CN112637734A - 一种扬声器系统控制方法及电子设备 - Google Patents
一种扬声器系统控制方法及电子设备 Download PDFInfo
- Publication number
- CN112637734A CN112637734A CN201910901836.1A CN201910901836A CN112637734A CN 112637734 A CN112637734 A CN 112637734A CN 201910901836 A CN201910901836 A CN 201910901836A CN 112637734 A CN112637734 A CN 112637734A
- Authority
- CN
- China
- Prior art keywords
- loudspeaker
- amplitude
- model
- amplitude model
- excitation signal
- 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.)
- Pending
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Otolaryngology (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明公开了一种扬声器系统控制方法及电子设备，所述方法包括：测试扬声器的电声参数，包括频率响应，传递函数，谐波失真，阻抗和共振频率等；对同型号扬声器进行抽样，建立样品振幅模型，并测得其电声参数；然后借助机器学习算法，得到电声参数和扬声器振幅模型间映射关系；测得扬声器产品的电声参数，由已得电声参数与振幅的映射关系，建立扬声器的振幅模型，并存储至外部存储器；读取外部存储器中的扬声器振幅模型，并写入控制器内部存储器，以实现振幅模型随扬声器转移而传递；跟据扬声器的实时工况，更新扬声器的振幅模型，依此预测扬声器在实时工况和激励信号下的振幅；依据预测的扬声器振幅，处理激励信号。本发明还提供一种电子设备，可以准确地预测扬声器工作振幅，避免扬声器振幅过大，提升用户的使用体验、延长扬声器使用寿命。
Description
技术领域
本发明涉及设备控制技术领域，特别涉及一种扬声器系统控制方法及电子设备。
背景技术
电子设备利用扬声器将声音信号进行输出。扬声器，具有明显的振幅非线性，它产生谐波失真、互调失真、瞬态失真等等，严重影响用户的使用体验；而且，扬声器长时间工作在大振幅下，会降低其使用寿命。同时，扬声器还是一种时变系统，其振幅模型受到工况影响，包括温度、电压和压力等因素。然而，现有的扬声器振幅控制方法，由于没有针对每个扬声器产品特性建立振幅模型，导致振幅预测精度差；或者只是较少扬声器抽样样品的建立振幅模型库，实际的扬声器从模型库中选择参数相似的振幅模型，同样会导致振幅预测精度较低。
发明内容
有鉴于此，本发明的目的在于提供一种扬声器系统控制方法及电子设备，可以以准确预测扬声器工作振幅，避免其振幅过大，以提升用户的使用体验、延长扬声器使用寿命。
本发明提供了一种控制方法，所述方法包括：测试扬声器的电声参数，包括频率响应，传递函数，谐波失真，阻抗和共振频率；对同型号扬声器进行抽样，建立抽样样品的振幅模型，并测得其电声参数；二者的组合作为机器学习算法的输入，进而得出电声参数和扬声器振幅模型之间的映射关系；测得扬声器产品的电声参数，由已得电声参数与振幅的映射关系，建立扬声器的振幅模型，并存储至外部存储器；读取外部存储器中的扬声器振幅模型，并写入控制器内部存储器，以实现振幅模型随扬声器转移而传递；跟据扬声器的工况，更新扬声器的振幅模型，依此扬声器在在实时工况和激励信号下的振幅；依据的扬声器振幅，处理激励信号。
上述方法，优选的，测试扬声器的电声参数时，馈给扬声器不同电压的信号。
上述方法，优选的，不同电压的信号，包括：小信号，扬声器振幅非线性可以被忽略；中等信号，扬声器振幅非线性不能被忽略；大信号，扬声器工作在最大振幅下，振幅非线性达到最大。
上述方法，优选的，所述扬声器抽样方法包括：随机抽样，数量满足机器学习算法要求；或者根据扬声器振幅非线性等级分类，并将样品所属等级标签标记于其测试电声数据上，作为机器学习算法输入的一部分；或者基于较少抽样数量的扬声器测试数据，通过增加误差干扰，扩展出足够多的电声测试数据，满足机器学习算法对输入数据量的要求。
上述方法，优选的，所述扬声器抽样样品的振幅模型包括：扬声器的线性参数和非线性参数、扬声器振动材料的蠕变效应和力学特性的随温度变化规律，扬声器换能材料的能量转换效率随温度变化的规律。
上述方法，优选的，所述扬声器振幅模型包括：扬声器振动位移微分方程及其系数组合；或者扬声器激励-振动位移系统模型的差分方程及其系数组合，不同温度下，扬声器振幅方程的系数组合。
上述方法，优选的，所述扬声器的工况，包括：扬声器工况包括工作温度，扬声器功放增益，扬声器阻抗曲线。
上述方法，优选的，所述处理激励信号方法包括：降低激励信号的幅值，改变信号的频谱，基于部分激励信号生成新激励的信号等。
第一控制器、外部存储器、第二控制器及扬声器，其中：所述第一控制器，用于建立扬声器振幅模型，将振幅模型写入外部存储器；所述外部存储器，用于存储扬声器振幅模型；所述第二控制器，用于读取存储器中的扬声器振幅模型，依此预测扬声器在激励信号和实时工况下的振幅，并处理激励信号；所述扬声器，用于输出声音信号。
上述电子设备，优选的，所述第一控制器还用于：预置扬声器电声参数和振幅模型的映射关系。
上述电子设备，优选的，所述第二控制器还用于：读取存储器中的扬声器振幅模型，写入控制器内部存储器，以实现振幅模型随扬声器转移而传递。
上述电子设备，优选的，所述第二控制器还用于：依据扬声器实时工况，更新其振幅模型。
上述电子设备，优选的，所述第二控制器处理激励信号，包括：降低激励信号的幅值，改变信号的频谱，基于部分激励信号生成新激励的信号。
由上述方案可知，本发明提供的一种控制方法及电子设备，测试扬声器的电声参数，包括频率响应，传递函数，谐波失真，阻抗和共振频率等；对同型号扬声器进行抽样，建立样品振幅模型，并测得其电声参数；然后借助机器学习算法，得到电声参数和扬声器振幅模型间映射关系；测得扬声器产品的电声参数，由已得电声参数与振幅的映射关系，建立扬声器的振幅模型，并存储至外部存储器；读取外部存储器中的扬声器振幅模型，并写入控制器内部存储器，以实现振幅模型随扬声器转移而传递；跟据扬声器的工况，更新扬声器的振幅模型，依此预测扬声器在实时工况和激励信号下的振幅；依据预测的扬声器振幅，处理激励信号。本发明还提供一种电子设备，可以准确地预测扬声器工作振幅，避免扬声器振幅过大，提升用户的使用体验、延长扬声器使用寿命。
附图说明
图1为本发明实施例提供的一种控制方法的流程图；
图2为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示为本发明实施例提供的一种控制方法的实现流程图，本实施例适用于具有扬声器的手机、pad、一体机或台式机等电子设备中，通过对经由扬声器输出的声音信号进行处理来实现提升用户的使用体验、延长扬声器使用寿命。图1中具体可以包括有以下步骤：
步骤101：对同型号扬声器进行抽样。
步骤102：对扬声器抽样样品，建立其振幅模型。
步骤103：测试扬声器的电声参数，包括频率响应，传递函数，谐波失真，阻抗和共振频率等。测试时，馈给扬声器不同的电压，包括：小信号，扬声器振幅非线性可以被忽略；中等信号，扬声器振幅非线性不能被忽略；大信号，扬声器工作在最大振幅下，振幅非线性达到最大。
步骤104：机器学习算法依据输入的抽样样品的振幅模型，电声参数及标识其振幅非线性等级的标签，得出电声参数和扬声器振幅模型之间的映射关系。这里的电声参数及标签的具体构成，依抽样方法而定。抽样数量满足机器学习算法需求时，可以不包括标识扬声器振幅非线性等级标签；如果抽样数量少于机器学习算法需求时，可以包括标识扬声器振幅非线性等级标签；或者基于较少抽样数量的扬声器测试数据，通过增加误差干扰，扩展出足够多的电声测试数据，满足机器学习算法对输入数据量的要求。
步骤106：测试每一个扬声器产品的电声参数。所述方法同步骤103.
步骤105：将扬声器产品的电声参数，输入已得电声参数和扬声器振幅模型之间的映射关系模块中。
步骤107：得到扬声器的振幅模型。
步骤108：将扬声器的振幅模型存储至外部存储器。外部存储器，可为一维码、二维码、磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（RandomAccess Memory，RAM）等。
步骤109：读取外部存储器中的扬声器振幅模型，并写入控制器内部存储器。
步骤110：跟据扬声器的工况，更新扬声器的振幅模型，依此扬声器在在实时工况和激励信号下的振幅。
步骤111：依据预测的扬声器振幅，处理激励信号。这里处理激励信号的方式，具体可以为：降低激励信号的幅值，改变信号的频谱，基于部分激励信号生成新激励的信号等。
图2为本发明实施例提供的一种电子设备的结构示意图，电子设备可以包括有以下结构：第一控制器201、外部存储存储器202、第二控制器203和扬声器204。
第一控制器201，预置了扬声器电声参数和振幅模型的映射关系。依此映射关系，根据扬声器的电声参数生成扬声器振幅模型，并写入外部存储器202中。
外部存储器202，用于存储扬声器振幅模型。
第二控制器203，包括内部存储器301、扬声器振幅预测模块302、激励信号处理模块303。第二控制器203读取外部存储器202中的扬声器振幅模型，写入内部存储器301；同时第二控制器预读一定时长激励信号，以及读取扬声器实时工况，一并存储至内部存储器301中。扬声器振幅预测模块302根据内部存储器301中的扬声器实时工况，更新扬声器振幅模型；并依存储的激励信号，预测扬声器振幅。激励信号处理模块303，根据预测的扬声器振幅，处理内部存储器301中的预读激励信号，并输出至扬声器。
扬声器204用于输出声音信号。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件（例如处理器）来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为一维码、二维码、磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备（可以是个人计算机，服务器，移动计算设备或者网络设备或处理器等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：一维码、二维码、U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种扬声器系统控制方法，所述方法包括：
测试扬声器的电声参数，包括频率响应，传递函数，谐波失真，阻抗和共振频率;
对同型号扬声器进行抽样，建立抽样样品的振幅模型，并测得其电声参数；
二者的组合作为机器学习算法的输入，进而得出电声参数和扬声器振幅模型之间的映射关系;
测得扬声器产品的电声参数，由已得电声参数与振幅的映射关系，建立扬声器的振幅模型，并存储至外部存储器;
读取外部存储器中的扬声器振幅模型，并写入控制器内部存储器，以实现振幅模型随扬声器转移而传递;
根据扬声器的实时工况，更新扬声器的振幅模型，并依此预测扬声器在在实时工况和激励信号下的振幅;
依据的扬声器振幅，处理激励信号。
2.根据权利要求1所述的方法，其特征在于，测试扬声器的电声参数，包括：馈给扬声器不同电压的信号，测试所述扬声器电声参数。
3.根据权利要求2所述的方法，其特征在于，馈给扬声器不同电压的信号，所述方法包括：
小信号，扬声器振幅非线性可以被忽略；中等信号，扬声器振幅非线性不能被忽略；大信号，扬声器工作在最大振幅下，振幅非线性达到最大。
4.根据权利要求1所述的方法，其特征在于，对同型号扬声器进行抽样,所述方法包括：随机抽样，数量满足机器学习算法要求；或者根据扬声器振幅非线性等级分类，并将样品所属等级标签与其测试电声数据组合，一并作为机器学习算法输入；或者基于较少抽样数量的扬声器测试数据，通过增加误差干扰，扩展出足够多的电声测试数据，满足机器学习算法对输入数据量的要求。
5.根据权利要求1所述的方法，其特征在于，建立抽样样品的振幅模型，所述方法包括：振幅模型包括扬声器的线性参数和非线性参数、扬声器振动材料的蠕变效应和力学特性的随温度变化规律，扬声器换能材料的能量转换效率随温度变化的规律。
6.根据权利要求1和5所述的方法，其特征在于，扬声器振幅模型，所述方法包括：扬声器振动位移微分方程及其系数组合；或者扬声器激励-振动位移系统模型的差分方程及其系数组合；不同温度下，扬声器振动方程的系数组合。
7.根据权利要求1所述的方法，其特征在于，跟据扬声器的工况，更新扬声器的振幅模型，所述方法包括：扬声器工况包括工作温度，扬声器功放增益，扬声器阻抗曲线。
8.根据权利要求1所述的方法，其特征在于，依据预测的扬声器振幅，处理激励信号，所述方法还包括：降低激励信号的幅值，改变信号的频谱，基于部分激励信号生成新激励的信号。
9.一种电子设备，包括：第一控制器、外部存储器、第二控制器及扬声器，其中：
所述第一控制器，用于建立扬声器振幅模型，将振幅模型写入外部存储器；
所述外部存储器，用于存储扬声器振幅模型；
所述第二控制器，用于读取存储器中的扬声器振幅模型，依此预测扬声器在激励信号和实时工况下的振幅，并处理激励信号；
所述扬声器，用于输出声音信号。
10.根据权利要求9所述的电子设备，其特征在于，第一控制器包括扬声器电声参数和振幅模型的映射关系。
11.根据权利要求9所述的电子设备，其特征在于，所述第二控制器还用于：
读取存储器中的扬声器振幅模型，写入控制器内部存储器，以实现振幅模型随扬声器转移而传递。
12.根据权利要求9所述的电子设备，其特征在于，所述第二控制器还用于：
依据扬声器实时工况，更新其振幅模型。
13.根据权利要求9所述的电子设备，其特征在于，所述第二控制器处理激励信号，包括：降低激励信号的幅值，改变信号的频谱，基于部分激励信号生成新激励的信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910901836.1A CN112637734A (zh) | 2019-09-24 | 2019-09-24 | 一种扬声器系统控制方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910901836.1A CN112637734A (zh) | 2019-09-24 | 2019-09-24 | 一种扬声器系统控制方法及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112637734A true CN112637734A (zh) | 2021-04-09 |
Family
ID=75282731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910901836.1A Pending CN112637734A (zh) | 2019-09-24 | 2019-09-24 | 一种扬声器系统控制方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112637734A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113630690A (zh) * | 2021-09-06 | 2021-11-09 | 国光电器股份有限公司 | 一种扬声器系统的非线性特性的确定方法及装置 |
-
2019
- 2019-09-24 CN CN201910901836.1A patent/CN112637734A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113630690A (zh) * | 2021-09-06 | 2021-11-09 | 国光电器股份有限公司 | 一种扬声器系统的非线性特性的确定方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210041847A1 (en) | Method for compensating signal of motor, electronic apparatus and storage medium | |
| CN108702136A (zh) | 数字补偿器 | |
| Seidel | Fast and accurate measurement of the linear transducer parameters | |
| CN103299655A (zh) | 利用受约束的扬声器偏移的响度最大化 | |
| CN102118678A (zh) | 一种使用电流传感器测量扬声器参数的方法及系统 | |
| CN110907827B (zh) | 一种马达瞬态失真测量方法及系统 | |
| CN105120414B (zh) | 智能音频管理系统 | |
| CN112637734A (zh) | 一种扬声器系统控制方法及电子设备 | |
| US8050783B2 (en) | System and method for pre-distorting a device input | |
| CN111796792B (zh) | 一种手势动作判断方法、装置、电子设备和存储介质 | |
| CN109655735B (zh) | 功放芯片评估板以及功放芯片评估板系统 | |
| Agerkvist et al. | Modeling viscoelasticity of loudspeaker suspensions using retardation spectra | |
| CN104835500A (zh) | 一种音频信息获取的方法及其装置 | |
| JP6489082B2 (ja) | イコライザ装置、及び、イコライザプログラム | |
| CN114414409A (zh) | 材料疲劳性能的确定方法及装置 | |
| CN108574649A (zh) | 一种数字预失真系数的确定方法及装置 | |
| Tian et al. | Identification of nonlinear fractional derivative loudspeaker model | |
| Bright | Tracking changes in linear loudspeaker parameters with current feedback | |
| CN116112859B (zh) | 一种陶瓷扬声器的发声性能评估方法及系统 | |
| Clark et al. | Modeling and Controlling Excursion-Related Distortion in Loudspeakers | |
| WO2006117839A1 (ja) | 遺伝的アルゴリズムによる非線形データの同定方法、非線形データ記録方法、非線形データ記録装置、非線形データ再生装置及びプログラム | |
| Cardenas | Modelling and measurement of nonlinear intermodal coupling in loudspeaker diaphragm vibrations | |
| US20220034848A1 (en) | Young's modulus and poisson's ratio determination in objects of arbitrary geometry systems and methods | |
| WO2021134342A1 (zh) | 马达体验失真指标的测试方法、电子设备及存储介质 | |
| US20240105202A1 (en) | Reverberation removal device, parameter estimation device, reverberation removal method, parameter estimation method, and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210409 |
|
| WD01 | Invention patent application deemed withdrawn after publication |