个或多个模型参数是否已经收敛等。这样的函数会有利于估计周期性地对控制器模型的一个或多个方面执行的自适应更新何时完成。

在一些方面，根据本公开内容的模型更新器可以被配置成运行相关联的控制器内所包括的一个或多个相关联的模型的一批经处理的适配，以执行适配进程的验证或确认，和/或用从适配进程获得的系数、数据或参数来更新该模型。这样的进程的启动可以与调度器或等效的定时函数耦合。在一些方面，适配进程可以包括一个或多个函数，所述函数被配置成执行回归以便将模型输出与测得的信号(或从测得的信号导出的信号)匹配、执行模型选择、评估模型参数至测得的参数(或从测量所估计的参数)的收敛等。

在一些方面，该模型更新器可以被配置成在数据集内对一个或多个模型参数执行回归，以将从其导出的输出信号与测得的参数匹配。该模型更新器可以被配置成反复递归地运行该回归，直到实现收敛(例如，用新数据、相同的数据集等)为止。在一些方面，该模型更新器可以被配置成在回归或递归进程期间评估收敛速率，以确定是否将实现或已经实现解决方案。

在一些方面，该模型更新器或相关联的缓冲器能够存储先前收敛的模型，该模型更新器包括一个函数以将当前模型的一个或多个方面与一个所存储的模型比较来评估适配的进展，从而选择适当的模型以在控制器中使用，等。

在一些方面，该模型更新器可以将一个或多个测得的信号或由所述一个或多个测得的信号所生成的参数或信号与存储在相关联的模型库中(例如，存储在所制造的一族扬声器的已知稳定模型库中等)的一个模型的对应的参数或方面进行比较。在一些方面，该模型库可以包括用于相关联的扬声器的一系列预期的模型或其部分，这样的模型是在设计、制造期间和/或在相关的扬声器在实地使用期间生成的。模型库可以包括被配置成跨越相关联的扬声器的预期的参数空间的多个模型。模型库可以包括一个或多个损坏模型，所述损坏模型被配置成代表处于已知的失效模式(例如，诸如，具有损坏的音圈、损坏的悬架、灰尘积聚的模型、泄漏模型等)的相关联的扬声器。这样的损坏模型可以在适配进程期间用来评估相关联的控制器模型是否在已知的操作空间内，该模型是否正趋向于扬声器的损坏状态或故障模式(例如，诊断函数)等。更新的或测得的特征与这样的损坏模型的比较可以适合于实地诊断扬声器的问题。在一些方面，该系统可以被配置成在损坏模型被确认最佳地配合相关联的扬声器反馈的情况下，提供一个警报或发出一个修理清单(repair bill)等。

在一些方面，模型库可以包括多个库模型，每个库模型与一个对应的参数估计模型(例如，用于估计与该库模型相关联的一个或多个系统参数)相关联。在一些方面，该模型更新器可以对照所收集的数据来运行参数估计模型中的一个或多个，并且将其输出与测得的信号、适配的模型参数估计等的输出比较。该比较可以被用来从模型库中选择自适应模型或最紧密地配合该系统的一个或多个库模型。这样的比较可以有利于将该控制器的一个或多个方面适配到一个适当的模型，而不需要大量的计算资源。

在一些方面，该模型更新器可以包括一个函数，该函数被配置成将来自模型库中的一个或多个模型的一个或多个参数与一个测得的信号、控制器参数或来自该系统的参数比较，并且从该模型库中选择一个模型以在该控制器内使用，和/或确认适配进程已经产生了一个在可接受的范围内的模型等。

在一些方面，该模型更新器可以被配置成用来自扬声器或与该扬声器耦合的部件的有限的状态反馈来操作。该模型更新器可以被配置成将库模型、所存储的参数等与所适配的模型进行比较，以助于该模型更新器在用所适配的模型来更新控制器之前的验证或收敛。这样的配置可以有利于用有限的状态反馈来实施扬声器的鲁棒的自适应非线性控制。

在一些方面，一个或多个数据收集块(例如，缓冲器)可以被包括在该系统内。在一些方面，所述数据收集块可以被实施为先进先出(FIFO)缓冲器，诸如，可以被填充有稳定的数据流、局部数据、突发数据等。在一些方面，所述缓冲器可以在输入/输出在特定范围内时被填充(例如，以便择优挑选数据以在自适应算法中使用等)。在一些方面，该系统可以包括一个被配置成管理缓冲器填充进程的数据收集算法。这样的数据收集算法可以被配置成将异常数据点从所收集的数据移除，被配置成在已知的音频流期间(例如，在通知期间)收集数据，被配置成收集扩展频谱或扩展幅度数据，被配置成最小化重复数据的收集，被配置成执行它们的组合等。这样的选择性数据收集算法可以被实施以便改善适配收敛、最小化在试图用重复的数据、用有限的数据、对照异常值等来适配系统模型时的资源浪费。

在一些方面，该数据收集算法可以选择性地填充缓冲器，如在本文中所描述的。一旦该缓冲器被填充，则调度器可以启动一个根据本公开内容的模型更新进程。

在一些方面，该数据收集算法可以被配置成选择性地监控进入缓冲器的数据，以确保获取最小量的可操作数据用于适配进程。这样的数据收集算法可以包括这样一个函数，该函数用于在一个时间段内估计数据的品质，用于确定所收集的数据是否含有感兴趣的带宽内的重要内容，确定该数据是否含有感兴趣的幅度内的重要内容等。在一些方面，这样的数据收集算法可以包括这样一个函数，该函数用以确定是否已经从适合于执行适配进程的音频流(例如，在带宽、幅度、没有异常值、噪声分布等方面合适)中提取了一个最小长度的连续的数据块。

在一些方面，该模型更新器或数据收集算法可以被配置成由一系列缩短的数据包(例如，满足该算法的入选标准的缩短的数据序列)分段地构建一个完整的数据集。这样分段构建的数据集可以包括将相邻的数据包拼接在一起，以确保模型更新器的平滑过渡等。

在一些方面，该模型更新器或数据收集算法可以被配置成生成随时间流逝所收集的数据的拼贴(collage)，该拼贴被用在适配进程中，该拼贴的重叠部分被用来验证适配进程等。

在一些方面，该系统可以包括一个测试信号生成器，该测试信号生成器被配置成将一个诊断信号叠加到音频流上，该诊断信号被用来确保所收集的数据满足所讨论的适配进程的最小需求(例如，控制模型的一个或多个线性方面或非线性方面的适配所需要的幅度或频谱数据)。

在一些方面，所述模型更新器、调度器或数据收集算法可以被配置成在特定测试、触摸反馈音频钟声、用户通知、系统或应用更新、唤醒钟声、铃音等期间从音频流捕获数据。在一些方面，该系统可以被配置成将音频内容添加到这样的音频流中的一个或多个内、更改所存储的音频流、分段地结合时间无关的音频流或验证音频流，以便确认它们在模型更新中的使用。这样的配置可以有利于确保在更新进程期间使用已知的音频流(例如，以助于更新进程的可重复性或鲁棒性等)。

该系统可以被配置成接受在更新、游戏设置(gameplay)、音乐反馈等期间预先验证的通知、音频测试、触摸反馈钟声、铃音、唤醒钟声，和/或所渲染的音频流。由此，该系统可以包括用于识别预先验证的音频流的装置(例如，诸如，通过接受伴随的验证指标等)，并且利用这样的识别来精简在模型更新中使用的数据集的存储，选择与该数据集一起使用的模型更新类型、它们的组合等。在一些方面，标识符可以包括该预先验证的音频流内的内容的类型的数值指示(例如，低幅度、宽频谱、频谱特色、大幅度等)，该模型更新器和/或调度器被配置成接受该标识符，以引导用所收集的数据集执行该类型的模型更新。

在一些方面，该模型更新器可以包括一个或多个用于对控制器内所包括的模型的一个或多个方面执行更新的算法。这样的算法可以包括非递归回归算法、鲁棒最小二乘算法、模型选择算法等。

在一些方面，该模型更新器或数据收集算法可以包括一个选择训练该系统所用的数据的函数，包括从所收集的数据集选择具有良好频谱和工作域覆盖率的数据、选择具有有限的信号重复的数据(例如，以防止收敛模型对性能指标(plant)的振荡)、收集全体满足这样的标准的分段连续数据等。

在一些方面，提供了一种用控制器控制扬声器的方法，该方法包括从通过该控制器播放的音频流导出的数据集来分批地估计一个或多个模型参数，并且用所估计的模型参数来更新该控制器的一个或多个方面。

在一些方面，提供了一种用控制器控制扬声器的方法，该方法包括对照从通过该控制器播放的音频流所收集的数据集来分批地测试一个或多个模型估计，通过将所述模型估计与所收集的数据进行比较来确定一个最接近的拟合模型，以及在该控制器内实施该最接近的拟合模型。

在一些方面，可以通过鲁棒回归算法执行所述估计步骤。在一些方面，可以通过考虑在相同的数据集期间从控制器输出导出的一个参数估计与经由来自扬声器的反馈所获得的一个参数测量之间的差异来执行所述估计步骤。在一些方面，该方法可以包括确定该数据集是否含有足够的用于线性模型更新、非线性模型更新、局部更新、诊断比较等的数据，且如果是这样的话，则基于数据集的内容适当地更新该控制器的一个或多个方面。

在一些方面，该方法可以包括选择具有预定阈值以上的幅度的数据，并且将那个数据应用到控制器模型的非线性部分的估计。在一些方面，该方法可以包括选择具有在空阈值以上且在预定阈值以下的幅度的数据，并且将那个数据应用到控制器模型的线性部分的估计。在一些方面，该方法可以包括在感兴趣的带宽上选择在预定阈值内的数据。该方法可以包括收集数据，直到已经在预定阈值内和/或在感兴趣的预定带宽上收集了预定的数据量为止。

在一些方面，该方法可以包括在一个通知、重新启动、更新、钟声、铃音等期间收集数据。该方法可以包括接收一个通知：音频流与已知的好数据相关联(例如，音频流含有数据，这样的通知，含有适合于执行模型更新的必需数据)。模型更新器、数据收集算法、调度器等可以被配置成接收这样的通知并且当接收到这样的通知时启动数据的收集或模型更新进程。在一些方面，一个或多个通知、铃音等可以被预审，以便含有执行模型更新所期望的必需的幅度和频率内容。该通知可以在这样的音频流播放期间被提供给该系统、模型更新器等，以便最大化用于更新的所收集的数据，同时最小化与更新进程相关联的用户影响。这样的程序有利于执行对用户具有最小影响的更新，特别是有利于更新大信号模型(用户可以以其他方式听到该大信号模型以收集必需的数据)。

该方法可以包括在估计进程期间确定该系统的健康状态。在一些方面，可以通过将所适配的或所估计的模型的一个或多个方面与该系统的已知的故障或损坏状态(其可以被本地存储或被存储在云中等)进行比较来确定该系统的健康状态。这样的故障状态可以通过在估计进程期间位于安全操作数集(manifold)之外的一个或多个参数的识别、通过与一个故障或损坏状态相关联的最接近的拟合模型等来确定。

该方法可以包括如果该系统的健康状态指示故障或损坏状态，则生成一个警报或通知、报告该健康状态、请求维修等。

该方法可以包括在确定该控制器的故障或损坏健康状态时，将安全模式模型加载到该控制器内。这样的安全模式模型可以被配置成限制来自扬声器的音频输出，因此防止对其造成进一步损坏，但是允许相关联的设备继续渲染音频流，直到可以执行维修修理为止。

该方法可以包括比较新估计的模型与一个或多个反馈信号或由一个或多个反馈信号所生成的信号或度量之间的拟合优度，之后用新估计的模型更新该控制器的一个或多个方面。该方法可以包括拒绝比较的新估计的模型表示模型预测与反馈信号或度量之间的显著差异。

根据一些方面，提供了一种用于适配扬声器模型的方法，包括在一个用户通知期间将一个测试信号应用到该扬声器以构建一个数据集，分批估计来自该数据集的模型的一个或多个方面，并且基于该分批估计更新该模型。在一些方面，该用户通知可以与一个睡眠恢复事件、一个设备唤醒事件、一个重新启动、一个系统通知、一个铃音、一个触摸音频响应等结合。在一些方面，该系统可以被预加载有一个或多个预先核准的用户通知，所述预先核准的用户通知包括足够的幅度和频率数据使得由所述幅度和频率生成的数据集将含有足够的信息以用于分批估计。

在一些方面，所述模型更新器、调度器或数据收集算法可以被配置成在估计一个模型参数之前从相关联的音频流获取大于0.1秒的连续数据、大于0.25秒的连续数据、大于0.5秒的连续数据、大于1秒的连续数据。在一些方面，所述模型更新器、调度器或数据收集算法可以被配置成更新一个模型的频带限制的方面，该系统被配置成获取填充期望的频带所需要的连续数据的大于3倍的值、大于6倍的值、大于10倍的值等。

在一些方面，根据本公开内容的系统的一个或多个部件可以被配置成评估所收集的数据的频率内容，并且根据所收集的数据的频率频谱和幅度内容将数据汇总成一个数据集，以用于在模型更新中使用。甚至可以从不连续地可用的片段来收集该数据集的数据，以便满足幅度和带宽扩展。所述片段全体可以满足模型拟合需求，且模型更新可以用所述片段并行地执行。在一些方面，一个数据集可以甚至用仅含有有限频率范围的数据的片段构建成，但是全体地该数据集填充有用于纳入到模型更新中的全面数据。

在一些方面，该数据可以基于如下来选定：它具有在f0/10到10*f0、f0/5到5*f0、f0/2到2*f0等之间的重要频率内容，可选地具有f0以下的附加功率以得到适合于模型更新的信息(其中f0是相关联的扬声器的第一共振频率)。该系统可以包括一个带通滤波器，以用于估计来自此范围内的音频流的信号内容的幅度，该带通滤波器的输出对于模型更新器、调度器、数据收集算法等是可得的，以确定所收集的数据何时适合于执行模型更新程序。

在一些方面，该数据可以是在一个时间段内从音频流提取的连续数据的片段的分段汇总的集合。一般地，它有利于限制所汇总的数据的分段性质，以限制在模型更新期间在所分析的段之间的过渡期间的模型失配。在一些方面，一个或多个数据片段的长度可以是大于50ms、大于100ms、大于250ms等。

在一些方面，数据收集算法、缓冲器、模型更新器等可以被配置成忽略用每个片段中的第一数据点所获得的结果，以便使最小化与在模型更新进程期间(例如，当分段汇总的片段集合被用在模型更新算法中时)所创建的最初失配相关联的导入误差。附加地、替代地或结合地，该算法可以被配置成在片段之间调整用于该系统的最佳猜测，以便在模型更新期间加强收敛。在一些方面，该算法可以被配置成更多地表现或权衡来自该数据中的比其他片段更相关的一个或多个特别相关的片段的贡献，以便在模型更新期间加强收敛。这样的权衡的一些非限制性实施例包括在整个数据集内复制特别相关的片段(例如，因此增大整个数据集内的相关的片段的百分比)，通过组织数据集内的片段以便提高连续性(例如，组织数据集内的片段以便使片段之间的不连续性最小化)，通过用已知的方法(例如，通过应用变迹函数、汉明窗、B样条窗、多项式窗、余弦窗、高斯窗、凯塞窗、其组合、派生和混合等)对片段加窗等。在一些方面，混合加窗函数可以被采用，以便将片段连接在一起，同时维持其间的连续性。在一个非限制性实施例中，加窗函数可以被应用到片段，使得最接近片段的末端的数据点的值被拉向数据集内的相邻的片段的那些(例如，诸如，经由在除了接近片段的末端以外的任何位置都具有零值的窗，其中该窗过渡朝向片段端点之间的平均值，且该片段和窗被添加以创建连续的数据集)。因此，所述片段可以由连续的数据集替换，以在模型更新中使用。

在一些方面，数据收集函数、缓冲器或模型更新器可以被配置成监控输入的数据，以确定该数据的一段是否适合在模型更新中使用。在一个非限制性实施例中，该监控函数可以包括均方根值测试(例如，以核查输入的数据的幅度)和频谱核查(例如，以确定输入的信号的频谱内容)，以便确保所捕获的数据中的信号功率足够高以用于待被执行的模型更新的类型(例如，线性模型更新相对大信号模型更新等)。在实践中，通过一系列带通滤波器、正交滤波器阵列等与从其输出的每个级的幅度进行比较可以实施这样的频谱核查或幅度和频谱核查的组合。在一些方面，可以通过将估计空间限定到一个预定范围来在计算方面加速该估计，该预定范围基于当前所使用的参数。

在一些方面，幅度和/或频谱验证函数可以用作相关联的扬声器保护系统的一部分。可以提供这样的功能以减少每秒钟必需的指令，同时筛选用于模型更新器的数据并且提供功能到扩音器保护系统。在一些方面，幅度和/或频谱验证函数可以与调度器、模型更新器、数据收集算法等耦合，以验证哪种类型的模型或模型的哪部分可以用特定数据集内的数据更新。在一个非限制性实施例中，数据收集算法可以被配置成分析所收集的数据集的特性幅度范围和/或频谱范围。基于该幅度和/或频谱范围，该算法可以被配置成启动模型更新。选择标准的一些非限制性实施例包括：通过感兴趣的频谱来确定该数据是否包括在一个预定阈值以上的幅度内容，且如果是这样的话，则将那个数据应用到控制器模型的非线性部分的估计；确定该数据是否包括幅度在一个空阈值以上且在一个预定阈值以下的至少一个子集，并且将所述数据或所述数据的子集应用到控制器模型的线性部分的估计；在感兴趣的带宽内选择在一个预定阈值内的数据并且将所述数据应用到一个频率相关函数的估计；其组合等。该数据收集算法、模型更新器和/或调度器可以包括一个验证函数，该验证函数被配置成确定何时在预定阈值内和/或在感兴趣的预定带宽内已经收集了足够的数据量。在一些方面，这样的函数可以被用来驱动模型更新函数、调度器函数等。

在一些方面，该系统的一个或多个部件、该模型更新器等可以被配置成接受一个有限的数据集，并且在将该有限的数据集的分析期间依次重复地应用该有限的数据集，以执行模型更新。

在一些方面，该系统可以被配置成将一个或多个先前生成的模型参数或值存储在存储器内，并且将一个或多个存储的参数或值实施为用于模型更新程序的最初猜测。这样的配置有利于提高估计算法的稳定转换的可能性。

在一些方面，根据本公开内容，该系统、数据收集算法、模型更新器等可以被配置成积累来自音频流的用于执行更新的数据。在一些方面，该更新器或算法可以被配置成在一个延长的时间段之后放弃来自经核准的数据集的数据。可以进行这样的数据放弃，以限制来自该数据集的旧数据的量(例如，以确保仅最近所收集的数据被用在更新进程中)。这样的时间敏感的数据管理可以通过如下方式来实现：存储时间戳连同所收集的数据，并且如果在模型更新、分析等中没有使用所述数据，则在一个预定的时间段之后将所述数据从缓冲器移除。

在一些方面，该系统可以被配置成监控、测量和/或估计一个或多个操作条件(例如，诸如，音圈温度)。该操作条件可以与数据一起存储在缓冲器内。当适当的数据被拣选以在模型更新中使用时，当前的操作条件可以与所存储的等同物比较，以有助于选择在模型更新中所使用的数据。在一些方面，该系统可以被配置成针对特定操作条件、针对一系列操作条件、针对最常使用的操作条件等构建模型。该系统可以被配置成针对操作条件(模型将在所述操作条件中被更新)的范围中的每个从缓冲器收集数据(例如，从一系列温度、在一系列设定操作温度内等拣选数据)。

在一些方面，可以结合操作条件管理所收集的数据。在一个非限制性实施例中，如果在连续的数据片段的积累期间，温度数据连同音频数据一起被收集，但是在该收集的过程中，温度急剧改变，该系统可以被配置成丢弃对应于旧的温度读数的数据(例如，或通过将数据拣选成频率/幅度/温度批次来保存它，每个批次适合于该模型的一个基于不同温度的批次更新)，仅捕获与当前温度相关的数据等。剩余的或所捕获的数据可以被引导到一个相关联的模型更新器，以用其执行该系统的一个或多个方面的更新。

在一些方面，该模型更新器可以被配置成在相同的数据集上迭代地执行适配进程，以用其实现模型的收敛。如果该数据集对于该系统具有代表性，则这些参数作为来自该模型的输出可以更准确地反映扬声器的性能。该模型更新器可以包括一个验证函数，该验证函数被配置成对照所存储的参考参数、模型库等测试所述参数中的一个或多个，以确定是否令人满意地完成了模型更新的结果(例如，诸如，通过确认所述参数中的一个或多个在有效范围内、该模型在一个预定的模型的范围内等)。可以在更新控制器内的一个或多个模型之前应用这样的验证函数(例如，作为安全性核查)。

根据一些方面，提供了根据本公开内容的用于更新设备内的换能器的模型的方法，包括在该设备上的一个事件、上电、通知、铃音、唤醒或睡眠恢复事件期间将一个测试信号应用到该换能器，以形成一个测试数据集，从该测试数据集估计换能器的一个或多个特性，并且基于所估计的特性中的一个或多个来更新该模型。

在一些方面，该方法可以包括分批估计所述特性中的一个或多个、由多个事件生成该数据集的一个或多个部分、由从一个或多个先前更新所估计的特性的趋势来预测以后的模型或者模型更新的调度、预测扬声器的寿命、其组合等。

在一些方面，该事件可以将一个可听和/或触觉反馈提供到一个用户(例如，该信号可以用作数据输入以用于适配以及用于用户通知、铃音等的)，该事件可以被预先验证，使得包含用于更新的合适的数据是已知的等。

图1示出了根据本公开内容的非线性控制系统的一些方面的示意图。该非线性控制系统包括一个控制器110，该控制器被配置成接受来自一个音频源(未被明确示出)的输入信号1和一个或多个更新165。控制器110可以被配置成接受一个或多个更新165，诸如，参数、系数、查找表、模型、指向模型库中的模型或其部件的指针等。该系统可以包括被配置成生成更新165的模型更新器150。控制器110可以生成一个或多个控制信号115以驱动相关联的音频放大器120。在一些方面，一个或多个控制器生成信号131(例如，控制信号115和/或由控制信号115生成的信号中的一个或多个)可以被馈送到模型更新器150或与模型更新器150连接的缓冲器140，以用于纳入到模型更新进程中来产生更新165中的一个或多个。在一些方面，控制器生成信号131可以作为渲染音频流的副产品产生，并且可以在模型更新器150中被利用，以省去生成更新165中的一个或多个的处理需求。

在一些方面，音频放大器120可以被配置成产生一个或多个放大器反馈信号133，所述放大器反馈信号133可以被引导到模型更新器150或相关联的缓冲器140，以用于在生成更新165中的一个或多个中使用。

音频放大器120被配置成接受控制信号115中的一个或多个，并且产生音频信号125以驱动换能器130(例如，扬声器)。在一些方面，换能器130可以配备有一个反馈传感器，以将换能器反馈信号135传达到模型更新器150或相关联的缓冲器140，以在生成更新165中的一个或多个中使用。

换能器130意指适合于产生声音(例如，音频信号3)的部件或设备，诸如扬声器。换能器130可以基于许多不同技术(诸如，电磁的、热声的、静电的、磁致伸缩的、带(ribbon)、音频阵列、电活性材料等)中的一种。基于不同技术的换能器130可能需要替代的驱动器特性、匹配或滤波电路，但是这样的方面不意在更改此公开内容的范围。

在一些方面，该系统可以包括被安排在换能器130附近的一个或多个传感器137(例如，麦克风、温度传感器、湿度传感器、压力传感器等)，所述传感器被配置成监控输出3和/或环境条件，并且生成传感器反馈信号139到模型更新器150或相关联的缓冲器140，以在生成更新165中的一个或多个中使用。

在一些方面，音频放大器120可以包括一个半桥结构、一个全桥结构，和/或可以接受一个或多个控制信号115、PWM信号等，以驱动对应的高侧驱动器和低侧驱动器。音频放大器120可以包括D类放大器、平衡D类放大器、K类放大器等。音频放大器120可以包括一个反馈电路，该反馈电路用于在使用期间确定递送到换能器130的电流、电压等。该放大器可以包括一个反馈环路，该反馈环路可选地被配置成减少或补偿该系统中的一个或多个换能器130和/或电气部件的一个或多个非线性。

音频放大器120可以包括一个或多个感测电路，以生成放大器反馈信号133。在一些方面，该放大器反馈信号可以包括功率信号、电流信号、阻抗测量(例如，频谱测量、低频测量等)、电压信号、电荷、场强度测量等。

在一些方面，音频放大器120可以被配置成监控相关联的换能器130的阻抗的一个或多个方面。该阻抗可以被测量以便建立扬声器的实质DC阻抗(例如，在亚音速频谱中所测得的扬声器阻抗)测量，其可以至少部分地指示扬声器线圈的特性温度。该阻抗可以结合电流感测电阻器、结合施加到扬声器的电压测量来测得。

在一些方面，关于用D类放大器的音频放大器120实施方式，扬声器阻抗可以由该D类放大器的输出电流计算出。该电流可以随同与该放大器相关联的开关循环而脉动。因此，通过对该输出电流进行低通滤波可以获得一个相关的电流信号。该滤波器可以被配置成获得该电流信号的一个或多个频谱分量。在一个非限制性实施例中，电阻频谱可以被评估，以确定扬声器的第一共振模式的频率，和/或确定在该第一共振频率的峰值处的阻抗。因为第一共振峰值的阻抗或相关联的频率可以与线圈的偏移和/或线圈的温度相关联地改变。在共振峰值处测得的阻抗与在亚音速频谱中测得的阻抗的比较可以被采用，以在使用期间提取该偏移和线圈温度的大体上独立的测量。

可以在音频放大器120处测量换能器130的阻抗，以在将一个或多个控制参数(在模型更新器150内使用)或模型参数匹配到当前实施例的物理系统(例如，该阻抗可以在优化控制器110内的模型的一个或多个方面期间被使用)时使用。

该系统可以包括一个或多个缓冲器140、160，根据在模型更新、数据集分析等期间的需要，每个缓冲器被配置成接受并且存储待被递送到一个或多个子系统(例如，控制器110、模型更新器150等)的一个或多个信号。在一些方面，缓冲器140、160可以被配置成具有大量存储器分配的FIFO缓冲器、高速缓存等，以便在使用期间暂时存储与音频流相关联的数据流。缓冲器140、160还可以分别充当用于作为模型输入数据145发送到模型更新器150和作为更新165发送到控制器110的数据和/或模型更新的存储器。模型更新器150可以被配置成将一个或多个模型更新155发送到相关联的缓冲器160或控制器110(例如，鉴于缓冲器160以一个具体实施方式呈现)。

该系统的一个或多个部件可以以一个或多个速率操作。在一些方面，这样的操作速率可以由一个根据本公开内容的调度器规定。一个或多个部件可以以适合于渲染音频流的第一速率170(诸如，高频速率)操作。在一些方面，一个或多个部件(例如，模型更新器150、缓冲器140、160等)可以被配置成以适合于与模型更新相关联的较低速率或中间速率的第二速率180操作。在一些方面，取决于正被更新的模型的一些方面，或操作条件的改变(例如，如通过反馈信号131、133、135、139以及环境信号测量等测得)等，模型更新器150可以被配置成以中间速率和/或较低速率产生模型更新或其部分。

控制器110可以包括控制策略和相关联的模型，所述控制策略和相关联的模型基于自适应控制、分层控制、神经网络、贝叶斯概率、反步法、李雅普诺夫重设计、H-无穷法、无差拍控制、分数阶控制、模型预测控制、非线性阻尼、状态空间控制、模糊逻辑、机器学习、进化计算、遗传算法、最优控制、模型预测控制、线性二次控制、鲁棒控制进程、随机控制、前馈控制、其组合等中的一个或多个。控制器110可以包括完全非线性控制策略(例如，滑模策略、棒棒(bang-bang)策略、有界输入输出(BIBO)策略等)、线性控制策略或其组合。在一个非限制性实施例中，可以以完全前馈方法配置控制器110(例如，如精确输入-输出线性化控制器)。替代地、附加地或结合地，控制器110的一个或多个方面可以包括反馈控制器(例如，非线性反馈控制器、线性反馈控制器、PID控制器等)、前馈控制器、其组合等。

根据本公开内容的控制器110可以包括一个频带选择滤波器(例如，带通滤波器、低通滤波器等)，该频带选择滤波器被配置成修正输入信号1以产生经修正的输入信号(例如，具有有限频谱内容的输入信号、仅与非线性控制系统相关的频谱内容等)。在一个非限制性实施例中，控制器110可以包括具有在大约100Hz、500Hz、800Hz等处的交叉点的滤波器。非线性控制可以被施加到在该交叉点以下的频谱内容，同时该信号的其余部分可以被发送到该系统中的其他地方，进入一个均衡器等。所述信号可以在被引导向音频放大器120之前被重新组合。在一个多速率实施例中，基于所述信号的频谱内容和在操作期间通过非线性控制器110添加的谐波内容，可以相应地下采样(downsample)和上采样(upsample)所述信号。这样的配置可以有利于在实时操作期间减少该控制系统上的计算负荷。

控制器110的多个部分和/或模型更新器150可以包括一个观测器和/或一个状态估计器。一个状态估计器(例如，精确线性化模型、前馈模型等)可以被配置成估计更新165中的一个或多个以用于输入到控制器110。在一些方面，除了其他方法之外，该状态估计器可以包括与一个精确输入-输出线性化算法组合的状态空间模型以实现此功能。模型更新器150内的一个模型或控制器110内的一个相关联的模型的一个或多个方面可以基于一个物理模型(例如，集中参数模型等)。替代地、附加地或结合地，该模型的一个或多个方面可以基于一个普通架构(例如，黑箱模型、神经网络、模糊模型、贝叶斯网络等)。该模型可以包括可以被配置、被校准和/或被适配以更好地适应给定应用的具体需求的一个或多个以参数限定方面。

在一些方面，一个或多个反馈信号131、133、135可以从音频放大器120、控制器110和/或换能器130的一个或多个方面获得。反馈信号131、133、135的一些非限制性实施例包括一个或多个温度测量、阻抗、驱动电流、驱动电压、驱动功率、一个或多个运动学测量(例如，膜或线圈位移、速度、加速度、空气流动等)、声压水平测量、本地麦克风反馈、环境条件反馈(例如，温度、压力、湿度等)、动力学测量(例如，安装件处的力、冲击测量等)、B场测量、其组合等。

更新165通常可以作为输入被提供到控制器110，以便更新一个或多个模型或其部分，以作为更新进程的一部分。在一些方面，更新165可以被转换，以便减少计算需求和/或简化该系统的一个或多个方面的计算或用于简化到控制器110内所包括的模型的集成。

在一些方面，控制信号115可以被递送到音频放大器120的一个或多个方面(例如，递送到其中所包括的驱动器，递送到其中所包括的扬声器等)。

在控制器110、模型更新器150或相关联的模型库中所包括的一个模型可以包括一个观测器(例如，非线性观测器、滑模观测器、卡尔曼滤波器、自适应滤波器、最小均方自适应滤波器、增广递归最小二乘滤波器、扩展卡尔曼滤波器、集合卡尔曼滤波器、高阶扩展卡尔曼滤波器、动态贝叶斯网络等)。在一些方面，该模型可以是无迹卡尔曼滤波器(UKF)。该无迹卡尔曼滤波器可以被配置成接受一个或多个反馈信号131、133、135、输入信号1和/或控制信号115。该无迹卡尔曼滤波器(UKF)可以包括被称为无迹转换的确定性采样技术，以围绕平均非线性函数挑选最小的采样点(例如，希格玛点)集合。所述希格玛点可以通过非线性函数传播，从所述非线性函数恢复估计的平均值和协方差。所产生的滤波器可以更准确地捕获正被建模的总系统的真实平均值和协方差。此外，UKF不需要雅克比行列式的显式计算，雅克比行列式的显式计算对于复变函数可能是个挑战，尤其在资源有限的设备上。

在一些方面，控制信号115可以包括与输入信号1相关的放大的、可选的压缩信号，所述输入信号1与通过控制器110所生成的音频流相关联。这样的控制信号115可以被引导到模型更新器150内，以在模型更新165的生成中使用。

可选的控制器生成信号131中的一个或多个(例如，控制信号115、控制器110内所生成的中间信号和/或由其所生成的信号中的一个或多个)可以表现为若干形式之一。这样的形式的一些非限制性实施例包括扬声器阻抗估计、扬声器阻抗频谱估计(例如，如通过与控制器110内的一个模型相关联的函数所生成的)、部分调整的信号(例如，已经传递通过控制器110的一部分的信号)、延迟的信号、未延迟的信号、预滤波的信号、对应于感兴趣的频谱范围的信号的一部分、线性补偿的信号(例如，尚未传递通过控制器110的非线性部分的信号)、非线性补偿的信号、一个或多个模型参数、通过一个模型所生成的一个或多个估计、其组合等。

可选的放大器反馈信号133中的一个或多个可以表现为电流反馈信号(例如，与音圈阻抗相关的)、电压反馈信号、阻抗、电导、大幅DC阻抗值(例如，与音圈温度相关的)、共振性能(例如，共振频率、共振频率带宽、共振频率声学品质因素等)、放大器温度、其组合等形式。

可选的换能器反馈信号135中的一个或多个可以与一个扬声器状态相关。一些非限制性实施例包括音圈电流、音圈温度、一个或多个运动学测量(例如，膜或线圈位移、速度、加速度、空气流动、腔室背压、风管空气流动等)、声压水平测量、动力学测量(例如，安装件处的力、冲击测量等)、B场测量、其组合等。

可选的传感器反馈信号139中的一个或多个可以与来自本地麦克风反馈、环境条件反馈(例如，温度、压力、湿度等)、其组合等的反馈相关。

这样的反馈可以根据一个具体实施方式的需要而被集成到模型更新器150内的模型更新进程中、作为反馈被提供到控制器110等。

在一些方面，可以以第一速率170更新一个或多个这样的反馈信号。替代地、附加地或结合地，可以以第二速率180或与其相关联的速率更新一个或多个这样的信号。

可选地，更新165中的一个或多个可以被存储在缓冲器160内，并且如果在反馈或模型更新进程的一部分中需要，可以传达195到输入缓冲器140和/或模型更新器150。这样的传达195可以以第二速率180或替代的速率执行，因为将不需要以适合于渲染音频流的速率传递或分析更新165。

图2a和图2b示出了根据本公开内容的控制器的一些方面的示意图。图2a示出了根据本公开内容的控制器110的一个前馈实施方式的一些方面。前馈控制器110a可以被配置成接受一个输入信号1和一个或多个更新165a，并且生成一个或多个控制信号115a。可选地，前馈控制器110a可以被配置成均输出根据本公开内容的一个或多个控制器生成信号131a。

在所示出的配置中，前馈控制器110a包括一个线性动态补偿函数210，该线性动态补偿函数被配置成接受输入信号1或由所述输入信号1导出的信号(例如，经修正的输入信号)以及一个或多个更新165a或由所述一个或多个更新165a导出的信号(例如，经修正的状态矢量、模型系数、指针、一个或多个模型参数等)，并且被配置成生成一个线性补偿信号215。在一些方面，该线性动态补偿函数210可以被配置以为输入信号1提供期望的转换(例如，均衡器函数、压缩器函数、线性逆动态函数、额外添加的谐波等)。

前馈控制器110a可以包括一个非线性动态补偿函数220，该非线性动态补偿函数被配置成补偿音频系统的一个或多个非线性方面(例如，与扬声器、音频放大器120、壳体等相关联的一个或多个非线性)。该非线性动态补偿函数220可以被配置成接受线性补偿信号215、一个或多个更新165a或由所述一个或多个更新165a导出的一个或多个信号(例如，经修正的状态矢量、模型系数、指针、一个或多个模型参数等)，并且被配置成生成一个或多个控制信号115a。

可选地，前馈控制器110a可以被配置成均根据本公开内容输出来自线性动态补偿函数210、非线性动态补偿函数220、线性补偿信号215、控制信号115a或由其所生成的信号(例如，诸如，经由阻抗或位移估计函数，未被明确示出)中的一个或多个的一个或多个控制器生成信号131a。

在一些方面，线性动态补偿函数210或非线性动态补偿函数220中的一个或多个可以包括一个黑箱模型或灰箱模型、一个参数化模型(诸如，在本文中概述的集中参数模型)、一个基于唯象理论的模型、其组合等。因此，该系统可以包括一个纯“黑箱”建模方法(例如，一个不具有物理基础而是具有一个可以随后被补偿的纯输入到输出行为映射的模型)或一个基于物理的、以参数方式限定的模型。在一些情况下，一个物理目标模型可以减少非线性控制系统上的计算负荷和/或提高根据本公开内容的模型更新进程的稳定性。

在一些方面，控制器110、110a(例如，控制器110、前馈控制器110a、前馈控制器110a中所包括的函数210、220等的非限制实施方式)可以包括一个保护函数(未被明确示出)，该保护函数被配置成接受一个或多个输入信号1和一个或多个更新165a，并且可选地产生一个或多个线性补偿信号215或控制信号115a和/或一个标记(例如，警报或通知，未被明确示出)。该保护块可以被配置成比较输入信号1、更新165a、与更新165a相关的状态、或由更新165a生成的一个或多个信号(例如，输入功率信号、状态功率信号、热状态、锥体偏移(cone excursion)、热动态、热路径矢量等)的一个或多个方面。该保护块可以被配置成将这样的信息与一个性能限制标准(例如，相关联的设备的热模型、偏移限制、功率消耗限制[例如，可配置的标准]等)，以确定音频系统的操作条件靠近极限的程度、操作状态正接近极限(例如，热极限)的速率等。

这样的功能可以有利于生成一个用于平滑过渡的系统增益、性能方面等的预见轨迹(look a-head trajectory)，以便保持在限制标准内以及减小将限制施加到系统时引入基于音频伪像的可能性。

在一些方面，该保护函数可以被配置成生成这样的关于警报(例如，警示标记、问题标记等)的信息，该警报被配置成将严重级别指示到该控制系统的一个或多个方面，以助于以参数方式限制该控制系统的一个或多个方面的输出等。替代地、附加地或结合地，该保护函数可以被配置成直接增大输入信号1、状态中的一个或多个，选择“故障安全”模式以在控制函数中的一个或多个内实施等，以便生成经修正的线性补偿信号215、经修正的控制信号115a、经修正的状态矢量等，从而提供保护方面而不为该控制系统的其他方面添加计算复杂度。

根据本公开内容，在一些方面，控制器110、110a可以包括一个压缩器和/或限制器(例如，被包括在非线性动态补偿函数220等内的)，该压缩器和/或限制器被配置成接受中间信号215、115a等、一个或多个状态、一个或多个更新165a或由所述一个或多个更新165a生成的信号(例如，经修正的状态矢量、阻抗估计、输出在时间上向前的预计、位移预计等)和/或警报。该限制器可以被配置成基于状态的一个或多个方面、更新165a、中间信号215、115a的一个或多个方面、警报、其组合等来限制中间信号215、115a。该限制器可以被配置成生成经修正的和/或限制的控制信号115a，以通过该控制系统内的一个或多个部件使用。在一些方面，该限制器可以被实施为一个压缩器，具有基于一个预定标准和/或警报配置的限制。

在一些方面，模型更新器150、控制器110、110a、110b或其部件中的一个或多个可以包括一个观测器，该观测器被配置成捕获和/或追踪换能器130的(例如，相关联的扬声器的)第一共振峰值。该观测器可以包括一个或多个算法(例如，基于无迹卡尔曼滤波器、AUKF等的频率追踪算法)，所述算法被配置成从控制信号115和/或反馈信号131、133、135、139的一个或多个方面提取第一共振峰值。附加地、替代地或结合地，该算法可以被配置成计算在基本共振峰值处的扬声器阻抗参数。在一些方面，该观测器可以被配置成通过由模型更新器150所提供的更新165是可选择、可修正的等。这样的算法可以有利于在普通音频流之中(例如，在音乐、语音等的流出期间)实时地执行诸如频率提取和/或阻抗测量的功能。在这样的信息可用的情况下，该非线性控制系统中的一个或多个控制器可以被配置成在操作期间补偿共振峰值。这样的动作可以有利于使相关联的扬声器的驱动能力急剧增大，而不需要给予针对该问题的机械阻尼解决方案(例如，通过直接补偿，可以获得高效的解决方案)。

图2b示出了根据本公开内容的控制器110b的一些方面。控制器110b包括控制模型230。在图2b中，该控制模型230被实施为前馈控制器230，该前馈控制器被配置作为非线性输入-输出线性化控制器。前馈控制器230可以有效地使系统非线性线性化，因此提供被补偿的、大体上经修正的控制信号115b，以便在相关联的换能器130上产生线性化输出3。在一些方面，前馈控制器230可以包括一个或多个参数化模型，所述参数化模型的参数240可以是通过更新165b可更改的。在一些方面，可以导出一般限定的参数化系统模型，这属于非线性控制系统的具体实施方式(例如，覆盖了控制器110、110a、110b将被关联到的一类换能器130)。在一些方面，该前馈控制器可以从该参数化模型直接导出的，以便在整个信号通路中消除换能器130的大量非线性方面。

出于讨论的目的，在等式1中给出了根据本公开内容的前馈控制定律的一个合适的连续时间实施方式的非限制性实施例：

等式1展示了基于本领域已知的扬声器模型的以参数方式限定的控制定律。该控制定律内的状态在等式1中被表示为x₁,…,x₄。该控制定律具有比一些状态更低的阶数，因此一个转换可以被用来适应与此实施方式相关联的任何零动态。

与等式1相关联的扬声器模型可以包括该系统内的物理可识别的部件的幅度相关的、以参数方式限定的集中参数方面。相关非线性经由该集中参数等式中的空间相关参数引入。在实践中，热相关性可以被添加，以适应改变的顺性、偏置、磁特性等，而不改变讨论的范围。所示的模型在由Thiele和Small提出的理论上可接受的小位移模型上延伸，且总体上比由Thiele和Small提出的模型更准确地描述了在较高频率处发生的涡电流。

由u(t)给出了终端电压、由i(t)给出了驱动器电流且由x(t)给出了线圈位移。参数Re、Bl(x)、Cms(x)和Le(x)取决于线圈位移以及音圈温度。由R2(x)和L2(x)表示的阻抗也可以是非线性的，且具有与Le(x)类似的特性，但是一般受该系统的不同的频谱方面的影响(总体展示了较高的频率频谱中的显著非线性)。在一些简化中，函数R2和L2可以被认为是恒定的。函数Bl(x)、Cms(x)和Le(x)可以通过一系列用于与特定应用相关联的扬声器的方法来确定。一般地，非线性可以由温度相关的多项式、目标函数表征等表示。出于讨论的目的，在室温下使用已知的实验方法拟合函数Bl(x)、Cms(x)和Le(x)。

出于讨论的目的，可以使用多项式函数将所述函数中的每个与实验数据拟合。更现实的拟合可以被实施，以将拟合优度维持在物理相关范围以外。这样的扩展的拟合优度可以提高观测器稳定性、自适应算法稳定性等，因为这样的系统可以在优化和/或追踪进程期间暂时延伸到不切实际的条件内。

许多参数可以是温度相关的。已知的当在大信号域内工作时受音圈温度影响的一些实施例被认为是Re、Bl(x)、Cms(x)和Le(x)。

所提出的等式可以被组合成由等式2给出的一般状态空间形式：

当线圈位移接近于静息值(零)时用最大值表示力因数Bl(x)。多项式方法或拟合函数、高斯方法或拟合函数、样条方法或拟合函数、洛仑兹方法或拟合函数、沃伊特方法或拟合函数或替代的方法或拟合函数可以被采用，以确保所有所维持的力因数值是现实的。在一些方面，这样的拟合可以通过实施回归技术、分段回归技术、迭代技术、Gauss-Newtown算法、梯度方法等中的一个或多个来实现。

悬架顺性Cms(x)随温度变化，并且可能受到一系列非线性滞后效应的影响，如在本文中讨论的。

悬架阻抗将在锥体离开平衡位置时增大，因此在该平衡外部Cms(x)被减少。因此，所述顺性和力因数可以共享许多相同的特性。在一些方面，使用多项式、高斯和或另一种曲线拟合方法所生成的悬架顺性函数可以与实验数据拟合，以在非线性控制系统中使用。

音圈电感Le(x)可以具有显著的位移相关性，但是一般不与力因数和悬架顺性共享特性。一般而言，电感将在音圈向内移动时增大并且在它向外移动时减少。这归因于由传递通过音圈的电流所创建的磁场。此函数可以进一步经历在本文中讨论的一个或多个滞后方面。在一些方面，可以使用一系列高斯和等将音圈电感与实验数据拟合。

扬声器悬架的刚度k涉及施加在变形的膜上以保持音圈就位并且以将它移动回到其安置位置的回复力，扬声器使用创建回复力F＝k(x_d)*x_d的悬架系统，其将刚度限定为位移x_d的函数。通常，该刚度函数在x_d＝0处具有最小值，并且随较高位移而增大，但是在微型扬声器的情况下，该刚度函数可以是不对称的(例如，一般随向前位移而增大且随向后位移而减少)。用于微型扬声器的刚度的特性形状可以由一个恒定值(线性情况)、x_d的线性函数(导致回复力是非线性的)或x_d的较高阶函数(例如，诸如，可以通过根据本公开内容的方法被拟合)表示。在一些方面，刚度可以随老化、湿度、温度(例如，这两个方面都与扬声器的悬架中的材料的类型、环境条件、存储条件、使用量等相关)等改变。

在一些方面，根据本公开内容的模型可以包括一个或多个表示机械阻力的项，所述项可以取决于音圈速度可以是与其非线性相关的、可以是不对称的等。一般地，对于一个扬声器，该机械阻力可以取决于由流动通过该扬声器的后侧风管的空气所创建的音圈速度、由扩音器周围的空气流动导致的湍流、极端幅度处的背压改变、由泄漏所导致的流动条件(例如，在一些实施方式中，直到单元在较大幅度下操作时，泄漏才可能显现)等。

根据本公开内容，在一个基本水平处，可以使用一个与数据拟合的函数对该机械阻力建模，或通过一个或多个方法或系统估计该机械阻力。

在一些方面，根据本公开内容的系统可以包括一个声音反馈传感器(例如，麦克风、压力传感器、基于壳体的压力传感器)、流量传感器(例如，一个被配置成用于测量换能器等周围的空气流动的一个或多个方面的传感器)、其组合等，适于在渲染音频流期间测量机械流动阻力的一个或多个方面。

该系统或该系统的一个或多个部件可以包括一个数据收集算法，该数据收集算法被配置成确定在渲染相关联的音频流期间所记录的数据的完整性。该数据收集算法可以被配置成跨数据集评估输入信号和一个或多个反馈信号之间的一个或多个因果关系，以便确定该数据集内的一个或多个片段是否适合于模型更新，是否被一个或多个干扰等毁坏。在一个非限制性实施例中，可以通过纳入一个改变检测算法来评估因果关系，该算法被配置成在所捕获的数据集上对照一个测得的状态(或通过一个或多个测量的组合所估计的状态)来分析一个或多个模型状态预测因素(例如，模型库内的一个模型、控制器的一个或多个方面等)。这样的算法可以被用来指定数据大体上免于干扰、突然改变(例如，免于换能器性能、环境等的突然改变)等的时间段。这样的时间段可以通过该算法被识别，以使得根据本公开内容的模型更新器可以处理来自数据集的已知的良好部分的经更新的模型。

可以适于在本文中用作因果关系检测算法、干扰检测算法和/或改变检测算法的算法的一些非限制性实施例包括统计学白度测试(statistical whiteness test)、多个并行慢-快滤波器、多个并行操作预测算法、变点评估、残差生成和/或评估技术、停止规则方法、残差积分测试、递归最小二乘法、鲁棒最小二乘法、最小均方算法、多个卡尔曼滤波器、基于改变可能性的方法、均方根参数评估误差函数、分段噪声方差函数、指数遗忘窗、几何移动平均等。这样的方法基本上允许信号或模型的随机部分与该信号或模型的确定性(因果)成分分离。在分离之后，与该模型相关联的一个或多个标准或阈值可以被用来确定该系统中的改变、干扰的检测、故障检测、干扰的位置、所收集的数据可以被用来执行根据本公开内容的模型更新的一个改变自由的时间段的检测等。

在一个非限制性实施例中，一个多模型残差估计算法被实施以测试控制器的慢改变模型和快改变模型内的残差。如果在该系统中的干扰或改变是不明显的，则残差将在分析的一个时间段内被最小化。如果残差在一个时间段内改变，则因果关系检测算法可以生成改变指示、干扰指示等。一个相关联的模型更新算法或调度器可以被配置成接受该指示，并且实行或推迟执行模型更新(例如，取决于特定实施方式)。

用来评估输入信号和反馈信号之间的因果关系、干扰的存在和/或换能器的性能改变的一些标准包括检测算法中的一个或多个模型之间的改变评估(例如，并行操作的慢-快标准之间的改变检测等)、累积和(CUSUM)测试、停止规则测试、最大似然评估、似然比测试、平方残差阈值测试、慢-快模型之间的残差的评估、跨感兴趣的频带的输入和输出之间的幅度比较、在不同的频带内的信号之间的比较、故障隔离模型(例如，一个或多个被设计成突出一个特定实施方式所期望的一个或多个故障模型的模型)的纳入、使这样的关系随时间的推移改变、渲染进程中使用的现有模型和从反馈信号获得的测量之间的“拟合的紧密度”比较、估计和测量之间的拟合品质比较、输入与控制器生成信号和/或反馈信号或由反馈信号生成的信号之间的差分关系和/或积分关系的比较、其组合等。该系统可以包括多个改变估计器，可选地包括一个快速追踪估计器(例如，以迅速地识别输入/反馈关系中的一个或多个的改变)以及一个相对慢速追踪估计器(例如，以识别缓慢改变的输入/反馈关系、环境改变、慢移动状态改变等)。

该因果关系检测算法可以包括一个或多个用于确定何时是非白噪声时间段的阈值(例如，其中检测到改变、检测到干扰等的时间段)。这样的阈值作为特定实施方式的一部分而被确定。

在一些方面，该因果关系检测算法可以比较输入和一个或多个反馈状态(例如，诸如，音圈电流反馈信号)之间的关系或模型，以确定一个或多个扬声器性能的改变是否已经发生，而且可以在输入、反馈状态(例如，诸如，麦克风反馈信号)中的一个或多个之间进行比较，以确定干扰的存在(例如，以便确定诸如来自麦克风的特定的反馈信号是否可以作为模型更新进程的一部分被信任)等。这样的方法在以下系统中是有利的：在该系统中，特定的反馈信号可能不容易受干扰(例如，诸如，阻抗或电流反馈)，然而其他信号可能容易受干扰但是包括从其他反馈信号(例如，诸如，从基于壳体的压力传感器、麦克风等)不可得的附加系统信息。这样的配置有利于在改变、干扰等期间在获得系统参数的精确建模和使错误告警或不合时宜的模型更新最小化之间进行平衡。

在一些方面，扬声器特性可以通过在一系列测试程序期间监控其阻抗而被至少部分地识别。取决于输入控制信号的频谱和幅度，可能可以在一系列不同的频率内分析扩音器。

对于一个给定的系统，可以导出控制定律的一个离散时间实施方式。假设采样频率与音圈或隔膜位移x_d的改变速率比较足够高，则力因数和刚度中的简化近似可以被应用到一个相关联的扬声器模型。在这样的条件下，可以做出力因数和刚度的简化近似Bl(x_d[n])≈Bl(x_d[n-1])和k(x_d[n])≈k(x_d[n-1])。

所产生的离散时间模型可以被导出用于隔膜位置x_d[n]，如下文所示：

其中T_s是采样周期，a_k是模型系数、R_e是伪DC音圈阻抗，σ_x是离散物理位置函数的特性增益、Bl(x)和k(x)分别是用于与扩音器相关联的力因数和刚性的函数。等式3中示出的离散时间模型中的所有值可以在连续时间内通过匹配该系统的机械部分的极点而从模型的参数计算出。

所述状态中的一个或多个可以由一个状态估计器提供，该状态估计器被包括在根据本公开内容的控制模型230或模型更新器150内。一个可测量的状态(例如，诸如，通过电流和/或电压来估计位移、来自麦克风的反馈、扬声器膜位移的直接测量等)与来自该模型的一个输出之间的比较可以被用在根据本公开内容的模型更新进程中。该模型更新进程可以被用来确定在根据本公开内容的模型中所包括的一个或多个参数、函数等。

该模型中的一个或多个参数240可以被储存在前馈控制器230内(例如，在一个参数分配空间内)，任何参数可以通过根据本公开内容的更新165b而被调整。

在一些方面，控制模型230可以包括一个或多个状态估计函数，所述状态估计函数的输出可以用作控制器生成信号131b，以在以后的更新中使用，以通过调度器来确定应何时执行更新等。

图3a-图3d示出了根据本公开内容的模型更新器的一些方面的示意图。

图3a示出了例示了根据本公开内容的模型更新器150a的一些方面的示意图。模型更新器150a包括根据本公开内容的模型更新算法310和与其耦合的查找表320。查找表320可以包括一个或多个模型参数、一个或多个模型(例如，根据本公开内容的模型库)、其组合等。模型更新算法310可以被配置成接受来自该系统中的一个或多个部件、缓冲器140等的数据145a。在一些方面，数据145a的释放或模型更新进程的启动可以由一个调度器启动，该调度器被一个更新速率、一个数据收集算法、其组合等确定。

在一个非限制性实施例中，模型更新算法310可以包括一个自适应模型，该自适应模型被配置成分批处理数据145a以预测一个或多个结果(例如，以预测一个或多个状态、一个或多个系统参数等)。所述结果中的一个或多个可以与查找表320中所包括的一个相关联的参数、模型等比较。该比较可以被用来确定查找表320中的一个或多个模型和该系统的当前状态之间的大体匹配。当确定该匹配时，与查找表320的匹配要素相关联的一个或多个参数、模型系数、模型、指向模型的指针等可以被加载155a到缓冲器160或根据本公开内容的控制器110、110a、110b内。

在一些方面，模型更新算法310可以包括一个基于自适应状态的观测器，该观测器被配置成基于模型输出相对于由其生成的数据145a或信号的回归(例如，一个从数据145a导出的位移估计、一个从数据145a导出的扬声器阻抗等)而收敛到一个系统模型或其一部分。

在一些方面，模型更新算法310可以包括回归函数的输出与查找表320中储存的一个或多个要素之间的比较(例如，以便验证回归的结果)。当确定回归成功时，在回归期间所确定的一个或多个参数、模型系数、逆模型等可以被加载155a到相关联的缓冲器160或控制器110、110a、110b内。

在一些方面，查找表320可以包括一个或多个增益调度关系。模型更新器150a可以被配置成从数据145a提取一个或多个控制变量，所提取的控制变量被用来与所述增益调度关系比较，所提取的控制变量与一个或多个参数相关联，所述一个或多个参数随后可以被用来更新控制器的一个或多个方面。这样的配置有利于操作和更新一个大体上的黑箱控制器。

出于讨论的目的，下文示出了模型更新进程的一个非限制性实施例。关于用于实施一个线性化前馈扬声器控制器的物理模型(例如，诸如，线性参数模型和非线性参数模型的组合等)，用于从通过音圈的输入电流i估计扬声器音圈两端的电压u的一个离散化和线性化表达可以被写作：

u_e[n]＝(R_e+σ_uBl(0)²)i[n]+R_ea₁i[n-1]+(R_ea₂-σ_uBl(0)²)i[n-2]...

-a₁u[n-1]-a₂u[n-2] 等式4

其中R_e是音圈的伪DC阻抗、σ_x是离散物理电压函数的特性增益、Bl(0)是关于零音圈位移(同样可以是非线性函数)的力因数、a₁和a₂是相关联的物理模型的反馈参数。用于从电流i所估计的u[n]的该值可以与测得的u[n]比较，以给出一个误差函数，用于在模型更新进程中使用。

可以由以下等式给出模型估计电压和测得的电压之间的这样的误差函数：

e[n]＝u[n]-u_e[n] 等式5

将等式4和等式5组合提供相关联的估计和模型更新进程所必需的误差函数。因此，可以使用一个根据本公开内容的模型更新算法(例如，通过对于一个给定的数据集使等式5的误差函数最小化)估计在建立电流i和电压u之间的估计中所使用的物理模型的线性参数[R_e B1(0)a₁a₂]。

替代地，一个用于黑箱模型(例如，诸如，由Hammerstein-Wiener模型等限定的)的模型更新进程可以包括采用一个增益调度方法，该增益调度方法可以被实施以使音圈电流和电压的测量相关联，从而计算一个可以被应用到该黑箱模型的一个或多个方面的控制变量。

在一些方面，一个模型的小信号线性方面可以与该模型的大信号方面(例如，如通过模型更新器、数据的可用性等确定的)分开地被更新。这样的配置有利于更好地利用可用数据，以在其使用期间的任何时间点处生成一个用于相关联的换能器的鲁棒模型拟合。

在一些方面，模型更新算法310可以被配置成接受来自数据145a的一个或多个控制信号115，且由其生成一个或多个状态矢量。出于模型选择的目的，这样的估计可以与通过来自查找表320的一个或多个模型所生成的估计进行比较，以确定是否需要一个模型更新，从而诊断相关联的换能器的状态等。

图3b示出了根据本公开内容的模型更新器150b的一些方面的示意图。模型更新器150b可以包括模型更新算法330，该模型更新算法330被配置成在一个可测量状态或一个通过数据145b测得的准确估计状态与一个通过自适应模型和待被更新的数据145b建模的状态估计之间执行回归、模型选择等。在一些方面，模型更新算法330可以如下进行：选择一个用于该模型的初始估计(例如，诸如，通过选择控制器内的当前使用的模型的一个或多个方面)，对与可得自数据145b的测得的状态或估计进行比较的所述建模的数据145b执行一个回归，基于该回归的结果更新该模型，迭代直到达到预定的收敛极限。在一些方面，该回归可以被应用到该模型的一个或多个方面、一个线性模型、一个大信号模型、该模型内的一个函数、一个黑箱模型或灰箱模型、其组合等。

模型更新器150b可以包括一个安全性/有效性核查340，凭借该安全性/有效性核查340，一个有效性度量(例如，诸如，拟合优度度量、残差度量、过拟合确定度量等)可以在模型更新进程期间被分析或被产生，并且被用来确定是否应该用新确定的模型、参数、系数等来更新155b相关联的控制器内的模型的一个或多个方面。

图3c示出了根据本公开内容的模型更新器150c的一些方面的示意图。模型更新器150c可以包括根据本公开内容的模型更新算法350，该模型更新算法350被配置成在一个可测量状态或一个通过数据145c测得的准确估计状态与一个通过自适应模型和待被更新的数据145c建模的状态估计之间执行回归、模型选择等。模型更新器150c可以包括损坏检测器360，该损坏检测器360被配置成分析模型更新算法350的输出，确定一个或多个更新的参数、模型系数等的值是否在与损坏的换能器130相关联的预定范围内。损坏检测器360可以被配置成接受来自模型更新算法350的一个或多个参数345并且确定一个相关联的换能器是否被损坏。如果该换能器被损坏，则损坏检测器360可以发送告警355，以通知该控制系统内的一个或多个进程或实施设备上的一个相关联的进程。如果未检测到损坏，则损坏检测器360可以向一个决策块提供验证信号365，以便允许一个或多个更新165c被生成并且被发送到一个相关联的缓冲器和/或控制器上。

图3d示出了根据本公开内容的模型更新器150d的一些方面的示意图。模型更新器150d可以包括根据本公开内容的模型更新算法370，该模型更新算法370被配置成在一个可测量状态或一个通过数据145d测得的准确估计状态与一个通过自适应模型和待被更新的数据145d建模的状态估计之间执行回归、模型选择等。模型更新器150d可以包括过渡算法380，该过渡算法380被配置成将通过模型更新算法370所生成的一个或多个更新的参数、模型、系数等转换成一个适合于插入到相关联的控制器中的一个模型内的形式。在一些方面，过渡算法380可以包括执行一个状态空间转换、将一个或多个系数集成到一个控制器模型内、建立一个查找表等。

在一些方面，模型更新器150d可以包括缓冲器390，该缓冲器390被配置成在使用期间储存通过过渡算法380所生成的一个或多个参数、系数、转换的要素、指针等。

待更新的模型的类型、一个模型的部分等(例如，线性动态模型、非线性动态模型、模型系数等)可以通过以下内容来确定：调度器；通过数据145b中可用的信息、幅度和/或频谱内容；通过在该系统内发生的一个或多个定时事件；一个诊断结果(例如，当前控制器和相关联的换能器动态之间的失配的确定、系统故障的确定等)；与一个预审通知或媒体剪辑(例如，铃音的回放、唤醒通知、游戏介绍、媒体剪辑、电影或电视节目介绍、歌曲等)相关联的数据的可用性。

在一些方面，模型更新器150、150a、150b、150c、150d、调度器等可以被配置成当回放媒体流(例如，诸如，游戏介绍、游戏中的音频剪辑、媒体剪辑、电影或电视节目介绍、歌曲、商业广告等)时运行模型更新。回放事件可以为该数据提供足够的数据以完成模型更新。在一些方面，这样的音频信息可以被预审和/或伴随着一个预审通知，从而以信号形式通知该系统的一个或多个部件：适当的数据正被流出用于捕获并且集成到模型更新或优化进程中。

在一些方面，根据本公开内容的系统可以包括一个预审程序或被耦合到一个预审程序。该预审程序可以被配置成扫描一个或多个媒体文件、测试与该文件相关联的音频流并且生成一个伴随的通知记录。该通知记录可以被配置成突出该音频流的包括处于期望的幅度范围、频率范围等内的数据的区域，用于纳入到根据本公开内容的模型更新进程的一个或多个形式内。在一个非限制性实施例中，该预审程序被实施为实用程序(utility)，该预审程序被配置成搜寻可用的媒体文件(例如，本地储存在安装设备上的文件、位于云存储设施内的文件、与流服务相关联的文件等)，以生成一个或多个通知记录。

通知记录可以包括一个或多个与待被根据本公开内容的控制系统渲染的特定媒体流相关联的暂态数据量化器(quantifier)。在一个非限制性实施例中，该通知记录可以被配置成对于媒体流内的数据的每个可用区域存储一个时间跨度和数据状态变量。

在一些方面，对于音频流的回放，根据本公开内容的系统可以包括预审算法，该预审算法被配置成分析待回放的音频流内的即将出现的音频数据，以确定特定数据用于纳入到模型更新进程中的适合性。在一些方面，该预审算法可以在该音频流中先行0.25sec、0.5sec、1sec等以上。在一些方面，该预审算法可以生成一个通知变量、相关联的调度器、模型更新器等，所述通知变量、相关联的调度器、模型更新器等被配置成接受具有给定的通知变量的数据，以用于纳入到根据本公开内容的模型更新进程内。

该模型更新算法310、330、350、370可以被配置成在以下情况下更新一个或多个参数等：预定测试期间、在非线性控制系统的随机操作期间、在媒体流出期间的预定时间时、随着操作系统的一个或多个部件改变时、随着操作条件改变时、随着一个或多个关键操作方面(例如，操作温度)改变时等。

模型更新算法310、330、350、370可以包括一个或多个自适应和/或学习算法。在一些方面，所述自适应算法可以包括一个增广无迹卡尔曼滤波器。在一些方面，最小二乘优化算法可以被实施，从而在操作条件改变时、在一个或多个关键操作方面(例如，操作温度)改变时、以由调度器所控制的预定定时等在测试之间迭代地更新适配的参数、模型等。另外，优化技术和/或学习算法的非限制性实施例包括非线性最小二乘法、L2范数、平均单依赖估计器(AODE)、卡尔曼滤波器、无迹卡尔曼滤波器、马尔可夫模型、反向传播人工神经网络、贝叶斯网络、基函数、支持矢量机、k-最近邻算法、基于事例推理、决策树、高斯过程回归、信息模糊网络、回归分析、自组织映射、逻辑回归、时间序列模型，诸如自回归模型、移动平均模型、自回归积分移动平均模型、分类树和回归树、多元自适应回归样条等。

在一些方面，一个或多个模型更新算法、验证算法、调度比较算法等可以包括一个用于优化换能器130的非线性模型的方法，该方法包括在操作期间(例如，可能在测试期间、在媒体流的回放期间等)提取换能器130的阻抗频谱的至少一部分。阻抗数据可以被用作一个目标，以优化相关联的非线性模型的一个或多个参数。所产生的模型参数可以在完成之后被上载到该模型，或在优化进程期间直接在该模型上被调整。

在一些方面，在普通媒体流中，不足的频谱内容是可用的。在这样的情况下，音频水印可以被添加到该媒体流，以谨慎地增大频谱内容，从而实现期望的优化(例如，白噪声、近白噪声、噪声状水印等可以被添加)。

图4a-图4b示出了根据本公开内容的用于收集数据和更新模型的方法的一些方面。

图4a示出了根据本公开内容的用于收集数据和更新模型的方法。该方法包括用换能器渲染一个音频流410。在一些方面，该音频流含有一个根据本公开内容的可听通知。在渲染期间，该方法包括累加数据420以在模型更新中使用，以及由所述数据估计一个或多个系统特性、模型部件等430。该方法还可以包括更新系统中的模型440。该方法的一个或多个步骤可以通过根据本公开内容的一个或多个算法、部件或子系统执行。

图4b示出了根据本公开内容的用于收集数据和更新模型的方法。该方法包括收集数据450和评估数据460，以确定所述数据是否适合于执行根据本公开内容的模型更新。如果所述数据是合适的，则将所述数据添加到测试数据集470(例如，将所述数据加载到缓冲器、将所述数据转达到模型更新器等)，以在模型更新、分析等中使用。如果所述数据是不合适的，则丢弃所述数据并且继续收集数据450。该方法的一个或多个步骤可以由根据本公开内容的一个或多个算法、部件或子系统执行。

一般而言，根据本公开内容的一个或多个控制器或模型更新器可以包括一个观测器，该观测器被配置成在来自换能器的有限的状态反馈的条件下操作。在这样的情况下，可以用一个合适的前馈状态估计器增广该观测器，以助于用有限的反馈评估状态。

在一些方面，根据本公开内容的观测器或非线性模型还可以被用来通过提供附加的虚拟传感器来加强反馈系统(例如，与反馈控制器并行使用的)的鲁棒性。一个非限制性实施例可以是以下情况：一个测得的状态与通过该观测器或模型做出的要现实的预测相差太远，因此作为故障测量被拒绝。在检测故障测量的情况下，可以使用该观测器或模型生成的状态估计代替直接测量，直到再次产生有效测量为止。

该非线性控制系统可以被配置有基于实时阻抗的反馈，可能在一个较慢的时间段内，以提供自适应校正和/或更新该控制系统内的一个或多个参数，例如，以补偿由于老化、热改变等造成的模型差异。

该非线性控制系统可以包括一个或多个随机模型。所述随机模型可以被配置成将一个随机控制方法集成到非线性控制进程中。该非线性控制系统可以被配置成整形如在该系统内测得的噪声。这样的噪声整形有利于在操作期间将本底噪声(noise floor)调整到一个较高的频带，以用于更有计算效率的移除(例如，经由一个简单的低通滤波器)。

在一些方面，该非线性控制系统可以包括一个增益限制特征，该增益限制特征被配置成防止控制信号偏离等效的未经调节的信号太远，以便确保其安全性、限制THD等。此增益限制方面可以被有差别地应用到不同频率(例如，在较低频率下允许更大的偏移，以及在较高频率下允许较少的或甚至零偏移)。

该状态矢量可以被配置成包括一个或多个可精确测量的物理状态，诸如，膜加速度(a)。在这样的配置中，位置(x)和速度(v)相关的状态的准确度可以被稍微放松，同时维持用于加速度(a)的高精确度匹配。因此，该膜的DC漂移可以被从控制输出移除，以防止在操作期间对膜的硬限制。

根据本公开内容的非线性控制系统可以包括与一个或多个驱动器相关联的放大器行为的分析模型和/或黑箱模型。这样的模型有利于从控制信号移除可以导致驱动器不稳定的伪像。一个非限制性实施例可以是将AC放大器建模为具有其对应的截止频率和滤波器斜率的高通滤波器。

在一些方面，该非线性控制系统可以包括一个或多个“在线”优化算法(例如，一个连续操作的模型更新器)。该优化算法可以被配置成周期性地更新一个或多个模型参数，可能在普通媒体流出期间。这样的配置可以有利于在该系统操作时，减少随时间的推移对模型故障的影响。在实验室环境和/或生产环境中，该优化算法可以给予来自相关联的运动学传感器的附加的状态反馈(例如，锥体移动的激光位移测量)，以更准确地微调该系统的相关联的非线性模型方面(例如，前馈模型参数、观测器参数诸如协方差矩阵、PID参数等)。该系统可以被优化，同时尽可能多地测量状态。相关联的多参数优化方案可以被配置成在要求的频率范围内(例如，对于基波，高达200Hz、高达500Hz、高达1kHz等)优化到THD的最小值。

在一些方面，可以用一个参数可调模型(例如，一个后生产(post-production)自适应控制系统)增广一个最优配置的模型(例如，在生产期间配置的)。在相关联的设备的寿命期间，该参数可调模型可以围绕该最优配置的模型自适应地更新，以维持理想的操作特性。此配置可以有利于在该设备的寿命期间改善优化结果、自适应地映射模型参数，同时在生产期间记录附加的状态(例如，通过激光器或加速度计)或替代地通过测量麦克风的THD并且相应地优化该系统。这样的模型更新可以得益于执行更新并且记录具有已知音频流的音频输出3。因此，对所述结果的先验预期可以被用来在附加的背景噪声、回声等可能干扰模型更新进程的情景之前采取行动。

最优配置的参数可调方法可以适合于移除该模型的、可以导致不稳定或其“黑箱”表示的双峰响应(例如，在使用增益调度方法等有些盲目地映射输入-输出特性的情况下)的各个方面。

在一些方面，一个最优配置的制造模型加一个参数可调模型的结合可以有利于提供一种用于使整个生产线与单个可适配的模型匹配或更容易地匹配不同类型的扩音器的方法，因为可以放松对高精确的需要(例如，考虑到在使用期间对模型的可调整部分稍作调整的能力)。该配置可以修改以用API、实验室和/或制造工具箱实施。该系统还可以被用来表征用于不同扩音器类型的最优可配置的(且复杂的)模型(例如，电活性聚合物、压电的、电致伸缩的以及其他类型的电声换能器[在一个简单的模型不是该系统的有效描述的情况下])，同时采用一个黑箱模型用于实地自适应校正(例如，经由在本文中描述的一个或多个自动控制和/或适配进程的实施)。

在一些方面，与一个控制模型、一个制造模型、模型内的一个非线性函数等相关联的一个或多个模型参数可以在实验室环境中被优化，其中全状态反馈或接近全状态反馈是可能的。在此实施例中，一种方法可以包括确定等效Thiele-Small参数(线性的)的一个小信号测量，对非线性参数形状做出粗略猜测，测量一个大信号刺激以确定一个或多个大信号特性，调整模型参数直到模型的输出状态大体上匹配测得的状态为止。可以使用一种信任的区域优化方法等实施这样的方法。还可以用多个测量或用一系列刺激迭代地实施该进程。该方法可以被用来确定一系列大体上固定的系数或查找表，以表示相关联的模型中的一个或多个非线性函数。模型的这样的固定部件可以与一个或多个模型参数组合，以形成一个在相关联的设备的使用期间可以被更新的自适应模型。

该方法可以包括通过任何已知技术来设置控制器目标动态和/或逆动态方面的一个或多个模型参数(例如，配置一个协方差矩阵)。在一些方面，该设置可以通过包括测试合理区间内的所有可能的调节器参数以找到用于最小THD的设置的暴力(brute-force)方法来实现。该最小THD可以随后在真实系统上被测得，且通过模型被模拟，并且被用来校正设备实地经历的改变。此方法还可以被迭代地实行，同时测量每个测量迭代中的实际THD。

该方法可以包括配置一个或多个可调参数。这样的配置可以通过例如“暴力”方法等来实现，由此合理的限制内的所有可能的值都被测试，同时测量扩音器的THD并且寻找一个最小值。

这样的方法可以包括测量根据本公开内容的阻抗。如果实时阻抗测量展示一个参数严重失配(例如，经由温度或老化的严重改变)，则该系统可以自动地使用新的阻抗曲线以将非线性模型实时地映射到新的系统。因此，在系统操作期间可以提供一种用于连续地且动态地适配模型参数的技术。

这样的方法可以被实时地执行。当在测量期间获得一个可靠的阻抗曲线时，一个模型或参数更新进程可以被启动。因为温度改变或老化效应与系统动态相比相对缓慢地发生，这样的适配方法可以偶尔运行，只要处理器“空闲”且不存在对采样速率基准的实时要求。

在一些方面，该模型可以包括一个壳体模型，以补偿一个封闭的、通风的或泄漏的配置，以便匹配讨论的实施方式。

根据本公开内容，该控制器可以被分成“目标动态”(对应于目标行为，例如，一个线性行为)方面和“逆动态”(其主要旨在抵消不受控制的系统的所有动态，包括非线性)方面。在此情况下，目标动态部分可以包括一个或多个非线性效应，诸如，心理声学非线性、压缩器或任何其他“目标”行为。因此，该控制器可以使非线性补偿方面与增强的音频性能方面融合。

根据本公开内容的非线性控制系统可以被配置成主要工作在低频频谱(例如，小于1000Hz、小于500Hz、小于200Hz、小于80Hz、小于60Hz等)。在一个非限制性应用中，该非线性控制系统可以被配置成在一个修正的输入信号上操作。在此情况下，该输入信号可以被划分到具有另一个交叉点(例如，在80Hz、200Hz等处)的低音(woofer)频带内。递送到该非线性控制系统的修正的输入信号可以仅被集中于在该交叉点以下的频带。在整个公开内容中讨论了一些附加方面。

根据本公开内容的非线性控制系统可以被嵌入在专用集成电路(ASIC)内或被设置为一个硬件描述语言块(例如，VHDL、Verilog等)，以用于集成到片上系统(SoC)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或数据信号处理器(DSP)集成电路内。

替代地、附加地或结合地，该非线性控制系统的一个或多个方面可以被软件编码到处理器、闪存、EEPROM、存储单元等内。这样的配置可以被用来至少部分地以软件将该非线性控制系统实施为DSP、处理器以及ASIC等上的一个例程。

将理解，本领域技术人员将容易想到附加益处和改型。因此，在本文中呈现的公开内容以及其较宽泛的方面不限制于在本文中示出和描述的具体细节和代表性实施方案。因此，在不脱离如通过所附权利要求以及它们的等效物限定的总的发明构思的精神和范围的前提下，可以包括许多改型、等效物以及改进。

Claims (36)

1.一种用于通过换能器渲染媒体流的非线性控制系统，该非线性控制系统包括：

-一个控制器，该控制器包括一个模型，该模型被配置成接受一个与该媒体流相关的输入信号，并且输出一个控制信号以驱动一个放大器和/或该换能器，从而用于在该换能器上渲染该媒体流，该模型被配置成补偿该换能器、该放大器和/或环境的一个或多个声学特性；

-一个或多个传感器，所述一个或多个传感器与该换能器、该放大器和/或该环境耦合，并且被配置成由该换能器、该放大器和/或该环境生成一个反馈信号；以及

-一个与该控制器耦合的模型更新器，该模型更新器被配置成接受一个从该反馈信号、该输入信号、该控制信号和/或一个由该反馈信号、该输入信号、该控制信号所生成的信号导出的数据集，并且基于该数据集的分析来更新该模型的一个或多个方面。

2.根据权利要求1所述的非线性控制系统，其中所述一个或多个传感器被配置成测量或生成一个与电流、电压、阻抗、电导、实质DC阻抗值、共振性能、温度、音圈电流、音圈温度、膜或线圈移位、速度、加速度、空气流动、腔室背压、换能器风管空气流动、声压水平、动力学测量、磁场测量、压力、湿度或其组合相关的信号。

3.根据权利要求1或2所述的非线性控制系统，其中该控制器被配置成以一个渲染速率操作，并且该模型更新器被配置成以一个更新速率周期性地更新该模型，该更新速率显著慢于该渲染速率。

4.根据权利要求3所述的非线性控制系统，其中该更新速率为每小时小于1个更新。

5.根据权利要求3所述的非线性控制系统，还包括一个调度器，该调度器被配置成通过分析该数据集来确定该更新速率。

6.根据权利要求5所述的非线性控制系统，其中该调度器被配置成分析与该数据集相关联的一个或多个度量，以确定该数据集的一个子集，该子集适合于从其执行一个更新。

7.根据权利要求6所述的非线性控制系统，其中度量与所述输入信号、控制信号、渲染的媒体流和/或反馈信号的幅度或带宽相关联，或者与所述输入信号、控制信号、渲染的媒体流和/或反馈信号之间的关系或所述输入信号、控制信号、渲染的媒体流和/或反馈信号的组合相关联。

8.根据任一前述权利要求所述的非线性控制器，还包括一个缓冲器，该缓冲器与该模型更新器耦合，并且被配置成存储该数据集的至少一部分。

9.根据任一前述权利要求所述的非线性控制器，其中该模型更新器包括一个鲁棒回归算法，以执行该分析的至少一部分。

10.根据任一前述权利要求所述的非线性控制器，其中该模型更新器包括一个模型库或与一个模型库接口，该库中的每个模型都被配置成从该数据集生成一个状态的估计，该模型更新器被配置成将该状态与该数据集的一个或多个方面进行比较以作为该分析的一部分。

11.根据权利要求10所述的非线性控制器，其中该模型更新函数包括一个选择算法，该选择算法被配置成基于该比较选择来自模型库的一个模型，或选择与该模型库中的模型相关的一个模型。

12.根据任一前述权利要求所述的非线性控制系统，其中该系统被配置成接受一个通知，该通知被集成到该媒体流内，从在该通知期间渲染的媒体流导出数据集的至少一部分。

13.根据权利要求12所述的非线性控制系统，其中该通知包括与渲染的媒体流相关联的有关铃音的媒体剪辑、唤醒通知、游戏声音剪辑、媒体介绍、音频剪辑、电影或电视节目剪辑、歌曲剪辑、事件、上电事件、用户通知、睡眠恢复事件、触摸音频响应或其组合。

14.根据任一前述权利要求所述的非线性控制系统，其中该模型执行一个改变检测算法，该改变检测算法被配置成分析该数据集，以确定在该控制器内的该模型和该换能器的一个或多个声学特性之间是否存在显著差异。

15.根据权利要求14所述的非线性控制系统，其中该改变检测算法被用来确定更新速率的至少一部分。

16.根据任一前述权利要求所述的非线性控制系统，其中该控制器内的该模型包括一个线性动态模型和一个非线性模型。

17.根据权利要求16所述的非线性控制系统，其中该模型更新器被配置成基于对该数据集的分析来更新该线性动态模型或该非线性模型的一部分。

18.根据任一前述权利要求所述的非线性控制系统，其中该非线性控制系统被包括在一个移动消费电子设备内。

19.根据权利要求18所述的非线性控制系统，其中该消费电子设备是智能手机、平板计算机、可穿戴计算设备或声霸。

20.根据任一前述权利要求所述的非线性控制系统，其中该换能器包括足够严重的、有缺陷的声学特性，以便毁坏不具有补偿的输入信号的渲染，该控制器内的该模型被配置成补偿该有缺陷的声学特性，以便在该换能器上有效地渲染该媒体流而没有显著毁坏。

21.根据权利要求20所述的非线性控制系统，其中该换能器是一个扩音器，且该有缺陷的声学特性是与该扩音器相关联的力因数、刚度和/或机械阻力的非线性和/或不稳定性。

22.根据权利要求20或21所述的非线性控制系统，其中无补偿的有缺陷的声学特性贡献该换能器的声学输出的10％以上，该控制器中的该模型被配置成将此成分减少小于10％。

23.根据权利要求20-22中的任一项所述的非线性控制系统，其中该模型更新器被配置成每当有补偿的有缺陷的声学特性贡献在其残差阈值以上大于5％时就更新该控制器内的该模型。

24.根据权利要求20-23中的一项所述的非线性控制系统，其中该换能器被设计成具有相对高的效率，同时牺牲无补偿的操作状态中的声音品质、THD和/或IMD，该控制器被配置成显著改善该声音品质、THD和/或IMD，同时在有补偿的操作状态中维持其相对高的效率。

25.根据任一前述权利要求所述的非线性控制系统，其中该放大器、该调度器和/或该模型更新器包括一种用于由一个或多个反馈信号来估计该换能器的一个特性温度并且将该估计递送到一个或多个该控制器和/或该模型更新器的装置，该控制器和/或该模型更新器被配置成分别将该温度估计纳入到补偿和/或分析算法内。

26.根据权利要求1到25中的任一项所述的系统用于提高换能器族的效率而不显著牺牲声音品质的用途。

27.根据权利要求1到25中的任一项所述的系统用于降低渲染的媒体流中的THD和/或IMD的用途。

28.一种用于更新在换能器上渲染音频流所使用的模型的方法，包括：

-在一个或多个时间段内收集与该音频流相关联的数据，以形成一个数据集；

-分析该数据集，以确定内容是否具有在足以执行该更新的一个预定阈值以上的幅度和频谱内容；

-使用该数据集的至少一部分生成一个更新的模型或一个更新的模型的一部分；以及

-用该更新的模型或该更新的模型的一部分来更新该模型。

29.根据权利要求28所述的方法，还包括将多个预定模型的输出与该数据集的至少一部分比较，以及选择与所述多个预定模型中的一个模型相关联的模型作为该更新的模型，其中该比较是基于对比较所述预定模型和该数据集的一部分之间的拟合的紧密度的度量的分析。

30.根据权利要求28或29所述的方法，其中度量是在由预定模型所生成的一个或多个估计和该数据集之间的鲁棒残差、累积误差和、最大似然评估、似然比测试、平方残差阈值测试、跨感兴趣的频带的输出与输入之间的幅度比较或其组合。

31.根据权利要求28-30中的任一项所述的方法，其中所述一个或多个时间段中的至少一个长于0.1秒。

32.一种用于更新换能器的模型的方法，包括：

-在一个用户通知事件期间将一个测试信号应用到该换能器，并且收集与其相关联的数据以形成一个数据集；

-分析该数据集以形成一个更新结构，该更新结构包括更新的模型、模型特性、模型参数、模型的线性部分、模型中的非线性函数、指向最接近的拟合模型的指针或其组合中的一个或多个；以及

-用该更新结构更新该模型。

33.根据权利要求32所述的方法，其中该用户通知事件包括在该换能器上渲染有关铃音的媒体剪辑、唤醒通知、游戏声音剪辑、媒体介绍、视频、电影或电视节目剪辑、歌曲剪辑、事件、上电、用户通知、睡眠恢复事件、触摸音频响应或其组合中的一个或多个。

34.根据权利要求32或33所述的方法，其中该用户通知持续长于0.1秒的一个时间段。

35.根据权利要求32-34中的任一项所述的方法，还包括由多个测试信号的顺序应用来形成该数据集。

36.根据权利要求32-35中的任一项所述的方法，还包括将该数据集与用于该用户通知事件的预定的预期结果进行比较，以确定该数据集是否适合于执行该更新。