CN107302737A - 利用反褶积滤波器进行的基于神经网络的扬声器建模 - Google Patents
利用反褶积滤波器进行的基于神经网络的扬声器建模 Download PDFInfo
- Publication number
- CN107302737A CN107302737A CN201710239088.6A CN201710239088A CN107302737A CN 107302737 A CN107302737 A CN 107302737A CN 201710239088 A CN201710239088 A CN 201710239088A CN 107302737 A CN107302737 A CN 107302737A
- Authority
- CN
- China
- Prior art keywords
- loudspeaker
- response
- reverberant ambiance
- output
- reverberant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R3/00—Circuits for transducers, loudspeakers or microphones
- H04R3/04—Circuits for transducers, loudspeakers or microphones for correcting frequency response
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
- G06F3/165—Management of the audio stream, e.g. setting of volume, audio stream path
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
- H04R29/001—Monitoring arrangements; Testing arrangements for loudspeakers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R3/00—Circuits for transducers, loudspeakers or microphones
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R2430/00—Signal processing covered by H04R, not provided for in its groups
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04S—STEREOPHONIC SYSTEMS
- H04S7/00—Indicating arrangements; Control arrangements, e.g. balance control
- H04S7/30—Control circuits for electronic adaptation of the sound field
- H04S7/305—Electronic adaptation of stereophonic audio signals to reverberation of the listening space
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Otolaryngology (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Circuit For Audible Band Transducer (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
- Stereophonic System (AREA)
Abstract
一种用于利用人工神经网络控制扬声器系统的技术包括利用反褶积滤波器对扬声器和扬声器布置在其中的混响环境的测量系统响应进行滤波,以产生滤波后的响应,其中所述测量系统响应对应于当扬声器布置在混响环境中时施加到扬声器的音频输入信号。所述技术还包括:基于音频输入信号通过神经网络模型生成初始神经网络输出;将初始神经网络输出与滤波后的响应进行比较以确定误差值;以及基于音频输入信号和误差值通过神经网络模型生成更新的神经网络输出。
Description
技术领域
各种实施例总体涉及分析扬声器系统,并且更具体地,涉及利用反褶积滤波器进行的基于神经网络的扬声器建模。
背景技术
对扬声器的行为进行建模是设计和制造音频系统时的常见步骤。例如,一旦扬声器到达工厂生产线的末端,制造商就可以收集扬声器的数据,以便对扬声器的特定行为和特性进行建模。然后,可以在控制系统中实现所得的模型,所述控制系统在操作期间校正扬声器的线性和/或非线性失真,从而使得能够实现期望的扬声器响应。这种建模有时利用人工学习架构,诸如人工神经网络来执行。
在机器学习中,人工神经网络包括由生物神经网络启发的算法模型,其用于估计或近似可取决于大量输入的函数。例如,人工神经网络可以呈现为彼此交换消息的互连“神经元”系统,其中每个神经元之间的连接具有可基于经验调谐的数值权重。因此,神经网络可以被认为适应于各种输入,并且从而在某种意义上能够学习。
在扬声器建模的上下文中,可以使用理想地在消声室中取得的测量结果来训练人工神经网络,在所述消声室中声反射显著受到抑制。因此,在训练期间,当由人工神经网络建模的扬声器以压力波形式输出对已知输入激励的响应时,用于训练的麦克风或传感器直接接收所述响应;麦克风或传感器通常检测不到来自消声室表面的显著声反射。因此,麦克风或传感器处的测量结果仅包括扬声器的响应和一些路径损耗,这允许人工神经网络非常精确地学习扬声器的动态行为。
上述方法的一个缺点是消声室并不总是可用于训练与特定扬声器相关联的人工神经网络。此外,即使消声室容易用于测试和训练,这种室的使用也不能容易地扩展以用于大规模生产环境中。此外,在混响环境(诸如具有显著的墙壁反射的“活房”)中训练人工神经网络是不切实际的,因为来自房间墙壁的响应的混响必然影响扬声器的动态响应。因此,人工神经网络在这种环境中不能精确地学习扬声器的动态行为。
如前所述,用于训练扬声器控制系统的人工神经网络的更有效技术将是有用的。
发明内容
本公开的实施例阐述了一种生成用于扬声器控制系统的滤波器的计算机实现的方法。所述方法包括:通过传感器接收扬声器和扬声器布置在其中的混响环境的测量系统输出;从测量系统输出中提取头部部分,其中头部部分包括扬声器的测量输出;基于头部部分和测量系统输出确定混响环境的响应的倒数;以及基于响应的倒数生成滤波器。
除此之外,其他实施例提供了一种被配置成实现上述方法的系统和非暂时性计算机可读介质。
所公开的技术的至少一个优点在于,可以通过反褶积滤波器将扬声器布置在其中的混响环境的响应减少20db或更多。因此,即使在混响环境中可能生成通常将与扬声器的响应混合的混响,也可以在混响环境中训练扬声器系统的神经网络以消除扬声器响应中的失真。
附图说明
因此,为了详细理解上文阐述的一个或多个实施例的特征,通过参考某些特定实施例来对上文简要概述的一个或多个实施例进行更具体的描述,这些实施例中的一些在附图中示出。然而,应当注意,附图仅示出典型的实施例,并且因此不应当被视为以任何方式限制其范围,因为各种实施例的范围也包括其他实施例。
图1示出被配置成实现各种实施例的一个或多个方面的滤波器生成系统;
图2是根据各种实施例的图1的计算装置的更详细的图解;
图3示出根据各种实施例的由传感器记录的、图1的滤波器生成系统中的扬声器的时域响应;
图4展示根据各种实施例的用于生成扬声器控制系统的滤波器的方法步骤的流程图;
图5A示出根据各种实施例的由传感器记录的、图1的滤波器生成系统中的扬声器的时域响应的尾部部分;
图5B示出根据各种实施例的在利用反褶积滤波器进行滤波之后的图5A的尾部部分;
图6示出被配置成实现各种实施例的一个或多个方面的扬声器系统;并且
图7展示根据各种实施例的用于生成扬声器控制系统的反褶积滤波器的方法步骤的流程图。
具体实施方式
在以下描述中,阐述众多具体细节以提供对本公开的实施例的更透彻理解。然而,对于本领域技术人员将明显的是,本公开的实施例可以在没有这些具体细节中的一个或多个的情况下实践。
图1示出被配置成实现各种实施例的一个或多个方面的滤波器生成系统100。滤波器生成系统100包括但不限于布置在混响环境110内的扬声器101和传感器102。更具体地,扬声器101布置在混响环境110中的第一位置111,并且传感器102布置在混响环境110中的第二位置112。另外,滤波器生成系统100包括驻留在计算装置120中的反褶积滤波器生成器103。
扬声器101被配置成将输入激励121(例如,音频信号)变换为扬声器输出131,诸如声波。扬声器101可以以任何技术上可行的方式来实现。例如,并且非限制性地,在一些实施例中,扬声器101可以是锥形扬声器、圆顶扬声器、喇叭扬声器或平面扬声器(例如,静电扬声器)。应注意,扬声器输出131可以从扬声器101全向地发出。因此,扬声器输出131的一部分分别作为房间响应133和134撞击在混响环境110的内表面113和114上并从内表面113和114反射。因此,房间响应133和房间响应134是扬声器输出131的混响,其各自包括类似于扬声器输出131的信号,但是是延迟的并且具有较低的振幅。
传感器102被配置成将所接收的压力波变换为测量响应122,并且可以包括但不限于麦克风或其他压力传感器。因此,在图1的实施例中,传感器102接收扬声器输出131、房间响应133和房间响应134,并且生成测量响应122,所述测量响应122是扬声器101和混响环境110的系统响应。测量响应122可以是压力测量结构、从压力测量结果导出的音频信号或任何其他技术上可行的测量响应形式。因此,测量响应122可以包括表示扬声器输出131的一个或多个特性,例如扬声器输出131的振幅、相位、频率响应和/或声压级(SPL)等的电信号。类似地,测量响应122可以包括表示房间响应133和房间响应134的一个或多个特性,诸如房间响应133和房间响应134的振幅、相位、频率响应和/或SPL等的电信号。测量响应122可以包括但不限于由扬声器101产生的压力或指示扬声器101操作的任何其他技术上可行的值。
反褶积滤波器生成器103被配置成当扬声器101和传感器102是包括控制系统的扬声器系统的一部分时,生成用于扬声器101的反褶积滤波器,即去混响滤波器,所述控制系统被配置成校正扬声器101的线性和/或非线性失真并提高扬声器输出131的质量。更具体地,反褶积滤波器生成器103被配置成当扬声器101布置在混响环境110的第一位置111并且传感器102布置在混响环境110的第二位置112时,生成用于扬声器101的反褶积滤波器。反褶积滤波器生成器103可以驻留在计算装置120中并且可以以任何技术上可行的方式实现。例如,并且非限制性地,反褶积滤波器生成器103可以是由计算装置120运行的软件模块、包括在计算装置120中的固件或包括在计算装置120中的硬件(诸如专用集成电路(ASIC)或现场可编程门阵列(FPGA))或其任何组合。以下结合图2描述计算装置120的一个实施例。
图2是根据各种实施例的图1的计算装置的更详细的图解。根据各种实施例,计算装置120被配置成实现图1的滤波器生成系统100的一个或多个方面。计算装置120可以是能够执行应用程序的任何类型的装置,包括但不限于与反褶积滤波器生成器103相关联的指令、反褶积滤波器(诸如反褶积滤波器601)、扬声器系统的人工神经网络(诸如人工神经网络602)和/或扬声器控制算法(诸如扬声器控制算法610)。以下结合图6描述反褶积滤波器601、人工神经网络602和扬声器控制算法610。例如,并且非限制性地,计算装置120可以是膝上型计算机、平板电脑、智能电话等。如图所示,计算装置120包括但不限于处理器210、输入/输出(I/O)装置220和存储器230。
处理器210可以实现为中央处理单元(CPU)、图形处理单元(GPU)、ASIC、FPGA、任何其他类型的处理单元或不同处理单元的组合。一般来说,处理器210可以是能够处理数据和/或执行软件应用以促进图1的滤波器生成系统100和/或扬声器系统600的操作的任何技术上可行的硬件单元,如本文所述。因此,在一些实施例中,处理器210可以被配置为用于滤波器生成系统100和/或扬声器系统600的控制器。除此之外,并且非限制性地,处理器210可以被配置为执行与反褶积滤波器生成器103、人工神经网络602和/或扬声器控制算法610相关联的指令。
I/O装置220可以包括输入装置、输出装置以及能够接收输入(例如,输入激励121、测量响应122等)并且提供输出(例如,图6所示的人工神经网络输出623)的装置。存储器230可以包括存储器模块或存储器模块的集合。如图所示,在一些实施例中,反褶积滤波器生成器103和/或人工神经网络602中的一些或全部在操作期间可以驻留在存储器230中。
计算装置120可以实现为独立芯片(诸如微处理器),或者实现为更全面的解决方案的一部分,所述更全面的解决方案被实现为专用集成电路(ASIC)、片上系统(SoC)等等。一般而言,计算装置120可以被配置成协调基于计算机的系统,诸如滤波器生成系统100和/或扬声器系统600的整体操作。在其他实施例中,计算装置120可以耦合到这种基于计算机的系统,但是与这种基于计算机的系统分离。在此类实施例中,基于计算机的系统可以包括单独的处理器,其向可包括在消费者电子装置(诸如个人计算机等)中的计算装置120传送数据,诸如输入激励121。然而,本文所公开的实施例涵盖任何技术上可行的系统,其被配置成以任何组合实现与滤波器生成系统100和/或扬声器系统600的各种组件相关联的功能。
回到图1,混响环境110可以是扬声器101和传感器102布置在其中的不等同于消声室的任何房间、车辆内部或其他空间。例如并且非限制性地,混响环境110可以是车辆中的乘客舱或建筑物中的房间,其包括高保真、低失真声音再现系统,诸如家庭影院场所、商业娱乐场所等。因为混响环境110不是消声的,所以来自内表面113和114的声音反射并未显著受到抑制。因此,当输入激励121被施加到扬声器101并且扬声器101发出压力波形式的响应(诸如扬声器输出131)时,传感器102接收系统响应(即,扬声器输出131加上房间响应133加上房间响应134),而不是仅仅扬声器响应(即,扬声器输出131)。应注意,这种系统响应可以包括来自混响环境110中的各种反射表面的任何数量的房间响应,并且不限于房间响应133和房间响应134。一种这样的系统响应在图3中示出。
图3示出根据各种实施例的由传感器102记录的、图1的滤波器生成系统中的扬声器的时域响应。当扬声器110和传感器102布置在混响环境110中并且输入激励121被施加到扬声器110时,生成系统输出300,因此,系统输出300是包括图1的扬声器输出131、房间响应133和房间响应134的系统响应。因此,系统输出300包括头部部分301和尾部部分302。
头部部分301从扬声器101的响应的初始部分310开始,诸如由传感器102接收的第一声波,并且在截断点311处结束。因此,头部部分301包括由传感器102直接接收的扬声器101的输出,即扬声器输出131。此外,在一些实施例中,头部部分301包括极少或不包括混响环境110的响应,即房间响应133或房间响应134。头部部分301不包括房间响应133或房间响应134,因为扬声器输出131遵循到传感器102的直接路径,而房间响应133和房间响应134各自遵循到传感器102的更长路径。因此,在扬声器输出131的显著部分已到达传感器102,即扬声器输出131的所述部分包括在头部部分301中之后,房间响应133和房间响应134各自到达传感器102。
相比之下,尾部部分302可以在截断点311处或附近开始,并且继续到时域中的任何技术上可行的点,例如截断点311之后的几秒。因此,尾部部分302通常包括扬声器输出131的一些稍后到达的部分以及房间响应133和房间响应134。因此,尾部部分302包括扬声器101的响应和混响环境110的响应。一般而言,扬声器输出131的初始到达时间与房间响应133和/或房间响应134的初始到达时间之间的时间延迟303是扬声器101、内表面113和114以及传感器102的相对位置的函数;截断点311可以被选择成基本上与时间延迟303的期满重合。可替代地,截断点311可以基于任何其他技术上可行的标准来选择,诸如在接收到扬声器输出131的第一混响之前的点。
在一些实施例中,扬声器101和传感器102可以是包括控制系统的扬声器系统的一部分,所述控制被配置成校正扬声器101的线性和/或非线性失真。在此类实施例中,通常利用用于表征扬声器101的人工学习架构,诸如人工神经网络来执行建模。然而,如上所述,用于表征扬声器101(即,计算脉冲响应函数)的常规技术通常需要将扬声器101和传感器102布置在消声室中。以这种方式,人工神经网络建模扬声器101仅处理来自扬声器101的未与房间响应133和房间响应134混合的输出。根据各种实施例,反褶积滤波器生成器103从测量响应122中对混响环境110的响应(即房间响应133和房间响应134)进行反褶积(消除或显著减少)。因此,当不布置在消声室中时,扬声器101可以通过人工神经网络来精确地表征。
图4展示根据各种实施例的用于生成扬声器控制系统的滤波器的方法步骤的流程图。尽管相对于图1-3的系统描述了方法步骤,但是本领域技术人员将理解,被配置成以任何顺序执行方法步骤的任何系统都落入本公开的范围内。
如图所示,方法400开始于步骤401,其中滤波器生成系统100接收测量系统输出,诸如测量响应122。例如,当扬声器101布置在混响环境110中时,滤波器生成系统100可以通过传感器102测量扬声器101的系统输出信号。因此,传感器102接收包括扬声器输出131(即,扬声器101的输出信号)以及房间响应133和房间响应134(即,响应于扬声器输出131的混响环境110的输出信号,诸如扬声器输出131的混响)的多个声波。响应于输入激励121(诸如音频信号)施加到扬声器101,扬声器101产生多个声波。然后,传感器102生成测量响应122。输入激励121可以是但不限于:单个正弦音调、多音调、一个或多个不同类型和/或级别的音乐、方波、Farina扫描、粉红噪声或其任何组合。
在一些实施例中,为了确保随后可以计算针对扬声器101的精确且综合的脉冲响应函数,滤波器生成系统100存储测量响应122,直到脉冲的振幅下降60db或下降到某个预定义水平。因此,滤波器生成系统100可以存储几秒的测量响应122。可替代地,滤波器生成系统100可以存储任何技术上可行的持续时间的测量响应122,以促进对扬声器101的脉冲响应函数的精确计算。
在步骤402中,滤波器生成系统100从测量响应122中提取头部部分301。如以上结合图3所描述的,头部部分301包括扬声器101的脉冲响应的初始部分,并且结束于截断点311附近。此外,可以选择头部部分301以包括极少或不包括混响环境110的响应(例如,房间响应133和房间响应134),并且可以相应地选择截断点311。因此,头部部分通常不包括扬声器输出131的第一反射或后续反射。
在步骤403中,滤波器生成系统100基于头部部分301和测量响应122确定混响环境110的响应的倒数。在步骤403中确定的倒数可以是房间响应133和房间响应134对测量响应122的贡献的任何技术上可行的倒数。因此,在一些实施例中,倒数可以是音频信号。此外,在给定头部头份301、尾部部分302和测量响应122的情况下,可以在步骤404中采用任何合适的数学技术或方法来确定混响环境110的响应的倒数。
在一些实施例中,滤波器生成模块103通过以下方式确定这种倒数:基于头部部分301计算针对扬声器101的第一脉冲响应函数,并且当扬声器101布置在混响环境110中时,基于测量响应122计算针对包括扬声器101的系统的第二脉冲响应函数。在此类实施例中,滤波器生成模块103然后将第一脉冲响应变换为频域中的第一频谱,并且将第二脉冲响应变换为频域中的第二频谱。滤波器生成模块103然后将第一频谱除以第二频谱,并且将此除法的结果变换到时域。此变换的结果是时域滤波器,其可以用作房间响应133和房间响应134对测量响应122的贡献的倒数。
可替代地,在一些实施例中,滤波器生成模块103通过基于尾部部分302计算针对混响环境110的单个脉冲响应函数来确定这种倒数。在此类实施例中,滤波器生成模块103然后将单个脉冲响应变换为频域中的第一频谱,将第一频谱反转,然后将此反转的结果变换回到时域。此变换的结果是时域滤波器,其可以用作房间响应133和房间响应134对测量响应122的贡献的倒数。在一些实施例中,可以向这种时域滤波器添加延迟,使得时域滤波器保持因果性。例如,在一些实施例中,延迟可以基本上等于图3所示的时间延迟303。
在步骤404中,滤波器生成模块103生成反褶积滤波器,诸如图6所示的反褶积滤波器601。例如,在一些实施例中,滤波器生成模块103将反褶积滤波器存储在存储器230中。反褶积滤波器然后可以在与扬声器101和传感器102相关联的扬声器控制系统中实现,所述扬声器控制系统校正扬声器101的线性和/或非线性失真。当这种扬声器控制系统使用反褶积滤波器处理来自传感器102的测量响应122时,房间响应133和房间响应134基本上从所述测量响应122中被滤波,如图5A和图5B所示。
图5A示出根据各种实施例的由传感器102记录的扬声器101的时域响应的尾部部分501。图5B示出根据各种实施例的在利用反褶积滤波器进行滤波之后的尾部部分501。如图所示,图5B中的尾部部分501的平均振幅减少了20db或更多。因此,即使扬声器101布置在混响环境110中,在通过基于房间响应133和房间响应134对测量响应122的贡献的倒数由反褶积滤波器进行滤波之后的测量响应122可以由人工神经网络用于精确地表征扬声器101的脉冲响应函数。
图6示出被配置成实现各种实施例的一个或多个方面的扬声器系统600。扬声器系统600包括但不限于扬声器101、传感器102、具有内表面113和114的混响环境110以及计算装置120,以上结合图1对它们中的每一个进行了描述。另外,扬声器系统600包括反褶积滤波器601和人工神经网络602,其中每一个均可以驻留在计算装置120中。此外,在一些实施例中,扬声器系统600包括扬声器控制算法610,其在图1中示出。
反褶积滤波器601被配置成通过处理由传感器102生成的测量响应122来生成滤波后的扬声器响应621。在一些实施例中,反褶积滤波器601可以是有限脉冲响应(FIR)滤波器。在此类实施例中,反褶积滤波器601的输入-输出映射由以下等式给出,其中y(n)是反褶积滤波器601的输出,x(n)是反褶积滤波器601的输入,h(n)是反褶积滤波器601的滤波器响应,M是滤波器的长度,并且N是输入信号的长度:
人工神经网络602被配置成精确地对扬声器101的输入/输出行为进行建模。例如,并且非限制性地,在一些实施例中,人工神经网络602被配置成处理输入激励121,以便通过神经网络模型生成近似滤波后的扬声器响应621的神经网络输出622。然后,将神经网络输出622与滤波后的扬声器响应621进行比较以生成误差值623,所述误差值623被传递回到人工神经网络602以生成更新的神经网络输出622,从而提高人工神经网络602对扬声器101的非线性输入/输出行为进行建模的精确度。训练人工神经网络602以生成精确的神经网络输出621的这个过程可以实时地和/或通过一系列训练迭代来执行。因此,即使扬声器101布置在混响环境110中并且测量响应122包括与扬声器输出131组合的房间响应133和房间响应134,也可以精确地对扬声器101的脉冲响应函数进行建模。
人工神经网络602可以以任何技术上可行的方式来实现。例如,并且非限制性地,人工神经网络602可以包括级联相关神经网络架构、循环级联神经网络架构、循环神经网络架构、多层感知器神经网络架构或任何其他类型的人工学习架构。此外,人工神经网络602可以被配置成以与人工神经网络602实现的神经网络架构一致的任何方式进行“学习”。例如,并且非限制性地,人工神经网络602可以被配置成最小化最小平方误差成本函数。
扬声器控制算法610被配置成利用反褶积滤波器601和人工神经网络602来控制扬声器系统600。扬声器控制算法610可以驻留在计算装置120中并且以任何技术上可行的方式实现。例如,并且非限制性地,扬声器控制算法610可以是由计算装置120运行的软件模块、包括在计算装置120中的固件或包括在计算装置120中的硬件(诸如ASIC、FPGA)或其任何组合。
图7展示根据实施例的用于利用人工神经网络控制扬声器系统的方法步骤的流程图。尽管相对于图1-6的系统描述了方法步骤,但是本领域技术人员将理解,被配置成以任何顺序执行方法步骤的任何系统都落入本公开的范围内。
如图所示,方法700开始于步骤701,其中扬声器控制系统600对布置在混响环境110中的扬声器101的测量系统响应进行滤波。例如,并且非限制性地,扬声器控制系统600通过反褶积滤波器601对测量响应122进行滤波,以生成滤波后的扬声器响应621。如上所述,当扬声器101布置在混响环境110中时,测量响应122对应于施加到扬声器101的音频输入信号,诸如输入激励121。因为反褶积滤波器601基于混响环境的响应的倒数,即房间响应133和房间响应134对测量响应122的贡献的倒数,所以滤波后的扬声器响应621是扬声器输出131的精确近似。
在步骤702中,扬声器控制系统600通过神经网络模型(诸如人工神经网络602)生成初始神经网络输出622。人工神经网络602可以采用任何技术上可行的方法来基于输入激励121对扬声器101的输入/输出行为进行建模。
在步骤703中,扬声器控制系统600将初始神经网络输出622与滤波后的扬声器响应621进行比较以确定误差值623。在步骤704中,扬声器控制系统600基于输入激励121和误差值623通过神经网络模型(诸如人工神经网络602)生成更新的神经网络输出622。一般而言,当人工神经网络602继续处理不同的输入激励121、测量扬声器响应122和误差值623时,人工神经网络602“学习”,迭代地修改并且由此改善输入激励21与测量扬声器响应122之间的映射。
在上述实施例中,扬声器系统包括单个扬声器和单个传感器或麦克风,并且生成用于扬声器系统并且由扬声器系统采用的单个反褶积滤波器。在其他实施例中,扬声器系统可以包括多个扬声器和/或多个传感器。在此类实施例中,可以生成用于每个扬声器/传感器配对的一个反褶积滤波器。例如并且非限制性地,在扬声器系统包括三个扬声器和一个传感器的实施例中,可以生成三个不同的反褶积滤波器—一个反褶积滤波器用于一个扬声器/传感器配对。类似地,在扬声器系统包括两个扬声器和两个传感器的实施例中,可以生成四个不同的反褶积滤波器。在此类实施例中,优选地单独生成每个这样的反褶积滤波器。因此,通过仅向第一扬声器施加输入激励来生成与第一扬声器和第一传感器相关联的反褶积滤波器,并且用于生成反褶积滤波器的测量系统响应是来自第一传感器的传感器输出。此外,在此类实施例中,在扬声器系统的操作期间,每个反褶积滤波器通常同时实现,并且用于仅对相应的传感器输出进行滤波。因此,比图6中的扬声器系统600更复杂的扬声器系统可以容易地受益于本文所描述的实施例。
总之,可以为布置在混响环境中并且包括控制系统的扬声器系统生成反褶积滤波器,所述控制系统被配置成校正扬声器的线性和/或非线性失真。反褶积滤波器被配置成消除房间响应对扬声器系统的输出的贡献。有利地,即使在混响环境中可能生成通常将与扬声器的响应混合并且防止控制系统的准确训练的混响,也可以训练控制系统以消除扬声器响应中的失真。
已经出于说明目的呈现了各种实施例的描述内容,但是其并不意图是穷举性的或者限于所公开的实施例。在不脱离所描述实施例的范围和精神的情况下,许多修改和变化对于本领域的普通技术人员来说将是明显的。
本发明的实施例的各方面可以体现为系统、方法或计算机程序产品。因此,本公开的各方面可以采用以下形式:完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或将软件方面与硬件方面组合的实施例,所述实施例在本文中一般都可以称为“电路”、“模块”或“系统”。此外,本公开的各方面可采用在一个或多个计算机可读介质上实施的计算机程序产品形式,所述计算机可读介质具有在该介质上实施的计算机可读程序代码。
可以使用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是例如但不限于电子、磁性、光学、电磁、红外或半导体系统、设备或装置、或者前述介质的任何合适组合。计算机可读存储介质的更具体实例(非穷举性列表)将包括以下介质:具有一个或多个导线的电连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光学存储装置、磁性存储装置或前述介质的任何合适组合。在本文件的上下文中,计算机可读存储介质可以是可包含或存储供指令执行系统、设备或装置使用或与其结合使用的程序的任何有形介质。
以上参考根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图图解和/或方框图来描述本公开的各方面。应当理解,流程图图解和/或方框图的每一个方框以及流程图图解和/或方框图的方框组合可以通过计算机程序指令来实现。可以将这些计算机程序指令提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器来产生一种机器,以使得通过计算机或其他可编程数据处理装置的处理器来执行的指令允许实现在流程图和/或方框图的一个或多个方框中指定的功能/动作。此类处理器可不限于通用处理器、专用处理器、特定应用处理器或现场可编程处理器或门阵列。
附图中的流程图和方框图示出根据本公开的各种实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。在这方面,流程图或方框图中的每个方框可以表示代码模块、代码区段或代码的一部分,其包括用于实现所指定的逻辑功能的一个或多个可执行指令。还应当注意到,在一些替代实现方式中,方框中提到的功能可以不按附图中指出的顺序出现。例如,连续示出的两个方框实际上可以基本上同时执行,或者方框有时可按相反顺序执行,这取决于所涉及的功能。还将注意到,方框图和/或流程图的每个方框以及方框图和/或流程图中的方框组合可以由执行指定功能或动作的基于特殊用途硬件的系统实现,或特殊用途硬件和计算机指令的组合。
虽然上述内容是针对本公开的实施例,但是可以在不脱离其基本范围的情况下,设想出本公开的其他和另外的实施例,而且其范围由随附的权利要求书加以确定。
Claims (20)
1.一种生成用于扬声器控制系统的滤波器的计算机实现的方法,所述方法包括:
通过传感器接收扬声器和所述扬声器布置在其中的混响环境的测量系统输出;
从所述测量系统输出中提取头部部分和尾部部分,其中所述头部部分包括所述扬声器的测量输出,并且所述尾部部分包括所述混响环境的响应;
确定所述混响环境的所述响应的倒数;以及
基于所述响应的所述倒数生成所述滤波器。
2.根据权利要求1所述的方法,其还包括通过向所述扬声器施加输入激励来生成与所述扬声器和所述扬声器布置在其中的所述混响环境相关的系统输出。
3.根据权利要求1所述的方法,其中所述头部部分不包括所述混响环境的所述响应的任何部分。
4.根据权利要求1所述的方法,其中所述头部部分不包括所述扬声器的输出的第一反射。
5.根据权利要求1所述的方法,其中所述测量系统输出包括所述扬声器的输出的至少第一反射和所述扬声器的所述输出的至少一部分。
6.根据权利要求1所述的方法,其中确定所述混响环境的所述响应的所述倒数包括基于所述尾部部分确定所述混响环境的所述响应的所述倒数。
7.根据权利要求6所述的方法,其中基于所述尾部部分确定所述混响环境的所述响应的所述倒数包括:基于所述尾部部分计算所述混响环境的脉冲响应函数;将所述混响环境的所述脉冲响应函数变换为频域中的第一频谱;将所述第一频谱反转以产生反转的频谱;以及将所述反转的频谱变换到时域。
8.根据权利要求1所述的方法,其中确定所述混响环境的所述响应的所述倒数包括:基于所述头部部分计算所述扬声器的第一脉冲响应函数;以及当所述扬声器布置在所述混响环境中时,基于所述测量系统输出计算所述扬声器的第二脉冲响应函数。
9.根据权利要求8所述的方法,其中确定所述混响环境的所述响应的所述倒数还包括:将所述第一脉冲响应函数变换为频域中的第一频谱;以及将所述第二脉冲响应函数变换为频域中的第二频谱。
10.根据权利要求9所述的方法,其中确定所述混响环境的所述响应的所述倒数还包括:将所述第一频谱除以所述第二频谱以获得结果;以及将所述结果变换到时域。
11.根据权利要求1所述的方法,其中所述测量系统输出包括具有比初始振幅小约60db的最终振幅的声学信号。
12.一种包括指令的非暂时性计算机可读存储介质,所述指令在由一个或多个处理器执行时,通过执行以下步骤来配置所述一个或多个处理器以利用人工神经网络控制扬声器系统:
利用反褶积滤波器对扬声器和扬声器布置在其中的混响环境的测量系统响应进行滤波,以生成滤波后的响应,其中所述测量系统响应对应于当所述扬声器布置在所述混响环境中时施加到所述扬声器的音频输入信号;
基于所述音频输入信号通过神经网络模型生成初始神经网络输出;
将所述初始神经网络输出与所述滤波后的响应进行比较以确定误差值;以及
基于所述音频输入信号和所述误差值,通过所述神经网络模型生成更新的神经网络输出。
13.根据权利要求12所述的非暂时计算机可读存储介质,其中所述反褶积滤波器基于所述混响环境的响应的倒数。
14.根据权利要求13所述的非暂时计算机可读存储介质,其中所述混响环境的所述响应包括当所述扬声器布置在所述混响环境中时对所述扬声器的输出的响应。
15.根据权利要求14所述的非暂时计算机可读存储介质,其中所述响应的所述倒数是基于当所述扬声器布置在所述混响环境中时所述扬声器的系统响应的头部部分以及当所述扬声器布置在所述混响环境中时所述扬声器的所述系统响应来确定的。
16.根据权利要求12所述的非暂时计算机可读存储介质,其中所述初始神经网络输出被配置成近似所述滤波后的响应。
17.一种系统,其包括:
扬声器,所述扬声器布置在混响环境中;
存储器,所述存储器存储扬声器控制算法;以及
一个或多个处理器,所述一个或多个处理器耦合到所述存储器,并且当执行所述扬声器控制算法时,被配置成:
利用反褶积滤波器对扬声器和所述混响环境的测量系统响应进行滤波,以生成滤波后的响应,其中所述测量系统响应对应于当所述扬声器布置在所述混响环境中时施加到所述扬声器的音频输入信号;
基于所述音频输入信号通过神经网络模型生成初始神经网络输出;
将所述初始神经网络输出与所述滤波后的响应进行比较以确定误差值;并且
基于所述音频输入信号和所述误差值,通过所述神经网络模型生成更新的神经网络输出。
18.根据权利要求17所述的系统,其还包括传感器,所述传感器布置在所述混响环境中并且被配置成生成所述测量系统响应。
19.根据权利要求16所述的系统,其中所述测量系统响应包括所述扬声器的输出的至少一个混响。
20.根据权利要求16所述的系统,其中所述反褶积滤波器基于所述混响环境的响应的倒数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/099,433 US10425730B2 (en) | 2016-04-14 | 2016-04-14 | Neural network-based loudspeaker modeling with a deconvolution filter |
US15/099,433 | 2016-04-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107302737A true CN107302737A (zh) | 2017-10-27 |
CN107302737B CN107302737B (zh) | 2023-04-25 |
Family
ID=58671351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710239088.6A Active CN107302737B (zh) | 2016-04-14 | 2017-04-13 | 生成扬声器控制系统的滤波器的系统及方法 |
Country Status (3)
Country | Link |
---|---|
US (2) | US10425730B2 (zh) |
EP (1) | EP3232686B1 (zh) |
CN (1) | CN107302737B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111312272A (zh) * | 2020-03-19 | 2020-06-19 | 西安石油大学 | 一种用于减少近井声数据集中噪声信号的产品、方法及系统 |
WO2023240887A1 (zh) * | 2022-06-14 | 2023-12-21 | 青岛海尔科技有限公司 | 去混响方法、装置、设备及存储介质 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9084058B2 (en) | 2011-12-29 | 2015-07-14 | Sonos, Inc. | Sound field calibration using listener localization |
US9706323B2 (en) | 2014-09-09 | 2017-07-11 | Sonos, Inc. | Playback device calibration |
US9219460B2 (en) | 2014-03-17 | 2015-12-22 | Sonos, Inc. | Audio settings based on environment |
US9106192B2 (en) | 2012-06-28 | 2015-08-11 | Sonos, Inc. | System and method for device playback calibration |
US9264839B2 (en) | 2014-03-17 | 2016-02-16 | Sonos, Inc. | Playback device configuration based on proximity detection |
US9952825B2 (en) | 2014-09-09 | 2018-04-24 | Sonos, Inc. | Audio processing algorithms |
US10664224B2 (en) | 2015-04-24 | 2020-05-26 | Sonos, Inc. | Speaker calibration user interface |
US9538305B2 (en) | 2015-07-28 | 2017-01-03 | Sonos, Inc. | Calibration error conditions |
CN111314826B (zh) | 2015-09-17 | 2021-05-14 | 搜诺思公司 | 由计算设备执行的方法及相应计算机可读介质和计算设备 |
US9693165B2 (en) | 2015-09-17 | 2017-06-27 | Sonos, Inc. | Validation of audio calibration using multi-dimensional motion check |
US9743207B1 (en) | 2016-01-18 | 2017-08-22 | Sonos, Inc. | Calibration using multiple recording devices |
US11106423B2 (en) | 2016-01-25 | 2021-08-31 | Sonos, Inc. | Evaluating calibration of a playback device |
US10003899B2 (en) | 2016-01-25 | 2018-06-19 | Sonos, Inc. | Calibration with particular locations |
US9860662B2 (en) | 2016-04-01 | 2018-01-02 | Sonos, Inc. | Updating playback device configuration information based on calibration data |
US9864574B2 (en) | 2016-04-01 | 2018-01-09 | Sonos, Inc. | Playback device calibration based on representation spectral characteristics |
US9763018B1 (en) | 2016-04-12 | 2017-09-12 | Sonos, Inc. | Calibration of audio playback devices |
US9992570B2 (en) | 2016-06-01 | 2018-06-05 | Google Llc | Auralization for multi-microphone devices |
US9794710B1 (en) | 2016-07-15 | 2017-10-17 | Sonos, Inc. | Spatial audio correction |
US10372406B2 (en) | 2016-07-22 | 2019-08-06 | Sonos, Inc. | Calibration interface |
US10459684B2 (en) * | 2016-08-05 | 2019-10-29 | Sonos, Inc. | Calibration of a playback device based on an estimated frequency response |
CN117221801A (zh) | 2016-09-29 | 2023-12-12 | 杜比实验室特许公司 | 环绕声系统中扬声器位置的自动发现和定位 |
US10127921B2 (en) * | 2016-10-31 | 2018-11-13 | Harman International Industries, Incorporated | Adaptive correction of loudspeaker using recurrent neural network |
US11206484B2 (en) | 2018-08-28 | 2021-12-21 | Sonos, Inc. | Passive speaker authentication |
US10299061B1 (en) | 2018-08-28 | 2019-05-21 | Sonos, Inc. | Playback device calibration |
US10734965B1 (en) | 2019-08-12 | 2020-08-04 | Sonos, Inc. | Audio calibration of a portable playback device |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1106541A (zh) * | 1993-08-20 | 1995-08-09 | 埃克森生产研究公司 | 地震振动器特征反褶积 |
CN1505440A (zh) * | 2002-11-29 | 2004-06-16 | Tcl王牌电子(深圳)有限公司 | 以回声抵消测量非消声室扬声器方法 |
US20040185804A1 (en) * | 2002-11-18 | 2004-09-23 | Takeo Kanamori | Microphone device and audio player |
CN1593072A (zh) * | 2001-09-25 | 2005-03-09 | 英特尔公司 | 确定扬声器非线性响应函数的方法和装置 |
CN1783214A (zh) * | 2004-12-01 | 2006-06-07 | 哈曼贝克自动系统-威美科公司 | 混响估计和抑制系统 |
US20080292108A1 (en) * | 2006-08-01 | 2008-11-27 | Markus Buck | Dereverberation system for use in a signal processing apparatus |
CN101512938A (zh) * | 2006-08-01 | 2009-08-19 | Dts(英属维尔京群岛)有限公司 | 用于补偿音频变换器的线性和非-线性失真的神经网络滤波技术 |
US20120002823A1 (en) * | 2010-06-30 | 2012-01-05 | Kabushiki Kaisha Toshiba | Acoustic correction apparatus, audio output apparatus, and acoustic correction method |
US20130028432A1 (en) * | 2011-07-28 | 2013-01-31 | Fujitsu Limited | Reverberation suppression device, reverberation suppression method, and computer-readable recording medium storing reverberation suppression program |
CN202887704U (zh) * | 2012-06-18 | 2013-04-17 | 歌尔声学股份有限公司 | 一种单通道语音去混响装置 |
CN103440869A (zh) * | 2013-09-03 | 2013-12-11 | 大连理工大学 | 一种音频混响的抑制装置及其抑制方法 |
US20140161281A1 (en) * | 2012-12-11 | 2014-06-12 | Amx, Llc | Audio signal correction and calibration for a room environment |
JP2014157323A (ja) * | 2013-02-18 | 2014-08-28 | Nippon Telegr & Teleph Corp <Ntt> | 音声認識装置、音響モデル学習装置、その方法及びプログラム |
EP2914019A1 (en) * | 2008-12-22 | 2015-09-02 | Oticon A/s | A hearing aid system comprising electrodes |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001057697A (ja) | 1999-08-18 | 2001-02-27 | Matsushita Electric Ind Co Ltd | 音場補正装置 |
US6954745B2 (en) * | 2000-06-02 | 2005-10-11 | Canon Kabushiki Kaisha | Signal processing system |
JP5241020B2 (ja) * | 2009-03-17 | 2013-07-17 | 矢崎総業株式会社 | 液面レベル検出装置 |
US8218780B2 (en) | 2009-06-15 | 2012-07-10 | Hewlett-Packard Development Company, L.P. | Methods and systems for blind dereverberation |
JP5654955B2 (ja) * | 2011-07-01 | 2015-01-14 | クラリオン株式会社 | 直接音抽出装置および残響音抽出装置 |
US9060052B2 (en) | 2013-03-13 | 2015-06-16 | Accusonus S.A. | Single channel, binaural and multi-channel dereverberation |
US9426589B2 (en) * | 2013-07-04 | 2016-08-23 | Gn Resound A/S | Determination of individual HRTFs |
-
2016
- 2016-04-14 US US15/099,433 patent/US10425730B2/en active Active
-
2017
- 2017-04-13 EP EP17166587.0A patent/EP3232686B1/en active Active
- 2017-04-13 CN CN201710239088.6A patent/CN107302737B/zh active Active
-
2019
- 2019-09-13 US US16/570,844 patent/US10715913B2/en active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1106541A (zh) * | 1993-08-20 | 1995-08-09 | 埃克森生产研究公司 | 地震振动器特征反褶积 |
CN1593072A (zh) * | 2001-09-25 | 2005-03-09 | 英特尔公司 | 确定扬声器非线性响应函数的方法和装置 |
US20040185804A1 (en) * | 2002-11-18 | 2004-09-23 | Takeo Kanamori | Microphone device and audio player |
CN1505440A (zh) * | 2002-11-29 | 2004-06-16 | Tcl王牌电子(深圳)有限公司 | 以回声抵消测量非消声室扬声器方法 |
CN1783214A (zh) * | 2004-12-01 | 2006-06-07 | 哈曼贝克自动系统-威美科公司 | 混响估计和抑制系统 |
CN101512938A (zh) * | 2006-08-01 | 2009-08-19 | Dts(英属维尔京群岛)有限公司 | 用于补偿音频变换器的线性和非-线性失真的神经网络滤波技术 |
US20080292108A1 (en) * | 2006-08-01 | 2008-11-27 | Markus Buck | Dereverberation system for use in a signal processing apparatus |
EP2914019A1 (en) * | 2008-12-22 | 2015-09-02 | Oticon A/s | A hearing aid system comprising electrodes |
US20120002823A1 (en) * | 2010-06-30 | 2012-01-05 | Kabushiki Kaisha Toshiba | Acoustic correction apparatus, audio output apparatus, and acoustic correction method |
US20130028432A1 (en) * | 2011-07-28 | 2013-01-31 | Fujitsu Limited | Reverberation suppression device, reverberation suppression method, and computer-readable recording medium storing reverberation suppression program |
CN202887704U (zh) * | 2012-06-18 | 2013-04-17 | 歌尔声学股份有限公司 | 一种单通道语音去混响装置 |
US20140161281A1 (en) * | 2012-12-11 | 2014-06-12 | Amx, Llc | Audio signal correction and calibration for a room environment |
JP2014157323A (ja) * | 2013-02-18 | 2014-08-28 | Nippon Telegr & Teleph Corp <Ntt> | 音声認識装置、音響モデル学習装置、その方法及びプログラム |
CN103440869A (zh) * | 2013-09-03 | 2013-12-11 | 大连理工大学 | 一种音频混响的抑制装置及其抑制方法 |
Non-Patent Citations (3)
Title |
---|
CHEN WENJIAN: "A method for detecting of the target echo in reverberation noise" * |
李毅民: "数字化声学测量技术III.非消声室环境中扬声器的测试", 《应用声学》 * |
魏兵: "传感器的神经网络建模", 《湖北工学院学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111312272A (zh) * | 2020-03-19 | 2020-06-19 | 西安石油大学 | 一种用于减少近井声数据集中噪声信号的产品、方法及系统 |
WO2023240887A1 (zh) * | 2022-06-14 | 2023-12-21 | 青岛海尔科技有限公司 | 去混响方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US10715913B2 (en) | 2020-07-14 |
US20170303039A1 (en) | 2017-10-19 |
EP3232686B1 (en) | 2021-03-03 |
CN107302737B (zh) | 2023-04-25 |
US10425730B2 (en) | 2019-09-24 |
EP3232686A3 (en) | 2018-08-08 |
EP3232686A2 (en) | 2017-10-18 |
US20200007986A1 (en) | 2020-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107302737A (zh) | 利用反褶积滤波器进行的基于神经网络的扬声器建模 | |
CN111161752B (zh) | 回声消除方法和装置 | |
JP6328320B2 (ja) | 入力信号を変換する方法 | |
KR102009274B1 (ko) | 빔-포밍 필터들에 대한 fir 계수 계산 | |
CN105163262B (zh) | 一种扬声器异音检测方法及检测系统 | |
KR101807961B1 (ko) | Lstm 및 심화신경망 기반의 음성 신호 처리 방법 및 장치 | |
JPWO2009110574A1 (ja) | 信号強調装置、その方法、プログラム及び記録媒体 | |
US20230075670A1 (en) | Method and apparatus for audio data processing | |
JPWO2015159731A1 (ja) | 音場再現装置および方法、並びにプログラム | |
CN108293170A (zh) | 波束成形应用中的自适应无相位失真幅度响应均衡 | |
CN108476072A (zh) | 用于声音识别的众包数据库 | |
Völk | Inter-and intra-individual variability in the blocked auditory canal transfer functions of three circum-aural headphones | |
US20190385590A1 (en) | Generating device, generating method, and non-transitory computer readable storage medium | |
US9668075B2 (en) | Estimating parameter values for a lumped parameter model of a loudspeaker | |
Antonello et al. | Source localization and signal reconstruction in a reverberant field using the FDTD method | |
US20170243111A1 (en) | Neural network-based parameter estimation of loudspeakers | |
Gandhiraj et al. | Auditory-based wavelet packet filterbank for speech recognition using neural network | |
Rettberg et al. | Time-domain behaviour of spherical microphone arrays at high orders | |
JP2007085734A (ja) | 音源方向検出装置及び音源方向検出方法 | |
Antonello et al. | Joint source localization and dereverberation by sound field interpolation using sparse regularization | |
JP6482117B2 (ja) | 信号処理装置及び方法並びに補聴特性の調整方法 | |
EP4354899A1 (en) | Apparatus, methods and computer programs for providing signals for otoacoustic emission measurements | |
CN115811682B (zh) | 一种基于时域信号的扬声器失真分析方法及装置 | |
Xia et al. | A hybrid approach for reverberation simulation | |
Raikar et al. | Multi-channel joint dereverberation and denoising using deep priors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |