KR102473598B1 - 왜곡 감지, 방지, 및 왜곡-인지 베이스 강화 - Google Patents
왜곡 감지, 방지, 및 왜곡-인지 베이스 강화 Download PDFInfo
- Publication number
- KR102473598B1 KR102473598B1 KR1020197014621A KR20197014621A KR102473598B1 KR 102473598 B1 KR102473598 B1 KR 102473598B1 KR 1020197014621 A KR1020197014621 A KR 1020197014621A KR 20197014621 A KR20197014621 A KR 20197014621A KR 102473598 B1 KR102473598 B1 KR 102473598B1
- Authority
- KR
- South Korea
- Prior art keywords
- signal
- distortion
- statistics
- sensing circuitry
- speaker
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title abstract description 48
- 230000002265 prevention Effects 0.000 title abstract description 3
- 238000000034 method Methods 0.000 claims abstract description 252
- 238000012545 processing Methods 0.000 claims description 116
- 230000004044 response Effects 0.000 claims description 52
- 230000005236 sound signal Effects 0.000 claims description 50
- 230000003044 adaptive effect Effects 0.000 claims description 43
- 238000010183 spectrum analysis Methods 0.000 claims description 42
- 238000013473 artificial intelligence Methods 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 22
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000007477 logistic regression Methods 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 40
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 20
- 230000015572 biosynthetic process Effects 0.000 description 18
- 230000009467 reduction Effects 0.000 description 18
- 238000003786 synthesis reaction Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000009499 grossing Methods 0.000 description 6
- 238000009795 derivation Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 206010019133 Hangover Diseases 0.000 description 3
- 239000000872 buffer Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- WYROLENTHWJFLR-ACLDMZEESA-N queuine Chemical compound C1=2C(=O)NC(N)=NC=2NC=C1CN[C@H]1C=C[C@H](O)[C@@H]1O WYROLENTHWJFLR-ACLDMZEESA-N 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003339 best practice Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012074 hearing test Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 of about 4 Chemical compound 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
- G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
-
- 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
- H04R3/00—Circuits for transducers, loudspeakers or microphones
- H04R3/007—Protection circuits for transducers
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03G—CONTROL OF AMPLIFICATION
- H03G3/00—Gain control in amplifiers or frequency changers
- H03G3/20—Automatic control
- H03G3/30—Automatic control in amplifiers having semiconductor devices
- H03G3/3005—Automatic control in amplifiers having semiconductor devices in amplifiers suitable for low-frequencies, e.g. audio amplifiers
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03G—CONTROL OF AMPLIFICATION
- H03G5/00—Tone control or bandwidth control in amplifiers
- H03G5/005—Tone control or bandwidth control in amplifiers of digital signals
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03G—CONTROL OF AMPLIFICATION
- H03G5/00—Tone control or bandwidth control in amplifiers
- H03G5/16—Automatic control
- H03G5/165—Equalizers; Volume or gain control in limited frequency bands
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03G—CONTROL OF AMPLIFICATION
- H03G9/00—Combinations of two or more types of control, e.g. gain control and tone control
- H03G9/005—Combinations of two or more types of control, e.g. gain control and tone control of digital or coded signals
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03G—CONTROL OF AMPLIFICATION
- H03G9/00—Combinations of two or more types of control, e.g. gain control and tone control
- H03G9/02—Combinations of two or more types of control, e.g. gain control and tone control in untuned amplifiers
- H03G9/025—Combinations of two or more types of control, e.g. gain control and tone control in untuned amplifiers frequency-dependent volume compression or expansion, e.g. multiple-band systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R1/00—Details of transducers, loudspeakers or microphones
- H04R1/20—Arrangements for obtaining desired frequency or directional characteristics
- H04R1/22—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired frequency characteristic only
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R2499/00—Aspects covered by H04R or H04S not otherwise provided for in their subgroups
- H04R2499/10—General applications
- H04R2499/11—Transducers incorporated or for use in hand-held devices, e.g. mobile phones, PDA's, camera's
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Otolaryngology (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
오디오 시스템들에서 왜곡 감지, 방지, 및/또는 왜곡-인지 베이스 강화를 제공하기 위한 시스템들 및 방법들은 다양한 응용들에서 구현될 수 있다. 감지 회로부는 음향 출력이 생성되는 수신된 입력 신호에 기초하여 통계들을 생성할 수 있다. 다양한 실시형태들에서, 멀티-노치 필터가 음향 출력을 생성하기 위한 스피커에 입력을 제공하기 위하여 이용될 수 있도록, 통계들이 이용될 수 있다. 다양한 실시형태들에서, 감지 회로부로부터의 통계들은 파라미터들을 베이스 강화 회로부에 동작적으로 제공하기 위하여 베이스 강화 회로부에 결합된 베이스 파라미터 제어기에 제공될 수 있다. 베이스 강화 회로부는 파라미터들에 기초하여, 음향 출력의 생성을 위한 베이스 강화된 신호를 제공할 수 있다. 감지 회로부로부터의 통계들을 이용하는 멀티-노치 필터 및 베이스 강화 회로부의 다양한 조합들은 강화된 음향 출력을 제공하기 위하여 구현될 수 있다. 추가적인 장치, 시스템들, 및 방법들이 개시된다.
Description
관련된 출원
이 출원은 그 전체적으로 참조로 본원에 편입되는, 2016년 10월 21일자로 출원된 미국 가출원 제62/411,415호로부터 35 U.S.C. 119(e) 하에서 우선권을 주장한다.
본 발명은 일반적으로 오디오 신호들을 프로세싱하는 장치 및 방법들에 관한 것이다.
소비자 디바이스들의 물리적 크기는 수 년간 상당히 감소하였고, 이 추세는 이상적인 음향 환경과 조화롭지 않다. 디바이스 크기에 있어서의 이 감소는 그 전형적인 라우드스피커(loudspeaker) 대응부들과는 상이하게 설계되는 마이크로-라우드스피커(micro-loudspeaker)들의 이용을 필요로 하였다. 마이크로-라우드스피커들의 하나의 핵심적인 단점은, 도 1에서 알 수 있는 바와 같이, 더 수용가능한 오디오 품질을 위하여, 평탄화 등화(equalization; EQ)의 상당한 양을 요구하는 그 감소된 저 주파수 응답이다. 도 1은 마이크로-라우드스피커 주파수 응답의 예이고, 여기서, 스피커 공진(resonance)(f0)은 845 Hz이고, 폐쇄된 박스에서의 공진의 품질 인자(quality factor)(Qtc)는 3.0이다.
2 kHz 미만인 이러한 등화 곡선의 형상은 전형적으로 도 2에서 도시된 바와 같이, 적어도 3 개의 컴포넌트(component)들: 고역통과(highpass), 저-주파수 부스트(low-frequency boost), 및 피크 공진 감쇠(peak resonance attenuation)를 포함한다. 도 2는 결과적인 마이크로-라우드스피커 주파수 응답인, 평탄화 EQ를 갖는 곡선(139), 적용된 고역통과, 저 쉘프(low shelf), 및 피크 필터들로 이루어진 곡선(137)의 예이다. 낮은 또는 심지어 중간 사운드 압력 레벨(sound pressure level; SPL)에서, 정적 보상 등화는 주관적 및 객관적 성능을 극적으로 개선시킬 수 있지만, 평탄화 등화는 더 높은 청취 레벨(listening level)들에서의 라우드스피커 과다 편위(over excursion)로부터 왜곡들을 야기시킬 수 있다. 이러한 이유로, 시장에는, 라우드스피커 편위 모델에 의해 안내된 동적 평탄화 등화 알고리즘을 제공하는 몇몇 해결책들이 있다. 이 해결책들은 본질적으로, 라우드스피커 내의 멤브레인(membrane) 또는 다이어프램(diaphragm)의 과다 편위를 야기시키지 않으면서, 가능한 한 많은 평탄화 등화를 적용하는 것을 시도한다. 공통적인 합성 로그 스윕된 정현파(log swept sinusoidal; LSS) 신호들, 정지된 톤(tone)들, 또는 심지어 잡음을 이용하여 이 해결책들을 측정할 때, 이 시스템들은 측정된 전체 고조파 왜곡(total harmonic distortion; THD)의 높은 레벨들을 가지는 것에도 불구하고, 상당히 양호하게 작동하는 것으로 보인다.
대안적으로, 스피커 공진 미만인 에너지의 오직 중간의 양들을 가지는 멀티-톤 신호들은 "러브 및 버즈(rub and buzz)" 왜곡으로서 통상적으로 지칭되는 것의 상당한 양들을 나타낼 수 있다는 것이 마이크로-라우드스피커들을 이용하는 몇몇 휴대용 디바이스들 상에서 관찰되었다. 그러나, 왜곡의 원인이 스피커 및 밀폐부(enclosure) 내에서의 과다-편위 또는 다른 음향/기계적 쟁점으로 인한 것인지는 불명확하다. 이것을 결정하는 것은 왜곡 이벤트들 동안에 라우드스피커 편위를 관찰하기 위하여 내부 라우드스피커 및 레이저 진동계(laser vibrometer)를 노출하는 명확한 패널로 수정된 스피커 밀폐부를 이용한 편위의 측정들을 요구할 것이다. 또한, 시간 변동 등화를 안내하는 편위 모델들은 왜곡을 야기시키는 상황들을 모를 수도 있어서, 등화 곡선이 과다하게 계합(engage)되게 할 수도 있으므로, 전형적인 라우드스피커 평탄화 해결책들 내에서의 저 주파수 부스트는 쟁점을 악화시킨다.
도 1은 마이크로-라우드스피커 주파수 응답의 예이다.
도 2는 적용된 고역통과, 저 쉘프, 및 피크 필터들로 이루어진 평탄화 등화를 갖는 마이크로-라우드스피커 주파수 응답의 예이다.
도 3은 다양한 실시형태들에 따른, 동적 왜곡 감지 및 적응적 왜곡 감소를 제공하기 위한 일 예의 아키텍처(architecture)의 특징들의 블록도이다.
도 4는 다양한 실시형태들에 따른, 동적 왜곡 감지 및 적응적 멀티-대역 왜곡 감소를 제공하기 위한 일 예의 아키텍처의 특징들의 블록도이다.
도 5는 다양한 실시형태들에 따른, 외부 오디오 하드웨어 및 신호 프로세싱 컴포넌트들과의 멀티-노치 필터(multi-notch filter)의 통합을 도시하는 일 예의 아키텍처의 블록도이다.
도 6은 다양한 실시형태들에 따른, 입력 신호와 출력 신호 사이의 일련의 다수의 노치 대역 필터(notch band filter)들에서의 각각의 노치 대역 필터에 대한 계수들을 구성하는 노치 필터 뱅크 설계기를 예시하는 예의 블록도이다.
도 7은 다양한 실시형태들에 따른, 왜곡을 감소시키기 위하여 유용한 최저 주파수를 결정하도록 조절된 신호 노치 대역을 예시한다.
도 8은 다양한 실시형태들에 따른, 선형 또는 옥타브(octave) 주파수 이격을 이용하여 왜곡을 추가로 감소시키기 위하여 이용된 노치 대역들의 수가 증가될 수 있다는 것을 예시한다.
도 9는 다양한 실시형태들에 따른, 각각의 대역의 유효성이 기울기 파라미터를 이용하여 가중화된다는 것을 예시한다.
도 10은 다양한 실시형태들에 따른, 멀티-노치의 파라미터들이 감소된 감쇠를 위하여 재-조절될 때에 왜곡과 음색(timbre) 사이의 절충을 예시한다.
도 11은 다양한 실시형태들에 따른, 입력 신호 및 전역-통과(all-pass) 응답의 선형 조합으로서 구현된 일 예의 단일 노치 대역 주파수 필터를 예시하는 개략도이다.
도 12a는 다양한 실시형태들에 따른, 디바이스 출력 신호에 응답하여 오디오 출력을 라우드스피커에 제공하고 디바이스 출력 신호를 분석하기 위하여 감지 회로부를 이용하는 일 예의 장치의 블록도이다.
도 12b는 다양한 실시형태들에 따른, 디바이스 출력 신호에 응답하여 오디오 출력을 라우드스피커에 제공하고 디바이스 출력 신호를 분석하기 위하여 감지 회로부를 이용하는 일 예의 장치의 블록도이다.
도 13은 다양한 실시형태들에 따른, 측정된 왜곡 감지 에너지를 이용하여 노치들의 심도(depth)들을 조절하는 일 예의 동적 이득 제어의 블록도이다.
도 14는 다양한 실시형태들에 따른, 베이스 강화(bass enhancement) 회로부의 블록도이다.
도 15는 다양한 실시형태들에 따른, 오디오 신호에 대한 왜곡-인지 고조파 베이스 강화(distortion-aware harmonic bass enhancement)와 통합된 동적 멀티-특징 왜곡 감지 및 적응적 멀티-대역 왜곡 감소를 가지는 시스템의 블록도이다.
도 16은 다양한 실시형태들에 따른, 일 예의 적응적, 동적 감지 및 멀티-노치 모듈의 블록도이다.
도 17은 다양한 실시형태들에 따른, 일 예의 적응적, 동적 감지 및 멀티-노치 모듈의 블록도이다.
도 18은 다양한 실시형태들에 따른, 피드-포워드(feed-forward) 배열로 구성된 일 예의 적응적, 동적 감지 및 멀티-노치 모듈의 블록도이다.
도 19는 다양한 실시형태들에 따른, 피드-포워드 배열로 구성된 일 예의 적응적, 동적 감지 및 멀티-노치 모듈의 블록도이다.
도 20은 다양한 실시형태들에 따른, 외부 트랜스듀서 증폭기 회로부로부터의 실시간 전압 및/또는 전류 감지 정보로부터 유도되거나 이와 동등한 피드백 정보와 함께, 왜곡의 가능성, 또는 이의제기 가능한(objectionable), 지각가능한(perceptible), 또는 측정가능한 왜곡의 정도를 감지하기 위하여 양자의 피드-포워드 및 피드-백 오디오 신호들을 편입시키는 일 예의 적응적, 동적 감지 및 멀티-노치 모듈의 블록도이다.
도 21은 다양한 실시형태들에 따른, 스피커로부터 생성된 음향 출력에 대한 왜곡을 감지하고 왜곡을 감소시키는 일 예의 방법의 특징들의 흐름도이다.
도 22는 다양한 실시형태들에 따른, 스피커로부터 생성된 음향 출력에 대한 왜곡을 감지하고 왜곡을 감소시키는 일 예의 방법의 특징들의 흐름도이다.
도 23은 다양한 실시형태들에 따른, 오디오 신호들에 대한 왜곡-인지 고조파 베이스 강화를 구현하는 일 예의 방법의 특징들의 흐름도이다.
도 24는 다양한 실시형태들에 따른, 오디오 신호들에 대한 왜곡 감지, 왜곡 감소, 및 왜곡-인지 고조파 베이스 강화를 구현하는 일 예의 방법의 특징들의 흐름도이다.
도 25는 다양한 실시형태들에 따른, 음향 출력에 대한 왜곡을 감지하고 왜곡을 감소시키는, 음향 출력에 대한 왜곡 감지 및 왜곡 감소에 대하여 동작하도록 배열된 일 예의 오디오 시스템의 블록도이다.
도 2는 적용된 고역통과, 저 쉘프, 및 피크 필터들로 이루어진 평탄화 등화를 갖는 마이크로-라우드스피커 주파수 응답의 예이다.
도 3은 다양한 실시형태들에 따른, 동적 왜곡 감지 및 적응적 왜곡 감소를 제공하기 위한 일 예의 아키텍처(architecture)의 특징들의 블록도이다.
도 4는 다양한 실시형태들에 따른, 동적 왜곡 감지 및 적응적 멀티-대역 왜곡 감소를 제공하기 위한 일 예의 아키텍처의 특징들의 블록도이다.
도 5는 다양한 실시형태들에 따른, 외부 오디오 하드웨어 및 신호 프로세싱 컴포넌트들과의 멀티-노치 필터(multi-notch filter)의 통합을 도시하는 일 예의 아키텍처의 블록도이다.
도 6은 다양한 실시형태들에 따른, 입력 신호와 출력 신호 사이의 일련의 다수의 노치 대역 필터(notch band filter)들에서의 각각의 노치 대역 필터에 대한 계수들을 구성하는 노치 필터 뱅크 설계기를 예시하는 예의 블록도이다.
도 7은 다양한 실시형태들에 따른, 왜곡을 감소시키기 위하여 유용한 최저 주파수를 결정하도록 조절된 신호 노치 대역을 예시한다.
도 8은 다양한 실시형태들에 따른, 선형 또는 옥타브(octave) 주파수 이격을 이용하여 왜곡을 추가로 감소시키기 위하여 이용된 노치 대역들의 수가 증가될 수 있다는 것을 예시한다.
도 9는 다양한 실시형태들에 따른, 각각의 대역의 유효성이 기울기 파라미터를 이용하여 가중화된다는 것을 예시한다.
도 10은 다양한 실시형태들에 따른, 멀티-노치의 파라미터들이 감소된 감쇠를 위하여 재-조절될 때에 왜곡과 음색(timbre) 사이의 절충을 예시한다.
도 11은 다양한 실시형태들에 따른, 입력 신호 및 전역-통과(all-pass) 응답의 선형 조합으로서 구현된 일 예의 단일 노치 대역 주파수 필터를 예시하는 개략도이다.
도 12a는 다양한 실시형태들에 따른, 디바이스 출력 신호에 응답하여 오디오 출력을 라우드스피커에 제공하고 디바이스 출력 신호를 분석하기 위하여 감지 회로부를 이용하는 일 예의 장치의 블록도이다.
도 12b는 다양한 실시형태들에 따른, 디바이스 출력 신호에 응답하여 오디오 출력을 라우드스피커에 제공하고 디바이스 출력 신호를 분석하기 위하여 감지 회로부를 이용하는 일 예의 장치의 블록도이다.
도 13은 다양한 실시형태들에 따른, 측정된 왜곡 감지 에너지를 이용하여 노치들의 심도(depth)들을 조절하는 일 예의 동적 이득 제어의 블록도이다.
도 14는 다양한 실시형태들에 따른, 베이스 강화(bass enhancement) 회로부의 블록도이다.
도 15는 다양한 실시형태들에 따른, 오디오 신호에 대한 왜곡-인지 고조파 베이스 강화(distortion-aware harmonic bass enhancement)와 통합된 동적 멀티-특징 왜곡 감지 및 적응적 멀티-대역 왜곡 감소를 가지는 시스템의 블록도이다.
도 16은 다양한 실시형태들에 따른, 일 예의 적응적, 동적 감지 및 멀티-노치 모듈의 블록도이다.
도 17은 다양한 실시형태들에 따른, 일 예의 적응적, 동적 감지 및 멀티-노치 모듈의 블록도이다.
도 18은 다양한 실시형태들에 따른, 피드-포워드(feed-forward) 배열로 구성된 일 예의 적응적, 동적 감지 및 멀티-노치 모듈의 블록도이다.
도 19는 다양한 실시형태들에 따른, 피드-포워드 배열로 구성된 일 예의 적응적, 동적 감지 및 멀티-노치 모듈의 블록도이다.
도 20은 다양한 실시형태들에 따른, 외부 트랜스듀서 증폭기 회로부로부터의 실시간 전압 및/또는 전류 감지 정보로부터 유도되거나 이와 동등한 피드백 정보와 함께, 왜곡의 가능성, 또는 이의제기 가능한(objectionable), 지각가능한(perceptible), 또는 측정가능한 왜곡의 정도를 감지하기 위하여 양자의 피드-포워드 및 피드-백 오디오 신호들을 편입시키는 일 예의 적응적, 동적 감지 및 멀티-노치 모듈의 블록도이다.
도 21은 다양한 실시형태들에 따른, 스피커로부터 생성된 음향 출력에 대한 왜곡을 감지하고 왜곡을 감소시키는 일 예의 방법의 특징들의 흐름도이다.
도 22는 다양한 실시형태들에 따른, 스피커로부터 생성된 음향 출력에 대한 왜곡을 감지하고 왜곡을 감소시키는 일 예의 방법의 특징들의 흐름도이다.
도 23은 다양한 실시형태들에 따른, 오디오 신호들에 대한 왜곡-인지 고조파 베이스 강화를 구현하는 일 예의 방법의 특징들의 흐름도이다.
도 24는 다양한 실시형태들에 따른, 오디오 신호들에 대한 왜곡 감지, 왜곡 감소, 및 왜곡-인지 고조파 베이스 강화를 구현하는 일 예의 방법의 특징들의 흐름도이다.
도 25는 다양한 실시형태들에 따른, 음향 출력에 대한 왜곡을 감지하고 왜곡을 감소시키는, 음향 출력에 대한 왜곡 감지 및 왜곡 감소에 대하여 동작하도록 배열된 일 예의 오디오 시스템의 블록도이다.
오디오 시스템 및 방법의 실시형태들의 다음의 설명에서는, 동반 도면들에 대해 참조가 행해진다. 이 도면들은 제한이 아닌 예시로서, 다양한 실시형태들이 어떻게 실시될 수도 있는지의 특정 예들을 도시한다. 이 실시형태들은 당해 분야의 당업자들이 이러한 그리고 다른 실시형태들을 실시하는 것을 가능하게 할 정도로 충분히 상세하게 설명된다. 다른 실시형태들이 사용될 수도 있고, 구조적, 논리적, 전기적, 및 기계적 변경들이 이 실시형태들에 대해 행해질 수도 있다. 일부 실시형태들이 새로운 실시형태들을 형성하기 위하여 하나 이상의 다른 실시형태들과 조합될 수 있으므로, 다양한 실시형태들은 반드시 상호 배타적이지는 않는다. 그러므로, 다음의 상세한 설명은 제한적인 의미로 취해져야 하는 것은 아니다.
다양한 실시형태들에서, 동적 멀티-특징 왜곡 감지 및 적응적 멀티-대역 왜곡 감소는 오디오 신호들에 대하여 구현될 수 있다. 장치는 주어진 사운드 입력에 대하여 스피커에 의해 생성된 경험적 비선형 왜곡의 정량적 정도(quantitative degree)를 감지하고 노치 또는 대역-거부 필터들의 뱅크에 의해 왜곡을 감소시키도록 구성될 수 있다. 여기서, 스피커는 오디오 청취를 위하여 의도된 임의의 전기음향 출력 트랜스듀서이다. 이것은 라우드스피커, 마이크로-스피커, 이어폰(earphone), 헤드셋 구동기, 헤드폰 구동기, 또는 이어피스(earpiece) 중의 하나를 포함하지만, 이것으로 제한되지는 않는다. 이러한 장치는 오디오로부터 획득된 다수의 특징들, 또는 다른 가능한 오디오 특징들의 범위를 이용할 수 있다. 통계들은 개별 주파수들 또는 주파수 대역들에서 대역통과 필터(bandpass filter)들로부터의 에너지들에 기초하여 연산(compute)될 수 있다. 노치 또는 대역-거부 필터들의 뱅크는 캐스케이드(cascade)로 또는 병렬로 배열될 수 있다.
동적 멀티-특징 왜곡 감지 및 적응적 멀티-대역 왜곡 감소는 라우드스피커에 의해 생성된 사운드 품질의 개선에 있어서 응용을 가질 수 있다. 오디오 출력에 대한 신호의 왜곡-트리거링 스펙트럼 컴포넌트들은 제거된 컴포넌트들의 수가 최소로 유지될 수 있도록 감소될 수 있거나 제거될 수 있다. 이와 동시에, 특징들 또는 스펙트럼 컴포넌트들의 상이한 세트는 왜곡을 감지하기 위하여 이용될 수도 있고; 분석 컴포넌트들 또는 특징들은 감소된/제거된 컴포넌트들에 직접적으로 대응할 필요가 없다.
다양한 실시형태들에서, 시스템 및 시스템을 이용하는 방법은 음향 출력에 대한 신호를 수신하는 것, 적어도 하나의 노치 필터를 포함하는 프로세싱 모듈을 이용하여 수신된 신호를 프로세싱하는 것을 포함할 수 있다. 모듈은 특정 기능을 실행하기 위한 하나 이상의 수단들의 세트이고, 여기서, 수단들은 하드웨어, 메모리 디바이스 내에 저장된 명령들을 실행하기 위한 프로세서들, 펌웨어, 로직 회로부, 또는 그 조합들을 포함할 수 있다. 노치 필터(들)의 파라미터들은 음향 출력의 왜곡의 가능성을 검출하기 위한 감지에 기초하여 결정될 수 있다. 노치 필터의 출력은 관찰가능한 오디오 왜곡을 포함하는 디바이스, 프로세스, 또는 장치로 공급될 수 있다. 디바이스, 프로세스, 또는 장치는 오디오를 출력할 수 있는 음향 또는 디지털 또는 임의의 디바이스일 수 있다. 또한, 적어도 하나의 노치 필터의 적어도 하나의 파라미터는 출력에서의 왜곡의 가능성, 또는 출력에서의 지각가능한, 이의제기 가능한, 또는 측정가능한 왜곡의 정도를 측정하는 센서, 척도(measure), 통계, 또는 그 조합들에 의해 결정될 수 있다.
다양한 실시형태들에서, 왜곡-인지 고조파 베이스 강화는 오디오 신호들에 대하여 구현될 수 있다. 경험적 비선형 왜곡의 정량적 정도를 감지하는 것은 신축적인 고조파 베이스 강화 알고리즘과 함께 이용될 수 있다. 적응적 고조파 베이스 강화 모듈은 다양한 응용들에서 이용될 수 있다. 강화는 강화로부터의 고조파들이 이의제기 가능한 왜곡을 트리거링할 경우에 회피될 수도 있다. 모듈은 신호에 추가된 고조파 에너지의 양을 변동시키기 위하여 사전-차단(pre-cutoff) 필터링 및 사후-차단(post-cutoff) 필터링과 함께 튜닝가능한 비대칭적 비선형성을 채용할 수 있다.
다양한 실시형태들에서, 시스템 및 시스템을 이용하는 방법은 음향 출력에 대한 신호를 수신하는 것, 및 베이스 강화를 수행하는 프로세싱 모듈을 이용하여 수신된 신호를 프로세싱하는 것을 포함할 수 있다. 베이스 강화의 수행은 선형 필터링에 기초한 베이스 강화, 오디오 컨텐츠(audio content)를 보유하는 신호의 추가적인 고조파들의 삽입 및/또는 생성에 기초한 베이스 강화(심리음향 베이스 강화(psychoacoustic bass enhancement)로서 또한 알려짐), 또는 그 조합들을 포함할 수 있지만, 이것으로 제한되지는 않는다. 베이스 강화의 파라미터들은 왜곡의 가능성을 검출하기 위한 감지에 기초하여 결정될 수 있다. 베이스 강화 모듈의 출력은 관찰가능한 오디오 왜곡을 포함하는 디바이스, 프로세스, 또는 장치로 공급될 수 있다. 디바이스, 프로세스, 또는 장치는 오디오를 출력할 수 있는 음향 또는 디지털 또는 임의의 디바이스일 수 있다. 또한, 베이스 강화 모듈의 적어도 하나의 파라미터는 센서, 척도, 통계, 또는 출력에서의 왜곡의 가능성을 측정하는 그 조합들에 의해 결정될 수 있다. 베이스 강화는 왜곡의 존재 시에 출력 오디오에서 베이스 및 퍼커시브(percussive) 강도를 유지하는 것을 제공할 수도 있다.
동적 멀티-특징 왜곡 감지 및 적응적 멀티-대역 왜곡 감소의 실시형태들은 왜곡-인지 고조파 베이스 강화의 실시형태들과는 독립적으로 기능할 수 있다. 왜곡-인지 고조파 베이스 강화의 실시형태들은 동적 멀티-특징 왜곡 감지 및 적응적 멀티-대역 왜곡 감소의 실시형태들과는 독립적으로 기능할 수 있다. 다양한 실시형태들에서, 동적 멀티-특징 왜곡 감지 및 적응적 멀티-대역 왜곡 감소 및 왜곡-인지 고조파 베이스 강화는 베이스 강화로부터의 왜곡을 최상으로 회피하기 위하여 조합될 수 있다.
프로세싱 알고리즘은 임계적 고조파 간격들에서 에너지를 감소시키고 마이크로-라우드스피커들 공진 주파수에 관련시킴으로써, 러브 및 버즈 왜곡을 포함할 수도 있는 위에서 설명된 왜곡을 감소시키기 위하여 본원에서 설명된다. 알고리즘은 라우드스피커들 입력 신호에 적용된 멀티-노치 필터, 왜곡에 기여하는 에너지의 양을 측정하기 위한 멀티-톤 신호 분석, 및 노치 필터들의 시간 변동 심도를 제어하는 동적 이득 셀을 포함할 수 있다. 노치 주파수들과 같은 노치 필터들의 파라미터들은 실시간으로 수행된 노치들의 심도들의 동적 제어로 오프라인(offline)으로 구성될 수 있다. 신호 프로세싱에 대하여, 입력 오디오 신호의 직렬 프로세싱으로부터 음향 출력을 생성하는 것과 같은, 외부 프로세스를 따라가기 위하여 충분한 시간 내에서 일부 신호/데이터 프로세싱을 완료하는 것은 실시간으로 의도된다.
도 3은 오디오 신호 소스(205)로부터의 신호에 응답하여 음향 출력을 생성하기 위한 스피커(230)를 가지는 일 예의 시스템(200)의 실시형태의 블록도이다. 오디오 신호 소스는 레코딩된 또는 엔지니어링된 사운드트랙 또는 사운드 스트림의 직접적인 재생(playback)으로부터의 오디오 뿐만 아니라, 그 사운드트랙 또는 사운드 스트림의 다른 프로세싱(예컨대, 공간적 프로세싱)으로부터 나오는 오디오 신호, 또는 스피커로부터의 음향 출력의 생성을 위한 다른 소스들을 포함할 수 있다. 시스템(200)은 스피커(230)에 의해 수신된 신호를 수신하도록 결합될 수 있는 감지 회로부(210)를 포함할 수 있다. 감지 회로부(210)는 스피커(230)에 의해 수신된 신호를 수정하기 이하여 신호에 대한 통계들을 생성한다. 스피커(230)는 감지 회로부(210)에 의한 통계들의 생성에 응답하여 수정된 수신된 신호에 기초하여 음향 출력을 생성할 수 있다. 감지 회로부(210)는 프로세싱 디바이스를 포함하는 회로부, 및 감지 회로부(310)에 제공된 신호들을 프로세싱하기 위한 저장된 명령들로 구현될 수 있다. 감지 회로부(210)는 디지털 신호 프로세서에서 구현될 수 있다.
시스템(200)의 변형들 또는 시스템(300)과 유사한 시스템들은 이러한 시스템들의 응용 및/또는 다수의 방법들이 구현될 수 있는 시스템들의 아키텍처에 따라 조합될 수도 있는 다수의 상이한 실시형태들을 포함할 수 있다. 이러한 시스템들은 스피커의 출력에서의 왜곡의 가능성을 측정하거나 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하도록 동작가능한 감지 회로부를 포함할 수 있다. 감지 회로부는 머신 학습(machine learning), 통계적 학습(statistical learning), 예측적 학습(predictive learning), 또는 인공 지능(artificial intelligence)을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 2진 표시자(binary indicator)를 연산하도록 동작가능할 수 있다. 기법은 분류 및 회귀 트리(classification and regression tree)들, 지원 벡터 머신(support vector machine)들, 인공 신경 네트워크(artificial neural network)들, 로지스틱 회귀(logistic regression), 나이브 베이즈 분류(naive Bayes classification), 선형 판별 분석(linear discriminant analysis), 및 랜덤 포레스트(random forest)들을 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다. 감지 회로부는 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 가능성, 또는 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자(soft indicator)를 연산하도록 동작가능할 수 있다. 소프트 표시자는 또한, 퍼지 표시자(fuzzy indicator)로서 지칭될 수도 있다. 소프트 표시자는 수치 값들 중의 하나 이상의 범위들로부터 선택된 수치 값이다. 하드 표시자(hard indicator)는 개별 수치 값들의 세트로부터 선택된 수치 값으로서 정의될 수 있다.
시스템(200)의 변형들 또는 시스템(200)과 유사한 시스템들은 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(infinite impulse response; IIR) 또는 유한 임펄스 응답(finite impulse response; FIR) 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들을 포함하기 위한 감지 회로부(210)를 포함할 수 있다. 감지 회로부(210)는 다수의 IIR 또는 FIR 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들로부터의 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 다수의 대역-통과 및/또는 동적 스펙트럼 분석 필터들의 모든 대역들에 걸친 에너지로부터 연산된 하나 이상의 통계들로서 추정하기 위한 회로부를 포함할 수 있고, 필터링된 신호의 전체 에너지를 측정하기 위한 회로부를 포함한다. 하나 이상의 통계들은 에너지의 중위(median), 평균(mean), 산술 평균(arithmetic mean), 기하 평균(geometric mean), 최대, 에너지의 최소, 및 n이 선택된 양의 정수인, 연산된 모든 대역-통과 에너지들 사이의 n 번째 가장 큰 에너지의 에너지를 포함하는 통계들의 그룹으로부터의 하나 이상의 통계들을 포함할 수 있다. 감지 회로부(210)는 에너지를 시간-변동 에너지로서 연산하거나 전체-대역 오디오 신호의 포락선(envelope)을 연산하도록 배열될 수 있다.
도 4는 동적 멀티-특징 왜곡 감지 및 적응적 왜곡 감지 및 적응적 멀티-대역 왜곡 감소를 제공하기 위한 일 예의 아키텍처(300)의 실시형태의 블록도이다. 아키텍처(300)는 음향 출력을 제공하는 다수의 상이한 시스템들 내로 편입될 수 있다. 아키텍처(300)는 음향 출력을 제공하는 스피커(330)와 함께 동작가능한, 멀티-노치 필터(305), 감지 회로부(310), 및 동적 이득 셀(315)을 포함할 수 있다. 스피커(330)는 마이크로-라우드스피커로서 실현될 수 있지만, 대안적으로, 오디오 청취를 위하여 의도된 임의의 전기음향 출력 트랜스듀서로서 실현될 수도 있다. 이것은 라우드스피커, 마이크로-스피커, 이어폰, 헤드셋 구동기, 헤드폰 구동기, 또는 이어피스 중의 하나를 포함하지만, 이것으로 제한되지는 않는다. 멀티-노치 필터(305)는 음향 출력을 생성하기 위한 신호를 수신하도록 배열될 수 있다. 음향 출력을 생성하기 위한 신호는 본원에서, 물리적 사운드를 표현하는 신호이고, "오디오 신호"로서 지칭될 수 있다. 감지 회로부(310)는 멀티-노치 필터(305)에 의해 수신되고 프로세싱된 신호에 대응하는 필터링된 신호를 수신하고 필터링된 신호에 대한 통계들을 생성하도록 결합될 수 있다.
감지 회로부(310)는 다수의 방법들로 배열될 수 있다. 감지 회로부(310)는 스피커(330)에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한-임펄스 응답(FIR) 대역통과 필터들 및/또는 동적 스펙트럼 분석 필터들을 포함할 수 있다. 감지 회로부(310)는 다수의 IIR 또는 FIR 대역통과 필터들 및/또는 동적 스펙트럼 분석 필터들의 모든 대역들에 걸친 에너지로부터 연산된 다양한 통계들 중의 하나 이상을 이용하여 필터링된 신호에서의 왜곡 활성화 에너지의 양을 추정하기 위한 회로부를 포함할 수 있고, 필터링된 신호의 전체 에너지를 측정하기 위한 회로부를 포함할 수 있다. 감지 회로부(310)는 스피커(330)의 출력에서의 왜곡의 가능성, 또는 지각가능한, 이의제기 가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하도록 동작가능할 수 있다. 감지 회로부(310)는 프로세싱 디바이스를 포함하는 회로부, 및 감지 회로부(310)에 제공된 신호들을 프로세싱하기 위한 저장된 명령들로 구현될 수 있다.
감지 회로부(310)는 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능(artificial intelligence; AI)을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 가능성의 척도, 또는 지각가능한, 이의제기 가능한, 또는 측정가능한 왜곡의 정도를 연산하도록 동작가능한 것으로서 구성될 수 있다. 기법은 분류 및 회귀 트리(판정 트리(decision tree)들로서 또한 알려짐), 일반 최소 제곱 회귀(ordinary least squares regression), 가중화된 최소 제곱 회귀(weighted least squares regression), 지원 벡터 회귀(support vector regression), 인공 신경 네트워크, 구간별-선형 회귀(piecewise-linear regression), 리지 회귀(ridge regression), 라쏘 회귀(lasso regression), 엘라스틱-네트 회귀(elastic-net regression), 및 비선형 회귀를 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다. 인공 신경 네트워크는 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), 심층 신뢰 네트워크(deep belief network)들, 및 심층 신경 네트워크들을 포함할 수 있지만, 이것으로 제한되지는 않는다. 비선형 회귀는 다항 회귀(polynomial regression)를 포함할 수 있지만, 이것으로 제한되지는 않는다.
감지 회로부(310)는 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력의 왜곡의 2진 표시자를 연산하도록 동작가능하게 구성될 수 있다. 2진 표시자는 왜곡의 예/아니오 표시를 제공할 수 있다. 기법은 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다. 지원 벡터 머신들은 지원 벡터 분류를 포함할 수 있다. 인공 신경 네트워크는 퍼셉트론, 다층 퍼셉트론, 심층 신뢰 네트워크들, 및 심층 신경 네트워크들을 포함할 수 있지만, 이것으로 제한되지는 않는다.
감지 회로부(310)는 문턱(threshold) 또는 비교기 디바이스의 이용에 의한 소프트 표시자로부터의 유도를 통해 2진 표시자를 연산하도록 동작가능하게 구성될 수 있다. 대안적으로, 반-2진(semi-binary) 또는 반-하드(semi-hard) 표시자는 문턱의 이용에 의해 소프트 표시자로부터 유도될 수도 있음으로써, 어떤 문턱 초과/미만인 입력 값들에 대한 개별 표시, 및 어떤 문턱 미만/초과인 입력 값들에 대한 가변적인 표시를 산출할 수도 있다. 반-하드 표시자는 개별 값들 및 값들의 하나 이상의 범위들의 조합으로부터 선택된 값으로서 정의될 수 있다. 예를 들어, 반-하드 표시자는 특정한 태스크(task)에 대하여, 0.0의 개별 값 및 (0.5, 1.0)의 범위인 값들로 구성되는 값들의 조합으로부터 선택된 값일 수 있다. 하나 이상의 개별 값들 및 값들의 하나 이상의 범위들의 조합은 반-하드 값이 생성되는 응용에 종속된다. 반-2진 표시자는 제로(zero)의 개별 값들 및 제로 내지 1 사이의 값들의 하나 이상의 범위들의 조합으로부터 선택된 값을 가지는 반-하드 표시자이다. 이러한 방식으로 유도된 2진 또는 반-2진 표시자의 경우에, 문턱 값(들)을 지나는 소프트 표시자의 오직 간단한 편위들에 대한 개별 표시를 발행하는 것을 회피하기 위하여, 히스테리시스(hysteresis)가 채용될 수도 있다.
머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능(AI)으로부터 선택된 기법들은 다음과 같이 다수의 특징들에서 설명된, 당해 분야에서 친숙한 감독된 학습 패러다임(supervised learning paradigm)을 이용하여 트레이닝(train)될 수도 있다. 첫째, (다른 유형들 중에서) 음악, 영화, 및 스피치(speech)로부터의 컨텐츠를 포함하는 대표적인 오디오 레코딩(audio recording)들의 세트가 수집될 수도 있고 조립될 수도 있다. 둘째, 이 레코딩들은 상기한 설명에서 상세하게 기술된 오디오 신호 프로세싱 캐스케이드를 통해, 그러나 멀티-노치 필터가 우회되도록 하여 재생될 수도 있다. 그것들은 최대 음량 재생(maximum volume playback)에 특히 집중하여, 실제적인 재생 시나리오들에 전형적인 다양한 음량 또는 이득 레벨들에서 재생될 수도 있다. 재생 동안의 (마이크로-스피커를 포함하는) 스피커로부터의 음향 출력은 조용하거나 무반향(anechoic) 환경에서 스피커로부터의 고정된 거리에서 교정된 측정 마이크로폰(calibrated measurement microphone)을 이용하여 레코딩될 수도 있다.
셋째, 각각의 측정 레코딩은 지각가능한, 이의제기 가능한, 또는 측정가능한 왜곡의 존재, 부재, 또는 존재하는 정도를 갖는 측정 레코딩의 부분들을 결정하고 표기(label)하기 위하여 원래의 컨텐츠 레코딩을 참조하여 분석될 수도 있다. 지각가능한 또는 이의제기 가능한 왜곡의 부분들을 특성화하기 위하여, 청취 테스트가 인간 대상자들로 수행될 수도 있거나, 당해 분야에서 친숙한 이러한 모델들의 몇몇 중에서 선택된 왜곡의 연산 심리음향 모델이 채용될 수도 있고, 여기서, 양자의 측정 레코딩 및 원래의 컨텐츠 레코딩은 주관적으로 또는 수치적으로 중의 어느 하나로 비교된다. 측정가능한 왜곡의 부분들을 특성화하기 위하여, 레벨-정합 이득(level-matching gain)은 원래의 컨텐츠 레코딩에 적용될 수도 있어서, (비왜곡된 것으로 가정되어야 할 레벨에 있어서 충분히 낮은 것으로서 선택된) 그 저-레벨 부분들은 대응하는 측정 레코딩의 레벨들과 정합한다. 추가적으로, 레벨-정합된 원래의 컨텐츠 레코딩은 대응하는 측정 레코딩에 시간-정렬(time-align)될 수도 있다. 측정가능한 왜곡의 시간-변동 크기는 정렬된 원래의 컨텐츠 레코딩과 대응하는 측정 레코딩 사이의 차이의 포락선 또는 시간-변동 RMS 에너지로서 연산될 수도 있다.
넷째, 표기된 측정 오디오 레코딩들의 부분들은 트레이닝 및 테스트 세트들로 하위-분할(sub-divide)될 수도 있고, 여기서, 비왜곡된 및 왜곡된 부분들 사이의 균형은 양자의 세트들에서 대략 동일하다. 다섯째, 왜곡된 및 비왜곡된 부분들의 연속적인 프레임들 또는 블록들로부터 연산된 오디오 특징들의 세트들이 연산될 수도 있다. 여섯째, 당해 분야에서 친숙한 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능(AI) 기법들로부터 선택된 분류 또는 회귀 기법은 트레이닝 세트에 대해 트레이닝될 수도 있고, 트레이닝 세트에 대한 회귀 또는 분류 성능의 척도는 트레이닝이 진전됨에 따라 모니터링된다. 일곱째, 분류 성능의 회귀의 척도는 테스트 세트로부터의 오디오 특징들에 대해 연산된 트레이닝된 모델의 예측들로부터 연산될 수도 있다. 단계들 4 내지 7은 교차-확인(cross-validation)인, 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능(AI)의 분야에서의 확립된 패러다임으로서 알려져 있다. 이 단계들은 분류 또는 회귀 성능을 개선시키기 위하여 반복될 수도 있다.
동적 이득 셀(315)은 감지 회로부(310)로부터 통계들을 수신하도록 결합될 수 있고, 멀티-노치 필터(305)의 심도를 동작적으로 수정하기 위하여 멀티-노치 필터(305)에 결합될 수 있다. 스피커(330)는 음향 출력을 생성하기 위한 필터링된 신호를 수신하도록 배열될 수 있다. 동적 이득 셀(315)은 위에서의 대역통과-에너지-기반 통계 및 전체 에너지에 기초한 후속 통계에 기초하여 멀티-노치 필터의 심도를 조절하기 위한 이득을 제공하도록 배열될 수 있고, 여기서, 대역통과-에너지-기반 통계 및 측정된 전체 에너지는 감지 회로부(310)에 의해 제공된다.
도 5는 외부 오디오 하드웨어 및 신호 프로세싱 컴포넌트들과의 멀티-노치 필터(405)의 통합을 도시하는 일 예의 아키텍처(400)의 실시형태의 블록도이다. 아키텍처(400)는 그 출력이 트랜스듀서 등화(403)에 입력되는, 공간, 라우드니스(loudness), 및 동역학(dynamics)에서의 프로세싱(402)에 공급하는 오디오 채널 소스(401)를 포함한다. 트랜스듀서 등화(403)의 출력은 멀티-노치 필터(405)에 입력되고, 멀티-노치 필터(405)의 출력은 제한기(limiter)(407)를 통해 스피커(430)로 보내진다. 스피커(430)는 마이크로-라우드스피커로서 실현될 수 있다. 제한기(407)는 이 문턱을 초과하는 더 강한 신호들의 피크들을 감쇠시키면서, 특정된 입력 문턱 레벨 미만인 신호들이 영향받지 않고 통과하는 것을 허용한다. 제한기(407)의 출력이 스피커(430)에 결합되는 것에 추가하여, 제한기(407)의 출력은 감지 회로부(410)에 결합될 수 있다. 감지 회로부(410)는 통계들을 동적 이득 셀(415)에 제공하기 위하여, 오디오 신호로부터 획득된 다수의 특징들 또는 다른 가능한 오디오 신호 특징들의 범위를 이용할 수 있다. 음향 출력으로 이어지는 오디오 신호에 관한 통계들 또는 다른 정보에 기초하여, 동적 이득 셀(415)은 멀티-노치 필터(405)의 심도를 동작적으로 수정하기 위하여 입력을 멀티-노치 필터(405)에 제공할 수 있다. 멀티-노치 필터(405), 감지 회로부(410), 및 동적 이득 셀(415)은 도 4의 멀티-노치 필터(305), 감지 회로부(310), 및 동적 이득 셀(315)과 유사하거나 동일한 방식으로 실현될 수 있다.
마이크로-라우드스피커가 어떤 멀티-톤 신호들을 이용하여 구동될 때, 러브 및 버즈 왜곡이 활성화될 수 있다. 도 6에서 도시된 바와 같이, 튜닝된 정적 멀티-노치 필터를 이용하면, 왜곡을 활성화하는 에너지는 라우드스피커들 왜곡 활성화 문턱 미만인 레벨로 감소될 수 있다. 도 6은 입력 신호(501)와 출력 신호(508) 사이의 일련의 N 개의 노치 대역 필터들에서의 각각의 노치 대역 필터(505-1, 505-2 ... 505-N)에 대한 계수들을 구성하는 노치 필터 뱅크 설계기(506)를 예시하는 일 예의 실시형태의 블록도이다. 채용된 노치들의 수 및 각각의 노치의 구성은 설계 제어들의 세트로부터 결정될 수 있다.
멀티-노치 필터를 설계할 때에 본질적으로 2 개의 목표들: 왜곡을 제거하는 것 및 사운드의 지각된 음색에 최소로 영향을 주는 것이 있다. 음색은 그 소스 또는 생성의 방식이 추론될 수 있는 피치(pitch) 및 라우드니스(loudness)에 독립적인 사운드의 특성 품질이다. 일반적으로, 정적 멀티-노치 필터를 이용하여 관심 왜곡을 활성화하기 위하여 알려져 있는 테스트 컨텐츠를 이용하여 왜곡을 제거하는 목표로 튜닝을 시작하는 것이 최상의 실시이다.
다수의 파라미터들이 튜닝에서 이용될 수 있고, 각각의 라우드스피커 채널은 파라미터들의 그 자신의 세트를 가질 수 있다. 이러한 파라미터들은 노치 대역들의 수, 기저 주파수(basis frequency), 기저 Q(basis Q), 기저 노치 심도(basis notch depth), 기저 기울기(basis slope), 대역폭 스케일(bandwidth scale), 및 주파수 스케일(frequency scale)을 포함할 수 있다. 노치 대역들의 수는 노치 주파수 대역들의 전체 수이다. 기저 주파수는 최저 주파수의 차단 주파수이다. 기저 Q는 최저 주파수 노치의 대역폭이다. 기저 노치 심도(dB)는 완전히 계합될 때에 최저 주파수 노치 대역에 적용된 감쇠이다. 기저 기울기(dB/대역)는 각각의 추가적인 대역들 노치 심도에 점진적으로 추가된 양이다. 제 1 저 주파수 대역으로부터 시작하는 대역폭 스케일에 대하여, 추가적인 대역들은 일정한 Q 인자 또는 일정한 대역폭을 유지할 수 있다. 주파수 스케일에 대하여, 노치 주파수들은 기저 주파수(예컨대, [100, 200, 300] Hz)로부터의 선형 스케일링, 또는 옥타브 스케일링(예컨대, [100, 200, 400] Hz)을 유지할 수 있다.
튜닝에서의 제 1 단계는 예를 들어, 대략 4의 상대적으로 낮은 기저 Q, 대략 -15 dB의 심도를 가지는 단일 노치 대역을 조절하는 것, 및 왜곡의 현저한 양이 제거될 때까지, 주파수에 있어서 대략 100 헤르쯔(Hertz)로부터 시작하는 차단 주파수를 위로 스윕하는 것에 의한 기저 주파수의 결정을 포함할 수도 있다. 멀티-노치 필터의 파라미터들은 휴리스틱 방법론(heuristic methodology)을 이용하여 결정되지만, 가장 최적의 차단 주파수들은 라우드스피커들 공진 주파수 근처에서 또는 라우드스피커들 공진 주파수에서 고조파 관계(harmonic relationship)를 가지는 경향이 있다. 도 7을 예로서 이용하면, 800 Hz의 마이크로-라우드스피커 공진 주파수가 주어지면, 가능성 있는 최적의 기저 주파수는 라우드스피커의 이용가능한 저 주파수 응답에 따라 100 또는 200 Hz 근처일 것이다. 도 7은 왜곡을 감소시키기 위하여 유용한 최저 주파수를 결정하도록 조절된 단일 노치 대역을 예시한다. 기저 Q 파라미터의 수정은 기저 주파수를 탐지하는 것을 보조할 수도 있다.
최적의 주파수 스케일 및 노치 대역들의 수가 결정될 수 있다. 기저 주파수를 확립한 후에, 왜곡에 있어서의 감소에 기여하는, 기저 주파수를 초과하고 라우드스피커들 공진 주파수 미만인 추가적인 주파수들이 탐지될 수 있다. 이 주파수들은 도 8에서 도시된 바와 같이, 기저 주파수에 비해, 선형 또는 옥타브 스케일링을 가져야 한다. 도 8은 선형 또는 옥타브 주파수 이격을 이용하여 왜곡을 추가로 감소시키기 위하여, 노치 대역들의 수가 증가될 수 있다는 것을 예시한다. 도표에서 표시된 노치들의 수, 3 개(3)는 노치들의 수를 임의적(도 6에서 도시된 바와 같은 변수 N)일 수도 있는 그 특정한 값으로 제한하거나 한정하지 않는다. 타겟 멀티-노치 주파수들의 세트를 확립하였으면, 누군가는 주파수들의 전체 수에 기초한 노치 대역들의 수, 최저 타겟 주파수에 기초한 기저 주파수, 및 기저 주파수를 초과하는 추가적인 주파수들의 설계 파라미터들을 조절할 수 있다. 기저 노치 심도, 기저 기울기, 및 대역폭 스케일이 조절될 수 있다. 타겟 주파수들의 확립된 세트 내에서, 일부 노치 대역들은 원하지 않는 왜곡들을 제거함에 있어서 다른 것들보다 더 효과적일 것이다. 노치 심도 및 기저 기울기 파라미터들은 멀티-노치 필터가 완전히 계합될 때에 각각의 타겟 주파수에서의 감쇠의 양을 결정할 수 있다. 전형적으로, 노치 주파수가 증가함에 따라, 노치의 심도가 줄어든다. 기저 기울기 파라미터는 기저 주파수로부터의 후속 노치들의 심도를 증가시키거나 감소시킬 것이다. 예를 들어, 도 9에서, -15 dB의 기저 노치 심도 및 3 dB의 기저 기울기로, 노치들의 특정 심도들은 [-15, -12, -9, ...]일 것이다. 도 9는 각각의 대역의 유효성이 기울기 파라미터를 이용하여 가중화된다는 것을 예시한다. 다시, 노치들의 수는 이 도면의 예에서 도시된 수로 제한되거나 한정되지는 않는다. 포지티브 노치 심도(positive notch depth)들이 방지될 수 있다.
왜곡 제거와 음색의 보존 사이의 절충이 행해질 수 있다. 이 단계는 주관적인 음색에 대한 최소 영향에 대하여 검토되는 현재의 파라미터 설정들에 기초할 수 있다. 예를 들어, 기저 Q는 왜곡을 여전히 방지하면서, 가능한 최고 설정(가장 좁은 대역폭)이 되도록 정정되어야 한다. 도 10은 멀티-노치의 파라미터들이 재조절될 때의 왜곡과 음색 사이의 절충을 예시한다.
도 4의 멀티-노치 필터(305) 및 도 4의 멀티-노치 필터(405)와 같은 멀티-노치 필터들은 일련의 독립적인 IIR 노치 필터 대역들로서 구현될 수 있다. 각각의 노치 대역은 차단 주파수 및 대역의 Q로 설정된 전역-통과 필터 및 신호의 선형 조합을 이용하여 구현될 수 있다. 이 방법을 이용하면, 필터 계수들은 차단 주파수 및 대역폭 파라미터들을 이용하여 초기화 시에 정적으로 결정될 수 있고, 노치의 시간-변동 심도는 노치 심도가 도 10에서의 양방향 화살표에 의해 도시된 바와 같이 실시간으로 상하로 이동할 수도 있도록 효율적으로 조절될 수 있다.
도 11은 입력 신호(1001) 및 전역-통과 응답(1013)의 선형 조합으로서 구현된 일 예의 단일 노치 대역 주파수 필터(1005)의 실시형태를 예시하는 개략도이다. 노칭된 심도 이득(notched depth gain)은 (1-이득)*.5와 같은 제 1 인자를 입력 신호(1001)를 승산하기 위한 승수(1014-1)에, 그리고 (1+이득)*.5와 같은 제 2 인자를 전역-통과 응답(1013)을 승산하기 위한 승수(1014-2)에 제공하는 선형 보간(linear interpolation)(1011)에 제공될 수 있다. 승산의 결과들은 선형 조합을 위한 합산기(1012)에 제공되어, 합산기(1012)로부터의 출력 신호(1008)를 제공한다.
왜곡을 감지하기 위한, 도 4의 감지 회로부(310) 및 도 5의 감지 회로부(410)와 같은 감지 모듈은 라우드스피커를 구동하는 신호 내에서의 왜곡 활성화 에너지의 양을 추정하도록 구성될 수 있다. 그러므로, 이상적으로는 감지 모듈의 라우드스피커 신호 다운스트림(downstream)의 추가의 프로세싱이 없다. 감지 분석은 그 다음으로, 도 4 및 도 5와 연관된 아키텍처들에서 멀티-노치 필터 내의 독립적인 심도들을 궁극적으로 결정할 것을 동적 이득 셀에 통지하기 위하여 피드포워드 또는 피드백 아키텍처들에서 이용될 수 있다. 감지 분석은 특정 마이크로-라우드스피커에 대한 러브 및 버즈 또는 다른 이의제기 가능한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 IIR 또는 FIR 대역통과 필터들 및/또는 동적 스펙트럼 분석 필터들로 구성될 수 있다. 각각의 대역의 대역폭은 이상적으로는 매우 좁고, 따라서, 대역 당 직렬인, 2 개 이상의 2차(second-order) IIR 또는 FIR 분석 필터들 및/또는 동적 스펙트럼 분석 필터들은 양호한 신호 에너지 측정들을 달성하기 위하여 이용될 수 있다. 단일 대역 내의 에너지는 왜곡을 활성화하지 않으므로, 왜곡 활성화 에너지의 추정된 양은 모든 대역들에 걸친 에너지의 산술 또는 기하 평균과 같은 총합 통계(aggregate statistic)로서 계산될 수 있다. 이것은 상당한 수의 대역들 내의 오직 멀티-톤 대역 에너지가 왜곡 활성화 에너지의 높은 추정치로 귀착될 것이라는 것을 보장한다. 산술 또는 기하 평균 이외의 통계들이 이용될 수도 있다. 감지 모듈은 또한, 입력 신호의 전체 에너지를 측정한다.
도 12a는 디바이스 출력 신호(1101A)에 응답하여 라우드스피커(1130A)로부터의 음향 출력을 제공하고 디바이스 출력 신호(1101A)를 분석하기 위하여 감지 회로부(1110A)를 이용하는 일 예의 장치(1100A)의 실시형태의 블록도이다. 디바이스 출력 신호(1101A)는 전력 증폭기(1124A)를 이용한 디지털 대 아날로그 변환 후의 증폭을 갖는 디지털-대-아날로그 변환기(digital-to-analog converter; DAC)(1122A)를 통해 라우드스피커(1130A)로 보내질 수 있다.
감지 회로부(1110A)는 개개의 평균 제곱근(root mean square; RMS) 회로들(1123-1, 1123-2 ... 1123-M)에 결합된 대역통과 필터들(1120-1, 1120-2 ... 1120-M)을 포함할 수 있다. 각각의 RMS 회로(1123-1, 1123-2 ... 1123-M)의 출력은 통계(1126)를 연산하기 위한 회로에 결합될 수 있다. 통계(1126)는 감지 회로부(1110A)로부터의 출력에 대한 대역통과 에너지(dB)로서 제공될 수 있다. 통계(1126)는 에너지의 중위, 평균, 산술 평균, 기하 평균, 최대, 에너지의 최소, 및 n이 선택된 양의 정수인, 연산된 모든 대역-통과 에너지들 사이의 n 번째 가장 큰 에너지의 에너지를 포함하는 통계들의 그룹으로부터의 하나 이상의 통계들을 포함할 수 있다. 감지 회로부(1110)는 또한, 출력 신호(1101A)를 수신하고, 감지 회로부(1110A)로부터 출력될 수 있는 신호 에너지(dB)를 생성하기 위한 또 다른 RMS 회로(1121)를 포함할 수 있다. 이 RMS 회로들 및 통계를 연산하기 위한 회로는 다양한 유형들의 메모리 디바이스들 및 하나 이상의 프로세서들, 디지털 신호 프로세서(digital signal processor; DSP)들, 애플리케이션 특정 집적 회로(application specific integrated circuit; ASIC)들, 및 다른 연산 디바이스들을 포함할 수도 있다. 감지 회로부(1110A)로부터 출력된, 대역통과 에너지(dB)(1128) 및 신호 에너지(dB)(1129)는 동적 이득 셀로 입력될 수 있다.
도 12b는 디바이스 출력 신호(1101B)에 응답하여 라우드스피커(1130B)로부터의 음향 출력을 제공하고 디바이스 출력 신호(1101B)를 분석하기 위하여 감지 회로부(1110B)를 이용하는 일 예의 장치(1100B)의 실시형태의 블록도이다. 디바이스 출력 신호(1101B)는 전력 증폭기(1124B)를 이용한 디지털 대 아날로그 변환 후의 증폭을 갖는 디지털-대-아날로그 변환기(DAC)(1122B)를 통해 라우드스피커(1130B)로 보내질 수 있다.
감지 회로부(1110B)는 통계적 특징을 생성하기 위한 회로(1125-1), 통계적 특징을 생성하기 위한 회로(1125-2), ... 통계적 특징을 생성하기 위한 회로(1125-L)를 포함할 수 있고, 여기서, 각각은 스피커(1130B)로부터의 음향 출력과 연관된 왜곡의 예측된 가능성을 생성하는 왜곡 예측 연산(1127)에 결합된다. 왜곡 예측 연산(1127)은 라우드스피커 출력(1130B)에서의 왜곡의 가능성의 연산을 제공할 수 있는, 머신 학습, 통계적 학습, 예측적 학습, 또는 AI-기반 측정을 위한 하나 이상의 연산 회로들로서 실현될 수 있다. 이러한 학습 및 AI 기법들을 위한 기존의 회로들이 이용될 수 있다. 이 회로들은 다양한 유형들의 메모리 디바이스들 및 하나 이상의 프로세서들, DSP들, ASIC들, 및 다른 연산 디바이스들을 포함할 수도 있다. 왜곡의 예측된 가능성은 감지 회로부(1110B)로부터 동적 이득 셀로 출력될 수 있다.
도 4의 동적 이득 셀(315), 도 4의 동적 이득 셀 멀티-노치 필터(305), 도 5의 멀티-노치 필터(405), 또는 유사한 멀티-노치 필터와 같은 동적 이득 셀은 도 13에서 도시된 바와 같이, 러브 및 버즈 또는 다른 이의제기 가능한 왜곡을 감소시키기 위하여 라우드스피커 신호 경로에 적용된다. 다양한 실시형태들에서, 목표는 라우드스피커 시스템을 청취할 때에 지각된 음색에 대한 최소의 영향이 있도록, 왜곡이 이와 다르게 활성화될 때에 멀티-노치 필터를 오직 계합하기 위한 것이다. 동적 범위 압축기와 유사하게, 추정치가 문턱을 초과할 때, 초기 노치 심도가 결정되도록, 왜곡 활성화 에너지의 감지 분석 추정치는 튜닝가능한 문턱과 비교될 수 있다. 초기 노치 심도는 그 다음으로, 신호의 전체 에너지에 대한 감지 분석 추정치의 중요성에 기초하여 스케일링될 수 있다.
도 13은 예를 들어, 도 12a 및 도 12b에서 감지 회로부에 의해 결정된 바와 같이, 측정된 왜곡 감지 에너지를 이용하여 노치들의 심도들을 조절할 수 있는 일 예의 동적 이득 제어(1215)의 실시형태의 블록도이다. 왜곡 감지 에너지가 문턱을 초과할 때, 노치들이 계합된다. 동적 이득 제어(1215)는 감지 회로부(1210)의 대역통과 에너지(1228)의 척도 및 신호 에너지(1229)의 척도를 수신하기 위한 입력들을 포함한다. 대역통과 에너지의 척도(1228)는 문턱(dB)과 대역통과 에너지(1228)의 척도의 척도 사이의 차이를 생성할 수 있는 비교기(1231)로 전달될 수 있다. 문턱은 멀티-노치 필터가 계합하기 시작할 왜곡 활성화 에너지의 문턱을 제공하는 파라미터이다. 비교기(1231)의 출력 x는 x 및 제로의 최소를 선택하는 비교기(1234)로 입력될 수 있다. 비교기(1234)의 출력은 승산기(1238)로 입력된다.
대역통과 에너지(1228)의 척도는 또한, 감도(dB)를 대역통과 에너지(1228)의 척도에 가산할 수 있는 가산기(1232)로 전달될 수 있다. 가산된 감도를 갖는 대역통과 에너지(1228)의 척도는 가산기(1232)로부터, 가산된 감도를 갖는 대역통과 에너지(1228)의 척도와 신호 에너지(1229)의 척도 사이의 차이를 생성할 수 있는 비교기(1233)로 전달될 수 있다. 비교기(1233)의 출력은 변환기(1236)에 의해 dB로부터 선형 척도로 변환될 수 있고, 변환기(1236)의 출력은 비율을 승산기(1238)에 제공하는 범위 [x, 0, 10](1237)에 제공된다. 범위 [x, 0, 10]는 출력 x의 값을 0 내지 10 사이의 범위로 클램핑(clamp)한다. 그것은 출력 x: x가 제로 미만일 경우에 0의 값, x가 10보다 더 클 경우에 1의 값, 및 x가 제로 이상이고 10 이하일 경우에 x의 값을 부여하기 위한 함수를 수행한다. 감도 파라미터는 감도 및 범위 [x, 0, 10](1237)로부터의 동적 비율의 범위를 조절하기 위하여 이용될 수 있다. 범위 [x, 0, 10](1237)로부터의 비율은 비교기(1234)의 출력과 승산되고, 선형 변환기(1239)에 데시벨(decibel)로 적용된다. 평활화 연산자(1241)는 변환기(1239)의 출력에 적용될 수 있다. 평활화 연산자(1241)로부터, 멀티-노치 심도 이득(1243)은 동적 이득 제어(1215)에 의해 제공될 수 있다.
이것은 압축기들 비율 제어와 다소 유사하지만, 압축기 비율은 보통 정적이고, 1:1로부터 무한대:1까지의 범위인 이득 감소 비율들로 제한된다. 예를 들어, 동적 이득 제어(1215)를 가지는 동적 이득 셀은 또한, 역 비율(inverse ratio)을 적용할 수 있고, 이것은 멀티-노치 필터 심도가 왜곡 활성화 에너지와 문턱 파라미터 사이의 차이보다 더 클 수 있다는 것을 의미한다. 동적 셀은 또한, 멀티-노치 필터 심도 변조 아티팩트(multi-notch filter depth modulation artifact)들을 완화시키기 위한 평활화 파라미터들을 제공한다. 동적 이득 제어에 대하여 이용될 수 있는 다른 파라미터들은 모드, 공격 시간(attack time), 해제 시간(release time), 및 공격 문턱(attack threshold)을 포함할 수 있다. 모드는 동적 이득 제어가 멀티-노치 필터를 정적으로 그리고 완전히 계합하거나 멀티-노치 필터를 동적으로 그리고 가변적으로 적용하는지 여부에 관련된다. 공격 시간은 노치가 계합할 속력이다. 해제 시간은 노치가 계합해제(disengage)할 속력이다. 공격 문턱은 이용되어야 할 공격 시간 탄도(attack time ballistic)에 대하여 요구된 차등 노치 심도 계합의 양이다. 감지 모듈에서 측정된 전체 채널 에너지에 대한 조합된 대역통과 에너지의 비율은 멀티-노치 필터의 심도를 동적으로 조절하기 위하여 이용될 수 있다.
도 14는 베이스 강화 회로부(1400)의 블록도이다. 베이스 강화 회로부(1400)는 하나 이상의 프로세서들, 및 베이스 강화를 위한 명령들을 가지는 메모리에 의해 구현될 수 있다. 하나 이상의 프로세서들은 ASIC들, DSP들, 또는 그 조합들로서 구현될 수 있다. 일반적으로, 베이스 강화는 2 개의 주요 기능들: 베이스 주파수 범위의 진폭을 증가시키는 것 및 고조파들을 삽입하는 것을 가진다. 베이스 강화 회로부(1400)는 수신된 오디오 신호 입력에 대해 동작하는 입력 이득(1446)을 포함할 수 있다. 입력 이득(1446)의 출력은 디더 프로세스(dither process)(1447)로 입력될 수 있다. 디더 프로세스(1447)의 출력은 희망될 경우에 디스에이블될 수도 있는 공격적 고조파 차단 필터(aggressive harmonic cut filter)(1448)로 입력될 수도 있다. 공격적 고조파 차단 필터(1448)의 출력은 2 개의 경로들로 보내질 수도 있다. 공격적 고조파 차단 필터(1448)의 출력은 합산기(1449)에 결합될 수도 있다. 공격적 고조파 차단 필터(1448)의 출력은 또한, 사전-저역통과 필터(1451)에 결합될 수도 있다.
사전-저역통과 필터(1451)의 출력은 고조파 생성(1452)에 결합될 수 있다. 고조파 생성(1452)의 출력은 그 출력이 임의적으로, 이득 필터(1454)에 의해 작동될 수 있는 저역통과 필터(1453)에 결합될 수 있다. 저역통과 필터(1453) 또는 이득 필터(1454)의 출력은 구현될 경우에, 합산기(1449)에 결합될 수 있다. 합산기(1449)는 공격적 고조파 차단 필터(1448)의 출력(또는 공격적 고조파 차단 필터(1448)가 디스에이블될 경우에 디더 프로세스(1447)의 출력)을, 구현될 경우에, 저역통과 필터(1453)의 출력 또는 이득 필터(1454)의 출력과 가산할 수 있다.
합산기(1449)의 출력은 파라메트릭 등화기(parametric equalizer; PEQ) 필터들(1456)에 결합될 수 있다. PEQ 필터들(1456)의 출력은 동적 프로세싱 모듈(1457)에 결합될 수 있다. 동적 프로세싱 모듈(1457)은 그 출력이 구성 이득(makeup gain)에 의해 동작될 수 있는 쉘빙 필터(shelving filter)를 포함할 수도 있다. 동적 프로세싱 모듈(1457)의 출력은 고역통과 필터(1459)에 결합될 수 있다. 고역통과 필터(1459)는 경로를 따라 스피커(도 14에서 도시되지 않음)로 보내진 오디오 신호인 출력을 제공할 수 있다.
고조파 생성(harmonics generation)(1452)은 공격적 비선형성을 이용할 수 있다. 이러한 고조파 생성을 위하여, 저역통과 필터(1451)는 고조파 생성(1452)에 선행하여 삽입될 수 있고, 이것은 더 높은 주파수 컴포넌트들로부터의 고조파 생성을 회피할 수 있다. 저역통과 필터(1451)는 고조파 생성(1452)에 선행하여 배치되므로, 그것은 사전-저역통과 필터(1451)로서 지칭될 수도 있다. 사전-저역통과 필터(1451)는 조절가능한 차단 주파수를 가질 수도 있다. 사전-저역통과 필터(1451)는 8차 전달 함수를 달성하기 위하여 블록 당 4 회 반복될 수 있는 단일 2차 섹션(second-order section)에 대한 계수들을 가질 수도 있는 8차 필터일 수 있다. 개별적인 2차 섹션의 차단 주파수는 고정될 수 있고, 이에 따라, 이 2차 섹션의 4 개의 복사본(copy)들은 이득의 4 배를 갖는 주파수 응답을 산출한다.
고조파 생성(1452)은 고조파들의 더 풍분한 스펙트럼을 생성하기 위하여 공격적 비선형성을 채택할 수 있다. 다수의 상이한 비선형성들 및 당해 분야에서 친숙한 고조파 생성 방법들은 고조파들을 생성하기 위하여 선택될 수도 있다. 더 높은 이득 및 더 넓은 대역폭은 저-중간대역 영역(low-midband region)에서의 증가된 에너지를 보상하기 위하여 제공될 수 있다. 고조파 생성(1452)에서의 업데이팅된 비선형성에 의해 삽입된 저-중간대역 영역에서의 증가된 고조파 에너지를 보상하기 위하여, 저 대역 영역에서의 PEQ 필터들(1456)의 높이 및 폭은 증가된 저-중간대역 에너지에 비해 심도의 개선된 감지를 제공하기 위하여 증가될 수 있다. 베이스 레벨은 고조파들 및 혼합(mix)에 적용된 등화를 조절한다. 추가적으로, PEQ 필터들(1456)은 당해 분야에서 친숙한 기법들에 따라 저-주파수 영역을 강화하기 위하여 선택될 수도 있고 튜닝될 수도 있고, 여기서, 저-주파수 강화의 크기 및 대역폭은 조절가능하다.
입력 이득(1446)은 프로세스가 인에이블될 경우에, 입력되는 오디오 신호에 대한 이득을 제공할 수 있다. 이 이득은 2 개의 선택된 이득 레벨들 사이에서 설정될 수 있는 프로세스에 대한 헤드룸 이득(headroom gain)으로서 역할을 할 수 있다. 헤드룸(headroom)은 내부 신호들이 프로세싱 모듈에서 지원된 최대 값들 또는 최소 값들을 오버슈팅(overshoot)하거나 언더슈팅(undershoot)하지 않는 것을 허용한다. 일단 입력 이득이 적용되었으면, 알고리즘은 입력 이득이 적용되기 전에 알고리즘에서 호출된 묵음 검출기(silence detector)에 의해 설정될 수 있는 디더 상태(dither state)를 체크한다. 묵음(silence)이 검출되었을 경우에, 디더가 신호에 추가될 수 있다. 디더는 알고리즘의 분석 체인(analysis chain)에 오직 추가될 수도 있고, 그것은 묵음과 신호 세그먼트들 사이의 전환이 있을 때에 의식될 수도 있는 램핑-업(ramping-up) 효과들을 최소화하기 위하여 더 이후에 적용된 동역학 프로세싱을 보조한다.
입력 이득 및 디더 스테이지(stage)들 후에, 주요 프로세스는 프로세싱을 위하여 호출될 수 있다. 다른 한편으로, 프로세스가 우회(도 14에서 도시되지 않음)될 경우에, 신호는 먼저 프로세스가 인에이블될 때에 알고리즘에 의해 도입된 지연과 동일한 양만큼 지연되고, 그 다음으로, 우회 이득과 동일한 이득이 신호에 적용된다. 우회 경로에서 도입된 지연은 알고리즘의 온(on) 및 오프(off) 상태들 사이 및 그 반대의 현저한 불연속성들의 효과를 최소화하는 것으로 귀착된다.
주요 프로세스의 고조파 생성(1452)은 신호를 모니터링하고, 얼마나 많은 헤드룸이 이용가능한지를 연산한다. 이것은 블록-당-블록(block-per-block)에 기초하여 양자의 L 및 R 채널들의 최대 값들을 구함으로써 수행될 수 있다. 이 최대치들은 선택된 길이의 통계 이력 버퍼(statistics history buffer) 내에 저장되고, 그것들은 선택된 길이의 버퍼들의 이력에 대하여 채널 당 평균 최대(average maximum)를 부여하기 위하여 활용될 수 있다.
저역통과 필터(1453)는 투입된 고조파 컨텐츠의 최고 주파수를 제한하도록 작용하고, 생성된 고조파들은 임의적으로, 저역-통과 이득 특성들을 갖는 추가적인 필터, 이득 필터(1454)에 의해 프로세싱될 수 있다. 이것은 생성된 고조파들을 성형하고 더 많은 강조를 더 낮은 고조파들에 부여하기 위하여 수행될 수 있다.
일단 PEQ 필터들(1456)이 신호에 적용되었으면, 동역학 프로세싱(1457)이 적용될 수 있고, 이것은 신호의 전체 주파수 범위 상에서 구성 이득을 적용하는 것을 포함할 수 있다. 양자의 L 및 R 채널들에 대한 강화된 신호의 최대 값들을 연산하는 사전프로세싱 함수가 호출될 수 있다. 추가적으로, 사전프로세싱 함수는 문턱을 초과하는 신호의 피크들의 수를 구할 수 있다. 사전프로세싱 함수는 프로세스의 다음 스테이지에서 신호에 적용된 보호된 이득을 위하여 이용된 룩-어헤드(look-ahead) 버퍼들을 관리할 수 있다. 당해 분야에서 친숙한 다수의 동역학 프로세싱 기법들이 구현될 수 있다. 이 동역학 프로세싱에 의해 제공된 구성 이득은 조절가능하다.
신호에 적용될 수 있는 부스트는 이전에 설명된 모든 체크들에 기초하여 스텝별(step-wise) 방식으로 증가될 수 있거나 감소될 수 있다. 적용될 수 있는 최대 부스트는 노출된 제어에 기초하여 연산될 수 있다. 동적 프로세싱은 주어진 동역학 설정에 대하여 허용된 최대 부스트를 산출하는 이득 라인 수식(gain line equation)을 구동하기 위하여 내부적으로 이용될 수 있다. 이 최대는 연산된 이용가능한 헤드룸과 비교될 수 있다. 다시 말해서, 적용되어야 할 최대 부스트는 더 이전에 연산된 이용가능한 헤드룸을 초과하지 않는다. 또한, 다양한 실시형태들에서, 적용되는 최대 이득은 신호의 반전된, 추적된 평균 최대 값보다 더 크지 않고, 이에 대응하여, 적용된 부스트는 그 최대 이득보다 더 크지 않다. 동역학 프로세싱은 신호의 동역학에 기초하여 신호에 추가된 이득의 양을 동적으로 조절할 수 있다. 다시 말해서, 신호가 더 강할수록, 더 적은 이득이 그것에 추가된다.
동역학 프로세싱(1457)이 적용된 후에, 신호는 고역-통과 필터(1459)를 거칠 수 있다. 고역-통과 필터(1459)의 차수는 예를 들어, 1로부터 8까지 변동될 수 있다. 고역-통과 필터(1459)의 차단 주파수는 사용자-노출된 제어일 수 있고, 신호 에너지를 스피커 크기 설정 미만으로 감소시키도록 튜닝될 수 있다. 고역-통과 필터가 베이스 강화 회로부(1400) 외부에 적용될 경우에, 고역-통과 필터(1459)는 디스에이블될 수 있다.
도 15는 오디오 신호에 대한 왜곡-인지 고조파 베이스 강화와 통합된 동적 멀티-특징 왜곡 감지 및 적응적 멀티-대역 왜곡 감소를 가지는 일 예의 시스템(2000)의 실시형태의 블록도이다. 시스템(2000)은 음향 출력을 제공하는 스피커(2030)와 함께 동작가능한, 베이스 강화(2050), 멀티-대역 또는 멀티-노치 동적 감쇠기(2005), 왜곡 감지 회로부(2010), 동적 이득 셀(2015), 및 동적 베이스 파라미터 제어(2055)를 포함할 수 있다. 스피커(2030)는 마이크로-라우드스피커로서 실현될 수 있다. 동적 베이스 파라미터 제어(2055)는 다음의 비-포괄적인 리스트로부터 취해질 수도 있는 조절가능한 베이스 강화 파라미터들 중의 하나 이상을 수정할 수도 있다:
1. PEQ 필터들(1456)의 크기로서 제공될 수 있는, 베이스 강화 모듈의 스윕된-톤 포락선 응답의 피크 진폭,
2. PEQ 필터들(1456)의 중심 주파수들,
3. PEQ 필터(1456)의 대역폭들,
4. 합산(1449)에 대한 조절가능한 이득으로서 구현될 수도 있는, 베이스 강화 모듈에 의해 삽입된 고조파 에너지의 양,
5. 고조파 생성(1452)에 제공된 에너지의 최대 주파수를 제공할 수 있는 사전-저역통과 필터(1451)의 차단 주파수,
6. 합산(1449)에 의해 대역-강화된 신호에 투입된 고조파 에너지의 최대 주파수를 제공할 수 있는 저역통과 필터(1453)의 차단 주파수,
7. 고조파 생성(1452)의 비선형성에서 채용된 문턱 값(들),
8. 고조파 생성(1452)에 의해 삽입된 짝수-차수에 대한 홀수 차수 고조파들의 비율,
9. 동역학 프로세싱(1457)의 이득, 및/또는
10. 고조파 생성(1452)에 의해 삽입된 고조파들의 기울기.
시스템(2000)은 임의적으로, 사전프로세싱된 오디오 입력에 대해 동작할 수 있는 오디오 사전-프로세싱(2004)을 포함할 수도 있다. 오디오 사전-프로세싱(2004)으로부터의 출력은 베이스 강화(2050)로 입력될 수 있고, 베이스 강화(2050)의 출력은 임의적으로, 멀티-대역 또는 멀티-노치 동적 감쇠기(2005)로 입력되기 이전에, 중간 오디오 프로세싱(2009)에 의해 프로세싱될 수도 있다. 멀티-대역 또는 멀티-노치 동적 감쇠기(2005)로부터의 출력은 왜곡 감지 회로부(2010)에 결합될 수 있고 스피커(2030)로의 경로에 결합될 수 있다. 임의적으로, 스피커(2030) 이전에, 멀티-대역 또는 멀티-노치 동적 감쇠기(2005)로부터의 출력은 오디오 증폭 및 다른 사후-프로세싱에 의해 프로세싱될 수 있다. 오디오 증폭 및 다른 사후-프로세싱은 스피커 편위 보호, 베이스 부스트, 디지털-대-아날로그 변환, 및 아날로그 이득을 포함할 수 있다.
왜곡 감지 회로부(2010)는 다수의 방법들로 배열될 수 있다. 감지 회로부(2010)는 본원에서 교시된 바와 같이, 스피커(2030)의 출력에서의 왜곡의 가능성, 또는 지각가능한, 이의제기 가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하도록 동작가능할 수 있다. 왜곡 감지 회로부(2010)는 신호 직렬 체인에서의 다양한 포인트들로부터 그 단일 입력 신호를 인출할 수도 있거나, 신호 직렬 체인에서의 다양한 포인트들로부터 다수의 입력 신호들을 인출할 수 있다. 왜곡 감지 회로부(2010)로의 다수의 입력 신호들로, 왜곡 감지 회로부(2010)는 왜곡 감지 회로부(2010)의 출력을 결정하기 위한 다변량(multivariate) 통계적 또는 다변량 머신 학습 회귀 메커니즘을 포함할 수 있다.
왜곡 감지 회로부(2010)는 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능(AI)을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 가능성의 척도, 또는 지각가능한, 이의제기 가능한, 또는 측정가능한 왜곡의 정도를 연산하도록 동작가능한 것으로서 구성될 수 있다. 기법은 분류 및 회귀 트리들(판정 트리들로서 또한 알려짐), 일반 최소 제곱 회귀, 가중화된 최소 제곱 회귀, 지원 벡터 회귀, 인공 신경 네트워크, 구간별-선형 회귀, 리지 회귀, 라쏘 회귀, 엘라스틱-네트 회귀, 및 비선형 회귀를 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다. 인공 신경 네트워크는 퍼셉트론, 다층 퍼셉트론, 심층 신뢰 네트워크들, 및 심층 신경 네트워크들을 포함할 수 있지만, 이것으로 제한되지는 않는다. 비선형 회귀는 다항 회귀를 포함할 수 있지만, 이것으로 제한되지는 않는다.
왜곡 감지 회로부(2010)는 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력의 왜곡의 2진 표시자를 연산하도록 동작가능하게 구성될 수 있다. 기법은 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다. 지원 벡터 머신들은 지원 벡터 분류를 포함할 수 있다. 인공 신경 네트워크는 퍼셉트론, 다층 퍼셉트론, 심층 신뢰 네트워크들, 및 심층 신경 네트워크들을 포함할 수 있지만, 이것으로 제한되지는 않는다.
감지 회로부(2010)는 문턱 또는 비교기 디바이스의 이용에 의한 소프트 표시자로부터의 유도를 통해 2진 표시자를 연산하도록 동작가능하게 구성될 수 있다. 대안적으로, 반-2진 또는 반-하드 표시자는 문턱의 이용에 의해 소프트 표시자로부터 유도될 수도 있음으로써, 어떤 문턱 초과/미만인 입력 값들에 대한 개별 표시, 및 어떤 문턱 미만/초과인 입력 값들에 대한 가변적인 표시를 산출할 수도 있다. 이러한 방식으로 유도된 2진 또는 반-2진 표시자의 경우에, 문턱 값(들)을 지나는 소프트 표시자의 오직 간단한 편위들에 대한 개별 표시를 발행하는 것을 회피하기 위하여, 히스테리시스가 채용될 수도 있다.
동적 이득 셀(2015)은 왜곡 감지 회로부(2010)의 출력을 수신하도록 결합될 수 있고, 멀티-대역 또는 멀티-노치 동적 감쇠기(2005)에 의해 감쇠를 수정하기 위한 파라미터들 또는 제어 신호들을 동작적으로 제공하기 위하여 멀티-대역 또는 멀티-노치 동적 감쇠기(2005)에 결합될 수 있다. 왜곡 감지 회로부(2010)의 출력은 베이스 강화(2050)에서의 베이스 강화 파라미터들을 조절하거나 수정하기 위하여 입력을 베이스 강화(2050)에 제공할 수 있는 동적 베이스 파라미터 제어(2055)로 입력될 수 있다.
동적 베이스 파라미터 제어(2055)는 다수의 베이스 강화 파라미터들을 동적으로 수정할 수 있다. 다수의 베이스 강화 파라미터들은, 증폭되는 베이스 주파수 영역 주위의 "범프(bump)"에 의해 명시될 수도 있는, 베이스 강화(2050)의 스윕된-톤 포락선 응답의 피크 진폭, 증폭되는 베이스 주파수 영역의 중심 주파수, 증폭되는 베이스 주파수 영역의 주파수 폭, 베이스 강화(2050)에 의해 삽입된 고조파 에너지의 양, 베이스 강화(2050)에 의해 삽입된 고조파의 최대 차수, 베이스 강화(2050)에 의해 삽입된 고조파 에너지의 최대 주파수, 베이스 강화(2050)에 의해 삽입된 연속적인 고조파들의 기울기를 포함하는, 베이스 강화(2050)에 의해 삽입된 연속적인 고조파들의 형상, 베이스 강화(2050)에 의해 삽입된 홀수-차수에 대한 짝수-차수 고조파들의 비율, 또는 위의 파라미터들의 전부를 상대적인 "저 베이스(low bass)" 설정으로부터 "고 베이스(high bass)" 설정으로 조절하는 임의의 선형 또는 비선형 교차-페이딩(cross-fading) 특성 곡선을 포함할 수 있는 파라미터들의 그룹으로부터 선택될 수도 있다.
왜곡 감지 및 왜곡 감소를 위한 아키텍처들 및 왜곡-인지 고조파 베이스 강화를 위한 아키텍처에서의 다수의 변동들이 구현될 수 있다. 도 16은 적응적이고 동적인 일 예의 감지 및 멀티-노치 모듈(2100)의 실시형태의 블록도이다. 감지 및 멀티-노치 모듈(2100)은, 오디오 신호를 수신하고 출력들을 동역학 프로세싱(2118-1), 동역학 프로세싱(2118-2), 및 동역학 프로세싱(2118-3)의 각각에 제공하는 멀티-대역 분석 필터 뱅크(2116)를 포함할 수 있다. 멀티-대역 분석 필터 뱅크(2116)와 같은 멀티-대역 분석 필터 뱅크는 입력 신호를 상이한 스펙트럼 범위들, 예를 들어, 저 주파수 대역, 중간 주파수 대역, 및 고 주파수 대역으로 분해할 수 있다. 동역학 모듈은 기본적으로, 선택된 주파수 범위에 대해 행해질 수 있는 동적 압축 프로세싱의 형태이다. 동역학 프로세싱(2118-1), 동역학 프로세싱(2118-2), 및 동역학 프로세싱(2118-3)의 각각의 출력들은 멀티-대역 합성 필터 뱅크(2119)로 입력될 수 있다. 멀티-대역 합성 필터 뱅크(2119)는 입력을, 음향 출력에 대한 신호를 제공하기 위하여 필터 프로세싱된 오디오 신호를 제한기(2107)에 제공하는 적응적 노치 모듈(2105)에 제공할 수 있다.
멀티-대역 합성 필터 뱅크(2119)는 또한, 입력을 왜곡 감지 모듈(2110)에 제공할 수 있다. 왜곡 감지 모듈(2110)은 또한, 제한기(2107)로부터 피드백을 수신할 수 있다. 제한기(2107) 및 멀티-대역 합성 필터 뱅크(2119)로부터의 신호들은 왜곡, 및 왜곡을 감소시키기 위한 적응적 노치 모듈(2105)로의 입력을 위한 생성 파라미터들을 결정하기 위하여 왜곡 감지 모듈(2110)에 의해 이용될 수 있다. 왜곡 감지 모듈(2110) 및 적응적 노치 모듈(2105)은 도 3 내지 도 14와 연관된 노치 필터들 및 감지 회로부의 기능들 및/또는 특징들과 유사하거나 동일한 동작들을 수행하기 위한 기능성을 포함할 수 있다.
도 17은 적응적이고 동적인 일 예의 감지 및 멀티-노치 모듈(2200)의 실시형태의 블록도이다. 감지 및 멀티-노치 모듈(2200)은, 오디오 신호를 수신하고 출력들을 동역학 프로세싱(2218-1), 동역학 프로세싱(2218-2), 및 동역학 프로세싱(2218-3)의 각각에 제공하는 멀티-대역 분석 필터 뱅크(2216)를 포함할 수 있다. 동역학 프로세싱(2218-1), 동역학 프로세싱(2218-2), 및 동역학 프로세싱(2218-3)의 각각의 출력들은 멀티-대역 합성 필터 뱅크(2119)로 입력될 수 있다. 멀티-대역 합성 필터 뱅크(2219)는 입력을, 음향 출력에 대한 신호를 제공하기 위하여 필터 프로세싱된 오디오 신호를 제한기(2207)에 제공하는 적응적 노치 모듈(2205)에 제공할 수 있다.
멀티-대역 합성 필터 뱅크(2219)는 또한, 입력을 멀티-대역 레벨 관리 및 왜곡 감지 모듈(2210)에 제공할 수 있다. 멀티-대역 레벨 관리 및 왜곡 감지 모듈(2210)은 또한, 동역학 프로세싱(2218-1), 동역학 프로세싱(2218-2), 및 동역학 프로세싱(2218-3)의 각각으로 보내지는 멀티-대역 분석 필터 뱅크(2216)로부터의 출력들을 수신할 수 있다. 추가적으로, 멀티-대역 레벨 관리 및 왜곡 감지 모듈(2210)은 제한기(2207)로부터 피드백을 수신할 수 있다. 제한기(2207), 멀티-대역 합성 필터 뱅크(2219)로부터의 신호들 및 멀티-대역 분석 필터 뱅크(2216)로부터의 출력들은 왜곡, 및 왜곡을 감소시키기 위한 적응적 노치 모듈(2205)로의 입력을 위한 생성 파라미터들을 결정하기 위하여 멀티-대역 레벨 관리 및 왜곡 감지 모듈(2210)에 의해 이용될 수 있다. 추가적으로, 멀티-대역 레벨 관리 및 왜곡 감지 모듈(2210)은 동역학 프로세싱(2218-1), 동역학 프로세싱(2218-2), 및 동역학 프로세싱(2218-3)을 위한 파라미터들을 제공하기 위하여 이 입력들을 이용할 수 있다. 멀티-대역 레벨 관리 및 왜곡 감지 모듈(2210) 및 적응적 노치 모듈(2205)은 도 3 내지 도 16과 연관된 노치 필터들 및 감지 회로부의 기능들 및/또는 특징들과 유사하거나 동일한 동작들을 수행하기 위한 기능성을 포함할 수 있다.
도 18은 적응적이고 동적인 일 예의 감지 및 멀티-노치 모듈(2400)의 실시형태의 블록도이다. 감지 및 멀티-노치 모듈(2400)은, 오디오 신호를 수신하고 출력들을 동역학 프로세싱(2418-1), 동역학 프로세싱(2418-2), 및 동역학 프로세싱(2418-3)의 각각에 제공하는 멀티-대역 분석 필터 뱅크(2416)를 포함할 수 있다. 동역학 프로세싱(2418-1), 동역학 프로세싱(2418-2), 및 동역학 프로세싱(2418-3)의 각각의 출력들은 멀티-대역 합성 필터 뱅크(2419)를 위하여 입력된다. 멀티-대역 합성 필터 뱅크(2419)는 입력을, 음향 출력에 대한 신호를 제공하기 위하여 필터 프로세싱된 오디오 신호를 제한기(2407)에 제공하는 적응적 노치 모듈(2405)에 제공할 수 있다.
멀티-대역 합성 필터 뱅크(2419)는 또한, 입력을 왜곡 감지 모듈(2410)에 제공할 수 있다. 멀티-대역 합성 필터 뱅크(2419)로부터의 신호들은 왜곡, 및 왜곡을 감소시키기 위한 적응적 노치 모듈(2405)로의 입력을 위한 생성 파라미터들을 결정하기 위하여 왜곡 감지 모듈(2410)에 의해 이용될 수 있다. 이 아키텍처에서, 제한기(2407)로부터의 신호는 왜곡 감지 모듈(2410)로 피드백되지 않는다. 왜곡 감지 모듈(2410) 및 적응적 노치 모듈(2405)은 도 3 내지 도 17과 연관된 노치 필터들 및 감지 회로부의 기능들 및/또는 특징들과 유사하거나 동일한 동작들을 수행하기 위한 기능성을 포함할 수 있다.
도 19는 적응적이고 동적인 일 예의 감지 및 멀티-노치 모듈(2500)의 실시형태의 블록도이다. 감지 및 멀티-노치 모듈(2500)은, 오디오 신호를 수신하고 출력들을 동역학 프로세싱(2518-1), 동역학 프로세싱(2518-2), 및 동역학 프로세싱(2518-3)의 각각에 제공하는 멀티-대역 분석 필터 뱅크(2516)를 포함할 수 있다. 동역학 프로세싱(2518-1), 동역학 프로세싱(2518-2), 및 동역학 프로세싱(2518-3)의 각각의 출력들은 멀티-대역 합성 필터 뱅크(2519)를 위하여 입력된다. 멀티-대역 합성 필터 뱅크(2519)는 입력을 적응적 노치 모듈(2505)에 제공할 수 있고, 여기서, 노치 모듈(2505)은 음향 출력에 대한 신호를 제공하기 위하여 필터 프로세싱된 오디오 신호를 제한기(2507)에 제공한다.
제한기(2507)의 출력은 또한, 왜곡 감지 모듈(2510)에 피드백될 수 있다. 제한기(2507)로부터의 피드백 신호는 왜곡, 및 왜곡을 감소시키기 위한 적응적 노치 모듈(2505)로의 입력을 위한 생성 파라미터들을 결정하기 위하여 왜곡 감지 모듈(2510)에 의해 이용될 수 있다. 왜곡 감지 모듈(2510) 및 적응적 노치 모듈(2505)은 도 3 내지 도 18과 연관된 노치 필터들 및 감지 회로부의 기능들 및/또는 특징들과 유사하거나 동일한 동작들을 수행하기 위한 기능성을 포함할 수 있다.
도 20은 적응적이고 동적인 일 예의 감지 및 멀티-노치 모듈(2600)의 실시형태의 블록도이다. 감지 및 멀티-노치 모듈(2600)은, 오디오 신호를 수신하고 출력들을 동역학 프로세싱(2618-1), 동역학 프로세싱(2618-2), 및 동역학 프로세싱(2618-3)의 각각에 제공하는 멀티-대역 분석 필터 뱅크(2616)를 포함할 수 있다. 동역학 프로세싱(2618-1), 동역학 프로세싱(2618-2), 및 동역학 프로세싱(2618-3)의 각각의 출력들은 멀티-대역 합성 필터 뱅크(2619)를 위하여 입력된다. 멀티-대역 합성 필터 뱅크(2619)는 입력을, 필터 프로세싱된 오디오 신호를 제한기(2607)에 제공하는 적응적 노치 모듈(2605)에 제공할 수 있다. 제한기(2607)의 출력은 증폭기(2669)에 입력될 수 있고, 증폭기(2669)의 출력은 음향 출력에 대한 신호를 제공한다.
멀티-대역 합성 필터 뱅크(2619)는 또한, 입력을 왜곡 감지 모듈(2610)에 제공할 수 있다. 왜곡 감지 모듈(2610)은 또한, 제한기(2607)로부터의 피드백 및 증폭기(2669)로부터의 피드백을 수신할 수 있다. 증폭기(2669), 제한기(2607), 및 멀티-대역 합성 필터 뱅크(2619)로부터의 신호들은 왜곡, 및 왜곡을 감소시키기 위한 적응적 노치 모듈(2605)로의 입력을 위한 생성 파라미터들을 결정하기 위하여 왜곡 감지 모듈(2610)에 의해 이용될 수 있다. 왜곡 감지 모듈(2610) 및 적응적 노치 모듈(2605)은 도 3 내지 도 19와 연관된 노치 필터들 및 감지 회로부의 기능들 및/또는 특징들과 유사하거나 동일한 동작들을 수행하기 위한 기능성을 포함할 수 있다.
도 21은 스피커로부터 생성된 음향 출력에 대한 왜곡을 감지하고 왜곡을 감소시키는 일 예의 방법(2101)의 실시형태의 특징들의 흐름도이다. 2102에서, 오디오 신호 소스로부터의 신호는 스피커에서 수신된다. 2103에서, 신호는 감지 회로부에서 수신된다. 2104에서, 신호에 대한 통계들은 감지 회로부에서 생성된다. 감지 회로부에서 신호에 대한 통계들을 생성하는 것은 디지털 신호 프로세서에서 구현될 수 있다. 통계들을 생성하는 것은 스피커의 출력에서의 왜곡의 가능성을 측정하거나 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하는 것을 포함할 수 있다.
2106에서, 신호는 생성된 통계들에 기초하여 수정되고, 수정된 신호를 스피커로 보낸다. 2108에서, 음향 출력은 수신된 수정된 신호에 기초하여 스피커로부터 생성된다.
방법(2101)의 변형들 또는 방법(2101)과 유사한 방법들은 이러한 방법들의 응용 및/또는 이러한 방법들이 구현될 수 있는 시스템들의 아키텍처에 따라 조합될 수도 있는 다수의 상이한 실시형태들을 포함할 수 있다. 이러한 방법들은 감지 회로부에서, 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 2진 표시자를 연산하는 것을 포함할 수 있다. 기법을 이용하는 것은 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용하는 것을 포함한다. 방법(2101)의 변형들 또는 방법(2101)과 유사한 방법들은 감지 회로부에서, 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 가능성, 또는 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자를 연산하는 것을 포함할 수 있다.
방법(2101)의 변형들 또는 방법(2101)과 유사한 방법들은 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한 임펄스 응답(FIR) 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들을 가지는 감지 회로부를 이용하는 것을 포함하기 위하여 감지 회로부에서 신호에 대한 통계들을 생성하는 것을 포함할 수 있다. 이러한 방법들은 감지 회로부에서, 다수의 IIR 또는 FIR 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들로부터의 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 다수의 대역-통과 및/또는 동적 스펙트럼 분석 필터들의 모든 대역들에 걸친 에너지로부터 연산된 하나 이상의 통계들로서 추정하는 것, 및 필터링된 신호의 전체 에너지를 측정하는 것을 포함할 수 있다. 하나 이상의 통계들은 에너지의 중위, 평균, 산술 평균, 기하 평균, 최대, 에너지의 최소, 및 n이 선택된 양의 정수인, 연산된 모든 대역-통과 에너지들 사이의 n 번째 가장 큰 에너지의 에너지를 포함하는 통계들의 그룹으로부터의 하나 이상의 통계들을 포함할 수 있다. 방법(2101)의 변형들 또는 방법(2101)과 유사한 방법들은 감지 회로부에서, 시간-변동 에너지로서 에너지를 연산하는 것, 또는 전체-대역 오디오 신호의 포락선을 연산하는 것을 포함할 수 있다.
도 22은 스피커로부터 생성된 음향 출력에 대한 왜곡을 감지하고 왜곡을 감소시키는 일 예의 방법(2201)의 실시형태의 특징들의 흐름도이다. 2202에서, 멀티-노치 필터가 신호에 적용되고, 여기서, 신호는 음향 출력을 생성하기 위하여 제공된다. 2204에서, 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하는 필터링된 신호는 감지 회로부에서 수신되고, 필터링된 신호에 대한 통계들은 감지 회로부를 이용하여 생성된다. 통계들을 생성하는 것은 스피커의 출력에서의 왜곡의 가능성을 측정하는 통계들을 생성하는 것을 포함할 수 있다. 감지 회로부를 이용하는 것은 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한 임펄스 응답(FIR) 대역통과 필터들 및/또는 동적 스펙트럼 분석 필터들을 이용하는 것을 포함할 수 있다. 감지 회로부를 이용하는 것은 다수의 IIR 또는 FIR 대역통과 필터들 및/또는 동적 스펙트럼 분석 필터들의 모든 대역들에 걸친 에너지의 평균으로서, 필터링된 신호에서의 왜곡 활성화 에너지의 양을 추정하는 것, 및 필터링된 신호의 전체 에너지를 측정하는 것을 포함할 수 있다.
2206에서, 멀티-노치 필터의 심도는 감지 회로부로부터 통계들을 수신하도록 결합된 동적 이득 셀을 이용하여 통계들에 기초하여 수정된다. 동적 이득 셀을 이용하는 것은 하나 이상의 통계들에 기초하여 멀티-노치 필터의 심도를 조절하기 위한 이득을 제공하는 것을 포함한다. 동적 이득 셀을 이용하여 멀티-노치 필터의 심도를 수정하는 것은 측정된 전체 에너지에 대한 평균의 비율에 기초하여 멀티-노치 필터의 심도를 조절하는 것을 포함할 수 있다. 2208에서, 필터링된 신호는 스피커에서 수신되고, 음향 출력은 스피커로부터 생성된다. 멀티-노치 필터에 의해 프로세싱된 필터링된 신호를 수신하는 것, 필터링된 신호에 대한 통계들을 생성하는 것, 및 멀티-노치 필터의 심도를 수정하는 것은 디지털 신호 프로세서에서 구현될 수 있다.
방법(2201)의 변형들 또는 방법(2201)과 유사한 방법들은 감지 회로부에서, 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 가능성의 척도를 연산하는 것을 포함할 수 있다. 이러한 변형들은 감지 회로부에서, 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 2진 표시자를 연산하는 것을 포함할 수 있다.
방법(2201)의 변형들 또는 방법(2201)과 유사한 방법들은 베이스 강화 회로부에 의한 프로세싱으로부터 기인하는 베이스 프로세싱된 신호로서, 신호를 멀티-노치 필터에 제공하는 것을 포함하기 위하여, 멀티-노치 필터를 신호에 적용하는 것을 포함할 수 있다. 베이스 강화 회로부에 의한 프로세싱은 감지 회로부를 이용하여 베이스 프로세싱된 신호에 대한 통계들을 생성하는 것; 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들을 생성하는 것; 및 멀티-노치 필터에 적용된 신호에 대한 베이스 강화를 제공하기 위하여 파라미터들을 이용하는 것을 포함할 수 있다.
도 23은 오디오 신호들에 대한 왜곡-인지 고조파 베이스 강화를 구현하는 일 예의 방법(2301)의 실시형태의 특징들의 흐름도이다. 2302에서, 신호는 베이스 강화 회로부에서 수신되고, 여기서, 신호는 음향 출력을 생성하기 위하여 제공된다. 2304에서, 베이스 강화 회로부에 의해 수신되고 프로세싱된 신호에 대응하는 베이스 강화된 신호는 감지 회로부에서 수신되고, 베이스 강화된 신호에 대한 통계들은 감지 회로부를 이용하여 생성된다. 베이스 강화 회로부에 의한 프로세싱은 선형 필터링에 기초한 베이스 강화 및 오디오 컨텐츠를 보유하는 신호의 추가적인 고조파들의 삽입 및/또는 생성에 기초한 베이스 강화를 포함하는 그룹으로부터 선택된 하나 이상의 베이스 강화들을 수행하는 것을 포함할 수 있다. 베이스 강화 회로부에 의한 프로세싱은 수신된 신호에 추가된 고조파 에너지의 양을 변동시키기 위하여 사전-차단 필터링 및 사후-차단 필터링과 함께, 튜닝가능한 비대칭적 비선형성을 채용하는 적응적 고조파 베이스 강화 회로부를 이용하는 것을 포함할 수 있다. 통계들을 생성하는 것은 스피커의 출력에서의 왜곡의 가능성, 또는 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하는 것을 포함할 수 있다.
2306에서, 파라미터들은 베이스 프로세싱된 신호에 대한 통계들에 기초하여 생성되고, 파라미터들은 베이스 강화를 베이스 강화 회로부에 적용된 신호에 제공하기 위하여 이용된다. 베이스 강화를 제공하기 위하여 파라미터들을 이용하는 것은 베이스 진폭 및 베이스 고조파 레벨을 제어하기 위한 파라미터들을 제공하는 것을 포함할 수 있다. 2308에서, 베이스 강화된 신호는 스피커에서 수신되고, 음향 출력은 스피커로부터 생성된다.
방법(2301)의 변형들 또는 방법(2301)과 유사한 방법들은 이러한 방법들의 응용 및/또는 이러한 방법들이 구현되는 시스템들의 아키텍처에 따라 조합될 수도 있는 다수의 상이한 실시형태들을 포함할 수 있다. 방법(2301)의 변형들 또는 방법(2301)과 유사한 방법들은 감지 회로부에서, 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 2진 표시자를 연산하는 것을 포함할 수 있다. 기법을 이용하는 것은 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용하는 것을 포함할 수 있다.
방법(2301)의 변형들 또는 방법(2301)과 유사한 방법들은 감지에서, 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 가능성, 또는 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자를 연산하는 것을 포함할 수 있다. 기법을 이용하는 것은 분류 및 회귀 트리들, 일반 최소 제곱 회귀, 가중화된 최소 제곱 회귀, 지원 벡터 회귀, 인공 신경 네트워크, 구간별-선형 회귀, 리지 회귀, 라쏘 회귀, 엘라스틱-네트 회귀, 및 비선형 회귀를 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용하는 것을 포함할 수 있다. 이러한 방법들은 문턱 디바이스 또는 비교기 디바이스의 이용에 의해 소프트 표시자로부터 2진 표시자를 유도하는 것을 포함할 수 있다.
방법(2301)의 변형들 또는 방법(2301)과 유사한 방법들은 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한 임펄스 응답(FIR) 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들을 가지는 감지 회로부를 이용하는 것을 포함할 수 있다. 이러한 방법들은 감지 회로부에서, 다수의 IIR 또는 FIR 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들로부터의 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 다수의 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들의 모든 대역들에 걸친 에너지로부터 연산된 하나 이상의 통계들로서 추정하는 것, 및 필터링된 신호의 전체 에너지를 측정하는 것을 포함할 수 있다. 하나 이상의 통계들은 에너지의 중위, 평균, 산술 평균, 기하 평균, 최대, 에너지의 최소, 및 n이 선택된 양의 정수인, 연산된 모든 대역-통과 에너지들 사이의 n 번째 가장 큰 에너지의 에너지를 포함하는 통계들의 그룹으로부터의 하나 이상의 통계들을 포함할 수 있다.
도 24는 오디오 신호들에 대한 왜곡 감지, 왜곡 감소, 및 왜곡-인지 고조파 베이스 강화를 구현하는 일 예의 방법(2401)의 실시형태의 특징들의 흐름도이다. 2402에서, 신호는 베이스 강화 회로부에서 수신되고 베이스 강화된 신호가 생성되고, 신호는 음향 출력을 생성하기 위하여 제공된다. 2403에서, 베이스 강화된 신호 또는 베이스 강화된 신호의 프로세싱된 형태는 멀티-노치 필터에서 수신되고, 멀티-노치 필터는 필터링된 베이스 강화된 신호를 제공하도록 배열된다. 2404에서, 베이스 강화 회로부 및 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하거나 음향 출력에 대응하는 필터링된 베이스 강화된 신호는 감지 회로부에서 수신되고, 필터링된 베이스 강화된 신호에 대한 통계들은 감지 회로부를 이용하여 생성된다. 2406에서, 베이스 파라미터 제어기에서는, 필터링된 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들이 생성되고, 파라미터들은 베이스 강화를 베이스 강화 회로부에 적용된 신호에 제공하기 위하여 이용된다. 감지 회로부로부터의 통계들은 동적 이득 셀에서 수신될 수 있고, 멀티-노치 필터의 심도는 수신된 통계들에 기초하여 동적 이득 셀을 이용하여 수정될 수 있다. 필터링된 베이스 강화된 신호는 수정된 심도를 가지는 멀티-노치 필터로부터 생성될 수 있다. 2408에서, 필터링된 베이스 강화된 신호는 스피커에서 수신되고, 음향 출력은 스피커로부터 생성된다.
방법(2401)의 변형들 또는 방법(2401)과 유사한 방법들은 이러한 방법들의 응용 및/또는 이러한 방법들이 구현될 수 있는 시스템들의 아키텍처에 따라 조합될 수도 있는 다수의 상이한 실시형태들을 포함할 수 있다. 이러한 방법들은 디지털 신호 프로세서에서 베이스 강화 회로부, 감지 회로부, 베이스 파라미터 제어기, 멀티-노치 필터, 및 동적 이득 셀을 동작시키는 것을 포함할 수 있다. 이러한 방법들은 멀티-노치 필터의 출력을 증폭시키고 및/또는 사후-프로세싱하는 것, 및 멀티-노치 필터의 증폭되고 및/또는 사후-프로세싱된 출력을 스피커에 제공하는 것을 포함할 수 있다. 이러한 방법들은 또한, 베이스 강화된 신호를 오디오 프로세싱하는 것, 및 오디오 프로세싱된 베이스 강화된 신호를 멀티-노치 필터에 제공하는 것을 포함할 수도 있다. 방법(2401)의 특징들은 방법(2101, 2201, 또는 2301)의 특징들과 조합될 수 있다. 추가적으로, 본원에서 교시된 바와 같은 특징들은 방법(2101), 방법(2201), 방법(2301), 방법(2401)과, 방법(2101), 방법(2201), 방법(2301), 및 방법(2401)의 조합들과, 그리고 그 변형들과 조합될 수 있다.
도 25는 본원에서 교시된 기법들에 따른, 왜곡 감지, 방지, 및 왜곡-인지 베이스 강화에 대하여 동작하도록 배열된 일 예의 오디오 시스템(2900)의 실시형태의 블록도이다. 오디오 시스템(2900)은 입력 디바이스(2901), 및 입력 오디오 신호를 수신하기 위하여, 그리고 음향 출력 신호의 생성을 제어하기 위한 입력 오디오 신호에 대해 동작하기 위하여, 입력 디바이스(2901)에 동작적으로 결합된 프로세싱 디바이스(2912)를 포함할 수 있다. 입력 디바이스(2901)는 DVD 플레이어, 블루-레이(blu-ray) 디바이스, TV 튜너, CD 플레이어, 핸드헬드 플레이어, 인터넷 오디오/비디오, 게이밍 콘솔, 또는 오디오 생성을 위한 신호를 제공하는 다른 디바이스와 같은 오디오의 하나 이상의 소스들을 포함할 수 있다. 입력 디바이스(2901)는 하나 이상의 신호들에 대한 입력의 소스를 프로세싱 디바이스(2912)에 제공하는 노드 또는 노드들의 세트일 수도 있다. 출력 오디오 신호는 스피커들과 같은 오디오 출력 디바이스(2925)로 송신될 수도 있다. 스피커들은 스테레오 스피커들, 서라운드 사운드 스피커들, 헤드셋 스피커들, 마이크로-라우드스피커들, 또는 다른 유사한 오디오 출력 디바이스일 수도 있다.
프로세싱 디바이스(2912)는 본원에서 교시된 바와 같은 오디오 생성을 위한 신호들에 대해 동작하는 것과 연관된 기능들을 실행하고 및/또는 제어하기 위하여 다양한 머신 수단들에 의해 실현될 수 있다. 이러한 머신 수단들은 범용 프로세서, 하나 이상의 프로세싱 디바이스들을 가지는 컴퓨팅 디바이스, DSP, ASIC, 필드 프로그래밍가능 게이트 어레이(field programmable gate array; FPGA) 또는 다른 프로그래밍가능 로직 디바이스, 개별 게이트 또는 트랜지스터 로직, 개별 하드웨어 컴포넌트들, 또는 본원에서 설명된 기능들을 수행하도록 설계된 그 임의의 조합과 같은, 그러나 이것으로 제한되지는 않는 하나 이상의 디바이스들을 포함할 수 있다. 범용 프로세서 및 프로세싱 디바이스는 마이크로프로세서일 수 있지만, 대안적으로, 프로세서는 제어기, 마이크로제어기, 또는 상태 머신, 그 조합들 등일 수 있다. 프로세서는 또한, DSP 및 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 함께 하나 이상의 마이크로프로세서들, 또는 임의의 다른 이러한 구성의 조합과 같은, 컴퓨팅 디바이스들의 조합으로서 구현될 수 있다. 프로세싱 디바이스(2912)는 프로세싱 디바이스들의 세트에 의해 실현될 수도 있고, 여기서, 세트는 하나 이상의 프로세싱 디바이스들을 가진다. 프로세싱 디바이스들의 세트는 집적 회로들의 세트를 포함할 수도 있다. 프로세시 디바이스(2912)는 본원에서 교시된 바와 같은 프로세싱을 위한 명령들 및 데이터를 저장하는 하나 이상의 저장 디바이스들(2517)에 동작적으로 결합될 수도 있다. 저장 디바이스들(2517)은 다수의 머신-판독가능 저장 디바이스들에 의해 실현될 수 있다.
프로세싱 디바이스(2912)는 신호 - 신호는 음향 출력을 생성하기 위하여 제공됨 - 를 멀티-노치 필터에 적용하고; 감지 회로부에서, 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하는 필터링된 신호를 수신하고 감지 회로부를 이용하여 필터링된 신호에 대한 통계들을 생성하고; 감지 회로부로부터 통계들을 수신하도록 결합된 동적 이득 셀을 이용하여, 통계들에 기초하여 멀티-노치 필터의 심도를 수정하고; 그리고 스피커에서 필터링된 신호를 수신하고 스피커로부터 음향 출력을 생성하도록 구성될 수 있다. 통계들의 생성은 스피커의 출력에서의 왜곡의 가능성을 측정하는 통계들을 생성하는 것을 포함할 수 있다. 감지 회로부의 이용은 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한-임펄스 응답 대역통과 필터들 및/또는 동적 스펙트럼 분석 필터들을 이용하는 것을 포함할 수 있다. 감지 회로부의 이용은 다수의 IIR 또는 FIR 대역통과 필터들 및/또는 동적 스펙트럼 분석 필터들의 모든 대역들에 걸친 에너지의 평균으로서, 필터링된 신호에서의 왜곡 활성화 에너지의 양의 추정, 및 필터링된 신호의 전체 에너지를 측정하는 것을 포함할 수 있다.
다양한 실시형태들에서, 프로세싱 디바이스(2912)는 베이스 강화 회로부에 의한 프로세싱으로부터 기인하는 베이스 프로세싱된 신호로서, 신호를 멀티-노치 필터에 적용하도록 구성될 수 있다. 베이스 강화 회로부에 의한 프로세싱은 감지 회로부를 이용하여 베이스 프로세싱된 신호에 대한 통계들을 생성하고; 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들을 생성하고; 그리고 멀티-노치 필터에 적용된 신호에 대한 베이스 강화를 제공하기 위하여 파라미터들을 이용하기 위한 동작들을 포함할 수 있다.
다양한 실시형태들에서, 프로세싱 디바이스(2912)는 베이스 강화 회로부에서 신호 - 신호는 음향 출력을 생성하기 위하여 제공됨 - 를 수신하고; 감지 회로부에서, 베이스 강화 회로부에 의해 수신되고 프로세싱된 신호에 대응하는 베이스 강화된 신호를 수신하고, 감지 회로부를 이용하여 베이스 강화된 신호에 대한 통계들을 생성하고; 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들을 생성하고, 베이스 강화를 베이스 강화 회로부에 적용된 신호에 제공하기 위하여 파라미터들을 이용하고; 그리고 스피커에서 베이스 강화된 신호를 수신하고, 스피커로부터 음향 출력을 생성하도록 구성될 수 있다. 베이스 강화를 제공하기 위하여 이용된 파라미터들의 세트는 베이스 진폭 및 베이스 고조파 레벨을 제어하기 위한 파라미터들을 포함할 수 있다. 통계들의 생성은 스피커의 출력에서의 왜곡의 가능성을 측정하는 통계들의 생성을 포함할 수 있다.
베이스 강화 회로부에 의한 프로세싱은 선형 필터링에 기초한 베이스 강화 및 오디오 컨텐츠를 보유하는 신호의 추가적인 고조파들의 삽입 및/또는 생성에 기초한 베이스 강화를 포함하는 그룹으로부터 선택된 하나 이상의 베이스 강화들을 수행하는 것을 포함할 수 있다. 베이스 강화 회로부에 의한 프로세싱은 수신된 신호에 추가된 고조파 에너지의 양을 변동시키기 위하여 사전-차단 필터링 및 사후-차단 필터링과 함께, 튜닝가능한 비대칭적 비선형성을 채용하는 적응적 고조파 베이스 강화 회로부를 이용하는 것을 포함할 수 있다.
프로세싱 디바이스(2912)는 왜곡 감지, 방지, 및/또는 왜곡-인지 베이스 강화를 제공하도록 구성될 수 있다. 프로세싱 디바이스(2912)는 왜곡을 감지하고 왜곡을 감소시키기 위한 기능들을 제공하기 위하여 본원에서 교시된 바와 같은 특징들 및 이 특징들의 변형들을 포함할 수 있다. 프로세싱 디바이스(2912)는 왜곡-인지 베이스 강화를 위한 기능들을 제공하기 위하여 본원에서 교시된 바와 같은 특징들 및 이 특징들의 변형들을 포함할 수 있다. 특징들의 조합들은 프로세싱 디바이스(2912)에서 편입될 수 있다.
다양한 실시형태들에 따르면, 제 1 예의 시스템은 오디오 신호 소스로부터 수신를 수신하고 수신된 신호에 기초하여 음향 출력을 생성하도록 배열된 스피커; 및 신호를 수신하고, 스피커에 의해 수신된 신호를 수정하기 위하여 신호에 대한 통계들을 생성하도록 결합된 감지 회로부를 포함할 수 있다.
임의적으로, 선행하는 제 1 예의 시스템에 따르면, 또 다른 구현예는 감지 회로부가 디지털 신호 프로세서에서 구현되는 것을 규정한다.
임의적으로, 제 1 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 스피커의 출력에서의 왜곡의 가능성을 측정하거나, 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 1 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 2진 표시자를 연산하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 1 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 기법이 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다는 것을 규정한다.
임의적으로, 제 1 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 가능성, 또는 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자를 연산하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 1 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한 임펄스 응답(FIR) 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들을 포함할 수 있다는 것을 규정한다.
임의적으로, 제 1 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 다수의 IIR 또는 FIR 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들로부터의 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 다수의 대역-통과 필터들의 모든 대역들에 걸친 에너지로부터 연산된 하나 이상의 통계들로서 추정하기 위한 회로부를 포함할 수 있고, 필터링된 신호의 전체 에너지를 측정하기 위한 회로부를 포함한다는 것을 규정한다.
임의적으로, 제 1 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 하나 이상의 통계들이 에너지의 중위, 평균, 산술 평균, 기하 평균, 최대, 에너지의 최소, 및 n이 선택된 양의 정수인, 연산된 모든 대역-통과 에너지들 사이의 n 번째 가장 큰 에너지의 에너지를 포함하는 통계들의 그룹으로부터의 하나 이상의 통계들을 포함할 수 있다는 것을 규정한다.
임의적으로, 제 1 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 에너지를 시간-변동 에너지로서 연산하거나 전체-대역 오디오 신호의 포락선을 연산하도록 배열될 수 있다는 것을 규정한다.
다양한 실시형태들에 따르면, 제 1 예의 방법은 스피커에서 오디오 신호 소스로부터 신호를 수신하는 것; 감지 회로부에서 신호를 수신하는 것; 감지 회로부에서 신호에 대한 통계들을 생성하는 것; 생성된 통계들에 기초하여 신호를 수정하고 수정된 신호를 스피커로 보내는 것; 및 스피커로부터, 수신된 수정된 신호에 기초하여 음향 출력을 생성하는 것을 포함할 수 있다.
임의적으로, 선행하는 제 1 예의 방법에 따르면, 다른 구현예들은 제 1 예의 시스템에 따른 선행하는 예들 중의 임의의 것을 실행하는 것과 연관된 동작들을 제공할 수 있다.
다양한 실시형태들에 따르면, 하나 이상의 프로세서들에 의해 실행될 때, 시스템으로 하여금, 스피커에서 오디오 신호 소스로부터 신호를 수신하고; 감지 회로부에서 신호를 수신하고; 감지 회로부에서 신호에 대한 통계들을 생성하고; 생성된 통계들에 기초하여 신호를 수정하고 수정된 신호를 스피커로 보내고; 그리고 스피커로부터, 수신된 수정된 신호에 기초하여 음향 출력을 생성하는 동작들을 수행하게 하는 컴퓨터 명령들을 저장하는 제 1 예의 비-일시적(non-transitory) 컴퓨터-판독가능 매체가 제공된다.
임의적으로, 컴퓨터 명령들을 저장하는 선행하는 제 1 예의 비-일시적 컴퓨터-판독가능 매체에 따르면, 다른 구현예들은 제 1 예의 방법 및/또는 제 1 예의 시스템에 따른 선행하는 예들 중의 임의의 것을 실행하는 것과 연관된 동작들을 제공할 수 있다.
다양한 실시형태들에 따르면, 제 2 예의 시스템은 음향 출력을 생성하기 위한 신호를 수신하도록 배열된 멀티-노치 필터; 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하거나 스피커에 의해 출력된 신호에 대응하는 필터링된 신호를 수신하고, 필터링된 신호에 대한 통계들을 생성하도록 결합된 감지 회로부; 감지 회로부로부터 통계들을 수신하도록 결합되고, 멀티-노치 필터의 심도를 동작적으로 수정하기 위하여 멀티-노치 필터에 결합된 동적 이득 셀; 및 음향 출력을 생성하기 위한 필터링된 신호를 수신하기 위한 스피커를 포함할 수 있다.
임의적으로, 선행하는 제 2 예의 시스템에 따르면, 또 다른 구현예는 감지 회로부 및 다른 모듈들이 DSP에서 구현될 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 스피커의 출력에서의 왜곡의 가능성, 또는 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 2진 표시자를 연산하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 왜곡된 오디오 세그먼트들의 후미 부분이 상실되는 상황들을 회피하기 위하여, 가변적인 행오버 시간(hangover time)이 2진 표시자에 제공될 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 왜곡된 오디오 세그먼트들의 선두 부분이 상실되는 상황들을 회피하기 위하여, 가변적인 행-비포(hang-before) 시간이 (멀티-노치 프로세싱을 위하여 편입된 상응하는 룩-어헤드(look-ahead) 또는 프로세싱 지연을 갖는) 2진 표시자에 제공될 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 기법이 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 가능성, 또는 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자를 연산하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 기법이 분류 및 회귀 트리들, 일반 최소 제곱 회귀, 가중화된 최소 제곱 회귀, 지원 벡터 회귀, 인공 신경 네트워크, 구간별-선형 회귀, 리지 회귀, 라쏘 회귀, 엘라스틱-네트 회귀, 및 비선형 회귀를 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 2진 표시자는 문턱 또는 비교기 디바이스의 이용에 의해 소프트 표시자로부터 유도될 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 반-2진 또는 반-하드 표시자가 문턱의 이용에 의해 소프트 표시자로부터 유도될 수 있음으로써, 어떤 문턱 초과/미만인 입력 표시자 값들에 대한 일정한 표시, 및 어떤 문턱 미만/초과인 입력 표시자 값들에 대한 가변적인 표시를 산출할 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 문턱 값(들)을 지나는 소프트 표시자의 오직 간단한 편위들에 대한 2진 표시를 발행하는 것을 회피하기 위하여, 히스테리시스가 2진 또는 반-2진 표시자의 하드 값(hard value)들의 유도에서 편입될 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한 임펄스 응답(FIR) 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들을 포함한다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 다수의 대역-통과 필터들의 모든 대역들에 걸친 에너지로부터 연산된 통계로서 추정하기 위한 회로부를 포함할 수 있고, 필터링된 신호의 전체 에너지를 측정하기 위한 회로부를 포함할 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 중위일 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 평균일 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 평균이 산술 평균일 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 평균이 기하 평균일 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 최대일 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 최소일 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 연산된 모든 대역-통과 에너지들 사이에서 n 번째 가장 큰 에너지의 에너지일 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 전체-대역 오디오 신호의 시간-변동 에너지 또는 포락선을 연산할 수 있다는 것을 규정한다.
임의적으로, 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 전체-대역 오디오 신호의 시간-변동 에너지 또는 포락선의 포락선으로부터 연산된 후속 통계 및 통계에 기초하여 멀티-노치 필터의 심도를 조절하기 위한 이득을 제공하도록 배열될 수 있다는 것을 규정한다.
다양한 실시형태들에 따르면, 제 2 예의 방법은 멀티-노치 필터를 신호 - 신호는 음향 출력을 생성하기 위하여 제공됨 - 에 적용하는 것; 감지 회로부에서, 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하거나 음향 출력에 대응하는 필터링된 신호를 수신하고, 감지 회로부를 이용하여 필터링된 신호에 대한 통계들을 생성하는 것; 감지 회로부로부터 통계들을 수신하도록 결합된 동적 이득 셀을 이용하여, 통계들에 기초하여 멀티-노치 필터의 심도를 수정하는 것; 및 스피커에서 필터링된 신호를 수신하고 스피커로부터 음향 출력을 생성하는 것을 포함할 수 있다.
임의적으로, 선행하는 제 2 예의 방법에 따르면, 다른 구현예들은 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것을 실행하는 것과 연관된 동작들을 제공할 수 있다.
다양한 실시형태들에 따르면, 하나 이상의 프로세서들에 의해 실행될 때, 시스템으로 하여금, 멀티-노치 필터를 신호 - 신호는 음향 출력을 생성하기 위하여 제공됨 - 에 적용하고; 감지 회로부에서, 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하거나 음향 출력에 대응하는 필터링된 신호를 수신하고, 감지 회로부를 이용하여 필터링된 신호에 대한 통계들을 생성하고; 감지 회로부로부터 통계들을 수신하도록 결합된 동적 이득 셀을 이용하여, 통계들에 기초하여 멀티-노치 필터의 심도를 수정하고; 그리고 스피커에서 필터링된 신호를 수신하고 스피커로부터 음향 출력을 생성하는 동작들을 수행하게 하는 컴퓨터 명령들을 저장하는 제 2 예의 비-일시적 컴퓨터-판독가능 매체가 제공된다.
임의적으로, 컴퓨터 명령들을 저장하는 선행하는 제 2 예의 비-일시적 컴퓨터-판독가능 매체에 따르면, 다른 구현예들은 제 2 예의 방법 및/또는 제 2 예의 시스템에 따른 선행하는 예들 중의 임의의 것을 실행하는 것과 연관된 동작들을 제공할 수 있다.
다양한 실시형태들에 따르면, 제 3 예의 시스템은 음향 출력을 생성하기 위한 신호를 수신하도록 배열된 멀티-노치 필터; 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하거나 스피커에 의해 출력된 신호에 대응하는 필터링된 신호를 수신하고, 필터링된 신호에 대한 통계들을 생성하도록 결합된 감지 회로부; 감지 회로부로부터 통계들을 수신하도록 결합되고, 멀티-노치 필터의 심도를 동작적으로 수정하기 위하여 멀티-노치 필터에 결합된 동적 이득 셀; 음향 출력을 생성하기 위한 필터링된 신호를 수신하기 위한 스피커; 베이스 프로세싱된 신호로서, 신호를 멀티-노치 필터에 제공하도록 배열된 베이스 강화 회로부 - 감지 회로부는 베이스 프로세싱된 신호를 수신하고 베이스 프로세싱된 신호에 대한 통계들을 생성하도록 결합됨 -; 및 감지 회로부로부터 통계들을 수신하도록 결합되고, 파라미터들을 베이스 강화 회로부에 동작적으로 제공하기 위하여 베이스 강화 회로부에 결합된 베이스 파라미터 제어기를 포함할 수 있다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예에서, 또 다른 구현예는 감지 회로부 및 다른 모듈들이 DSP에서 구현될 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 스피커의 출력에서의 왜곡의 가능성, 또는 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 2진 표시자를 연산하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 왜곡된 오디오 세그먼트들의 후미 부분이 상실되는 상황들을 회피하기 위하여, 가변적인 행오버 시간이 2진 표시자에 제공될 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 왜곡된 오디오 세그먼트들의 선두 부분이 상실되는 상황들을 회피하기 위하여, 가변적인 행-비포 시간이 (멀티-노치 프로세싱을 위하여 편입된 상응하는 룩-어헤드 또는 프로세싱 지연을 갖는) 2진 표시자에 제공될 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 기법이 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자를 연산하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 기법이 분류 및 회귀 트리들, 일반 최소 제곱 회귀, 가중화된 최소 제곱 회귀, 지원 벡터 회귀, 인공 신경 네트워크, 구간별-선형 회귀, 리지 회귀, 라쏘 회귀, 엘라스틱-네트 회귀, 및 비선형 회귀를 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 2진 표시자는 문턱 또는 비교기 디바이스의 이용에 의해 소프트 표시자로부터 유도될 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 반-2진 또는 반-하드 표시자가 문턱의 이용에 의해 소프트 표시자로부터 유도될 수 있음으로써, 어떤 문턱 초과/미만인 입력 표시자 값들에 대한 일정한 표시, 및 어떤 문턱 미만/초과인 입력 표시자 값들에 대한 가변적인 표시를 산출할 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 문턱 값(들)을 지나는 소프트 표시자의 오직 간단한 편위들에 대한 2진 표시를 발행하는 것을 회피하기 위하여, 히스테리시스가 2진 또는 반-2진 표시자의 하드 값들의 유도에서 편입될 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한 임펄스 응답(FIR) 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들을 포함할 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 다수의 대역-통과 필터들의 모든 대역들에 걸친 에너지로부터 연산된 통계로서 추정하기 위한 회로부를 포함할 수 있고, 필터링된 신호의 전체 에너지를 측정하기 위한 회로부를 포함한다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 중위일 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 평균일 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 평균이 산술 평균일 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 평균이 기하 평균일 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 최대일 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 최소일 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 연산된 모든 대역-통과 에너지들 사이에서 n 번째 가장 큰 에너지의 에너지일 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 전체-대역 오디오 신호의 시간-변동 에너지 또는 포락선을 연산할 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 베이스 강화 회로부가 선형 필터링에 기초한 베이스 강화 및 오디오 컨텐츠를 보유하는 신호의 추가적인 고조파들의 삽입 및/또는 생성에 기초한 베이스 강화를 포함하는 그룹으로부터 선택된 하나 이상의 베이스 강화들을 수행하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 베이스 강화 회로부가 수신된 신호에 추가된 고조파 에너지의 양을 변동시키기 위하여 사전-차단 필터링 및 사후-차단 필터링과 함께, 튜닝가능한 비대칭적 비선형성을 채용하는 적응적 고조파 베이스 강화 회로부일 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 베이스 파라미터 제어기가 베이스 진폭 및 베이스 고조파 레벨을 제어하기 위한 파라미터들을 동작적으로 제공하도록 배열될 수 있다는 것을 규정한다.
임의적으로, 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 신호가 디지털 신호인 것을 규정한다.
다양한 실시형태들에 따르면, 제 3 예의 방법은 멀티-노치 필터를 신호 - 신호는 음향 출력을 생성하기 위하여 제공됨 - 에 적용하는 것; 감지 회로부에서, 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하는 필터링된 신호를 수신하고, 감지 회로부를 이용하여 필터링된 신호에 대한 통계들을 생성하는 것; 감지 회로부로부터 통계들을 수신하도록 결합된 동적 이득 셀을 이용하여, 통계들에 기초하여 멀티-노치 필터의 심도를 수정하는 것; 및 스피커에서 필터링된 신호를 수신하고 스피커로부터 음향 출력을 생성하는 것을 포함할 수 있고, 여기서, 신호를 멀티-노치 필터에 적용하는 것은 베이스 강화 회로부에 의한 프로세싱으로부터 기인하는 베이스 프로세싱된 신호로서, 신호를 멀티-노치 필터에 제공하는 것을 포함할 수 있고, 여기서, 베이스 강화 회로부에 의한 프로세싱은 감지 회로부를 이용하여 베이스 프로세싱된 신호에 대한 통계들을 생성하는 것; 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들을 생성하는 것; 및 멀티-노치 필터에 적용된 신호에 대한 베이스 강화를 제공하기 위하여 파라미터들을 이용하는 것을 포함할 수 있다.
임의적으로, 선행하는 제 3 예의 방법에 따르면, 다른 구현예들은 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것을 실행하는 것과 연관된 동작들을 제공할 수 있다.
다양한 실시형태들에 따르면, 하나 이상의 프로세서들에 의해 실행될 때, 시스템으로 하여금, 멀티-노치 필터를 신호 - 신호는 음향 출력을 생성하기 위하여 제공됨 - 에 적용하고; 감지 회로부에서, 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하는 필터링된 신호를 수신하고, 감지 회로부를 이용하여 필터링된 신호에 대한 통계들을 생성하고; 감지 회로부로부터 통계들을 수신하도록 결합된 동적 이득 셀을 이용하여, 통계들에 기초하여 멀티-노치 필터의 심도를 수정하고; 그리고 스피커에서 필터링된 신호를 수신하고 스피커로부터 음향 출력을 생성하는 동작들을 수행하게 하는 컴퓨터 명령들을 저장하는 제 3 예의 비-일시적 컴퓨터-판독가능 매체가 제공되고, 여기서, 신호를 멀티-노치 필터에 적용하는 것은 베이스 강화 회로부에 의한 프로세싱으로부터 기인하는 베이스 프로세싱된 신호로서, 신호를 멀티-노치 필터에 제공하는 것을 포함할 수 있고, 여기서, 베이스 강화 회로부에 의한 프로세싱은 감지 회로부를 이용하여 베이스 프로세싱된 신호에 대한 통계들을 생성하는 것; 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들을 생성하는 것; 및 멀티-노치 필터에 적용된 신호에 대한 베이스 강화를 제공하기 위하여 파라미터들을 이용하는 것을 포함할 수 있다.
임의적으로, 컴퓨터 명령들을 저장하는 선행하는 제 3 예의 비-일시적 컴퓨터-판독가능 매체에 따르면, 다른 구현예들은 제 3 예의 방법 및/또는 제 3 예의 시스템에 따른 선행하는 예들 중의 임의의 것을 실행하는 것과 연관된 동작들을 제공할 수 있다.
다양한 실시형태들에 따르면, 제 4 예의 시스템은 음향 출력을 생성하기 위한 신호를 수신하도록 배열된 베이스 강화 회로부; 베이스 강화 회로부에 의해 수신되고 프로세싱된 신호에 대응하거나 음향 출력에 대응하는 베이스 강화된 신호를 수신하고, 베이스 강화된 또는 스피커-출력된 신호에 대한 통계들을 생성하도록 결합된 감지 회로부; 감지 회로부로부터 통계들을 수신하도록 결합되고, 파라미터들을 베이스 강화 회로부에 동작적으로 제공하기 위하여 베이스 강화 회로부에 결합된 베이스 파라미터 제어기; 및 음향 출력을 생성하기 위한 베이스 강화된 신호를 수신하기 위한 스피커를 포함할 수 있다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예에서, 또 다른 구현예는 감지 회로부 및 다른 모듈들이 DSP에서 구현될 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 스피커의 출력에서의 왜곡의 가능성, 또는 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 2진 표시자를 연산하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 왜곡된 오디오 세그먼트들의 후미 부분이 상실되는 상황들을 회피하기 위하여, 가변적인 행오버 시간이 2진 표시자에 제공될 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 왜곡된 오디오 세그먼트들의 선두 부분이 상실되는 상황들을 회피하기 위하여, 가변적인 행-비포 시간이 (멀티-노치 프로세싱을 위하여 편입된 상응하는 룩-어헤드 또는 프로세싱 지연을 갖는) 2진 표시자에 제공될 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 기법이 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 스피커의 출력에서의 왜곡의 가능성, 또는 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자를 연산하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 기법이 분류 및 회귀 트리들, 일반 최소 제곱 회귀, 가중화된 최소 제곱 회귀, 지원 벡터 회귀, 인공 신경 네트워크, 구간별-선형 회귀, 리지 회귀, 라쏘 회귀, 엘라스틱-네트 회귀, 및 비선형 회귀를 포함하는 그룹으로부터 선택된 하나 이상의 절차들을 이용할 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 2진 표시자는 문턱 또는 비교기 디바이스의 이용에 의해 소프트 표시자로부터 유도될 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 반-2진 또는 반-하드 표시자가 문턱의 이용에 의해 소프트 표시자로부터 유도될 수 있음으로써, 어떤 문턱 초과/미만인 입력 표시자 값들에 대한 일정한 표시, 및 어떤 문턱 미만/초과인 입력 표시자 값들에 대한 가변적인 표시를 산출할 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 문턱 값(들)을 지나는 소프트 표시자의 오직 간단한 편위들에 대한 2진 표시를 발행하는 것을 회피하기 위하여, 히스테리시스가 2진 또는 반-2진 표시자의 하드 값들의 유도에서 편입될 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한 임펄스 응답(FIR) 대역-통과 필터들 및/또는 동적 스펙트럼 분석 필터들을 포함할 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 감지 회로부가 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 다수의 대역-통과 필터들의 모든 대역들에 걸친 에너지로부터 연산된 통계로서 추정하기 위한 회로부를 포함할 수 있고, 필터링된 신호의 전체 에너지를 측정하기 위한 회로부를 포함한다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 중위일 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 평균일 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 평균이 산술 평균일 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 평균이 기하 평균일 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 최대일 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 최소일 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 통계가 연산된 모든 대역-통과 에너지들 사이에서 n 번째 가장 큰 에너지의 에너지일 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 베이스 강화 회로부가 선형 필터링에 기초한 베이스 강화 및 오디오 컨텐츠를 보유하는 신호의 추가적인 고조파들의 삽입 및/또는 생성에 기초한 베이스 강화를 포함하는 그룹으로부터 선택된 하나 이상의 베이스 강화들을 수행하도록 동작가능할 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 베이스 강화 회로부가 수신된 신호에 추가된 고조파 에너지의 양을 변동시키기 위하여 사전-차단 필터링 및 사후-차단 필터링과 함께, 튜닝가능한 비대칭적 비선형성을 채용하는 적응적 고조파 베이스 강화 회로부일 수 있다는 것을 규정한다.
임의적으로, 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 베이스 파라미터 제어기가 베이스 진폭 및 베이스 고조파 레벨을 제어하기 위한 파라미터들을 동작적으로 제공하도록 배열될 수 있다는 것을 규정한다.
다양한 실시형태들에 따르면, 제 4 예의 방법은 베이스 강화 회로부에서 신호 - 신호는 음향 출력을 생성하기 위하여 제공됨 - 를 수신하는 것; 감지 회로부에서, 베이스 강화 회로부에 의해 수신되고 프로세싱된 신호에 대응하거나 음향 출력에 대응하는 베이스 강화된 신호를 수신하고, 감지 회로부를 이용하여 베이스 강화된 신호에 대한 통계들을 생성하는 것; 베이스 파라미터 제어기에서, 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들을 생성하고, 베이스 강화를 베이스 강화 회로부에 적용된 신호에 제공하기 위하여 파라미터들을 이용하는 것; 및 스피커에서 베이스 강화된 신호를 수신하고, 스피커로부터 음향 출력을 생성하는 것을 포함할 수 있다.
임의적으로, 선행하는 제 4 예의 방법에 따르면, 다른 구현예들은 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것을 실행하는 것과 연관된 동작들을 제공할 수 있다.
다양한 실시형태들에 따르면, 하나 이상의 프로세서들에 의해 실행될 때, 시스템으로 하여금, 베이스 강화 회로부에서 신호 - 신호는 음향 출력을 생성하기 위하여 제공됨 - 를 수신하고; 감지 회로부에서, 베이스 강화 회로부에 의해 수신되고 프로세싱된 신호에 대응하거나 음향 출력에 대응하는 베이스 강화된 신호를 수신하고, 감지 회로부를 이용하여 베이스 강화된 신호에 대한 통계들을 생성하고; 베이스 파라미터 제어기에서, 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들을 생성하고, 베이스 강화를 베이스 강화 회로부에 적용된 신호에 제공하기 위하여 파라미터들을 이용하고; 그리고 스피커에서 베이스 강화된 신호를 수신하고, 스피커로부터 음향 출력을 생성하는 동작들을 수행하게 하는 컴퓨터 명령들을 저장하는 제 4 예의 비-일시적 컴퓨터-판독가능 매체가 제공된다.
임의적으로, 컴퓨터 명령들을 저장하는 선행하는 제 4 예의 비-일시적 컴퓨터-판독가능 매체에 따르면, 다른 구현예들은 제 4 예의 방법 및/또는 제 4 예의 시스템에 따른 선행하는 예들 중의 임의의 것을 실행하는 것과 연관된 동작들을 제공할 수 있다.
다양한 실시형태들에 따르면, 제 5 예의 시스템은 음향 출력을 생성하기 위한 신호를 수신하도록 배열된 베이스 강화 회로부; 베이스 강화된 신호 또는 베이스 강화된 신호의 프로세싱된 형태를 수신하도록 배열되고, 필터링된 베이스 강화된 신호를 제공하도록 배열된 멀티-노치 필터; 베이스 강화 회로부 및 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하거나 음향 출력에 대응하는 필터링된 베이스 강화된 신호를 수신하기 위하여 멀티-노치 필터의 출력을 수신하고, 필터링된 베이스 강화된 신호에 대한 통계들을 생성하도록 결합된 감지 회로부; 감지 회로부로부터 통계들을 수신하도록 결합되고, 파라미터들을 신호를 강화하기 위한 베이스 강화 회로부에 동작적으로 제공하기 위하여 베이스 강화 회로부에 결합된 베이스 파라미터 제어기; 및 감지 회로부로부터 통계들을 수신하도록 결합되고, 멀티-노치 필터의 심도를 동작적으로 수정하기 위하여 멀티-노치 필터에 결합된 동적 이득 셀; 및 음향 출력을 생성하기 위한 필터링된 베이스 강화된 신호를 수신하기 위한 스피커를 포함할 수 있다.
임의적으로, 제 5 예의 시스템에 따른 선행하는 예에서, 또 다른 구현예는 감지 회로부 및 다른 모듈들이 DSP에서 구현될 수 있다는 것을 규정한다.
임의적으로, 제 5 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 증폭기 및/또는 사후-프로세서가 멀티-노치 필터와 스피커 사이에 결합될 수 있다는 것을 규정한다.
임의적으로, 제 5 예의 시스템에 따른 선행하는 예들 중의 임의의 것에서, 추가의 구현예는 오디오 프로세서가 베이스 강화 회로부와 멀티-노치 필터 사이에 결합될 수 있다는 것을 규정한다.
다양한 실시형태들에 따르면, 제 5 예의 방법은 베이스 강화 회로부에서 신호 - 신호는 음향 출력을 생성하기 위하여 제공됨 - 를 수신하고 베이스 강화된 신호를 생성하는 것; 멀티-노치 필터 - 멀티-노치 필터는 필터링된 베이스 강화된 신호를 제공하도록 배열됨 - 에서 베이스 강화된 신호 또는 베이스 강화된 신호의 프로세싱된 형태를 수신하는 것; 감지 회로부에서, 베이스 강화 회로부 및 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하거나 음향 출력에 대응하는 필터링된 베이스 강화된 신호를 수신하고, 감지 회로부를 이용하여 필터링된 베이스 강화된 신호에 대한 통계들을 생성하는 것; 베이스 파라미터 제어기에서, 필터링된 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들을 생성하고, 베이스 강화를 베이스 강화 회로부에 적용된 신호에 제공하기 위하여 파라미터들을 이용하는 것; 동적 이득 셀에서, 감지 회로부로부터 통계들을 수신하고, 수신된 통계들에 기초하여 동적 이득 셀을 이용하여 멀티-노치 필터의 심도를 수정하는 것; 수정된 심도를 가지는 멀티-노치 필터로부터 필터링된 베이스 강화된 신호를 생성하는 것; 및 스피커에서 필터링된 베이스 강화된 신호를 수신하고, 스피커로부터 음향 출력을 생성하는 것을 포함할 수 있다.
임의적으로, 선행하는 제 5 예의 방법에 따르면, 다른 구현예들은 제 5 예의 시스템에 따른 선행하는 예들 중의 임의의 것을 실행하는 것과 연관된 동작들을 제공할 수 있다.
다양한 실시형태들에 따르면, 하나 이상의 프로세서들에 의해 실행될 때, 시스템으로 하여금, 베이스 강화 회로부에서 신호 - 신호는 음향 출력을 생성하기 위하여 제공됨 - 를 수신하고 베이스 강화된 신호를 생성하고; 멀티-노치 필터 - 멀티-노치 필터는 필터링된 베이스 강화된 신호를 제공하도록 배열됨 - 에서 베이스 강화된 신호 또는 베이스 강화된 신호의 프로세싱된 형태를 수신하고; 감지 회로부에서, 베이스 강화 회로부 및 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하거나 음향 출력에 대응하는 필터링된 베이스 강화된 신호를 수신하고, 감지 회로부를 이용하여 필터링된 베이스 강화된 신호에 대한 통계들을 생성하고; 베이스 파라미터 제어기에서, 필터링된 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들을 생성하고, 베이스 강화를 베이스 강화 회로부에 적용된 신호에 제공하기 위하여 파라미터들을 이용하고; 동적 이득 셀에서, 감지 회로부로부터 통계들을 수신하고, 수신된 통계들에 기초하여 동적 이득 셀을 이용하여 멀티-노치 필터의 심도를 수정하고; 수정된 심도를 가지는 멀티-노치 필터로부터 필터링된 베이스 강화된 신호를 생성하고; 그리고 스피커에서 필터링된 베이스 강화된 신호를 수신하고, 스피커로부터 음향 출력을 생성하는 동작들을 수행하게 하는 컴퓨터 명령들을 저장하는 제 5 예의 비-일시적 컴퓨터-판독가능 매체가 제공된다.
임의적으로, 컴퓨터 명령들을 저장하는 선행하는 제 5 예의 비-일시적 컴퓨터-판독가능 매체에 따르면, 다른 구현예들은 제 5 예의 방법 및/또는 제 5 예의 시스템에 따른 선행하는 예들 중의 임의의 것을 실행하는 것과 연관된 동작들을 제공할 수 있다.
본원에서 설명된 것들 이외의 많은 다른 변형들은 이 문서를 연구하는 것으로부터 명백할 것이다. 예를 들어, 실시형태에 따라, 본원에서 설명된 방법들 및 알고리즘들 중의 임의의 것의 어떤 액트들, 이벤트들, 또는 기능들은 상이한 시퀀스로 수행될 수 있거나, 추가될 수 있거나, 병합될 수 있거나, (모든 설명된 액트들 또는 이벤트들이 방법들 및 알고리즘들의 실시를 위하여 필요하지는 않도록) 전적으로 배제될 수 있다. 또한, 어떤 실시형태들에서는, 액트들 또는 이벤트들이 순차적인 것이 아니라, 멀티-스레딩된(multi-threaded) 프로세싱, 인터럽트 프로세싱, 또는 다수의 프로세서들 또는 프로세서 코어들을 통해, 또는 다른 병렬 아키텍처들 상에서 동시에 수행될 수 있다. 추가적으로, 상이한 태스크들 또는 프로세스들은 함께 기능할 수 있는 상이한 머신들 및 컴퓨팅 시스템들에 의해 수행될 수 있다.
본원에서 개시된 실시형태들과 관련하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 방법들, 및 알고리즘 프로세스들 및 시퀀스들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로서 구현될 수 있다. 하드웨어 및 소프트웨어의 이 교환가능성을 명확하게 예시하기 위하여, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 및 프로세스 액션들은 일반적으로 그 기능성의 측면에서 위에서 설명되었다. 이러한 기능성이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정 응용과, 전체적인 시스템에 부과된 설계 제약들에 종속된다. 설명된 기능성은 각각의 특정한 응용을 위한 다양한 방법들로 구현될 수 있지만, 이러한 구현 판정들은 이 문서의 범위로부터의 이탈을 야기시키는 것으로 해석되지 않아야 한다.
본원에서 설명된 시스템 및 방법의 실시형태들은 수 많은 타입들의 범용 또는 특수 목적 컴퓨팅 시스템 환경들 또는 구성들 내에서 동작적이다. 일반적으로, 컴퓨팅 환경은 몇몇을 예로 들면, 하나 이상의 마이크로프로세서들에 기초한 컴퓨터 시스템, 메인프레임 컴퓨터, 디지털 신호 프로세서, 휴대용 컴퓨팅 디바이스, 개인용 오거나이저(personal organizer), 디바이스 제어기, 기기 내의 연산 엔진, 이동 전화, 데스크톱 컴퓨터, 이동 컴퓨터, 태블릿 컴퓨터, 스마트폰, 및 내장된 컴퓨터를 갖는 기기들을 포함하지만, 이것으로 제한되지는 않는 임의의 타입의 컴퓨터 시스템을 포함할 수 있다.
이러한 컴퓨팅 디바이스들은 전형적으로, 개인용 컴퓨터들, 서버 컴퓨터들, 핸드-헬드 컴퓨팅 디바이스들, 랩톱 또는 이동 컴퓨터들, 셀 전화들 및 PDA들과 같은 통신 디바이스들, 멀티프로세서 시스템들, 마이크로프로세서-기반 시스템들, 셋톱 박스들, 프로그래밍가능 소비자 전자기기들, 네트워크 PC들, 미니컴퓨터들, 메인프레임 컴퓨터들, 오디오 또는 비디오 미디어 플레이어들 등을 포함하지만, 이것으로 제한되지는 않는, 적어도 일부 최소 연산 능력을 가지는 디바이스들에서 발견될 수 있다. 일부 실시형태들에서, 컴퓨팅 디바이스들은 하나 이상의 프로세서들을 포함할 것이다. 각각의 프로세서는 DSP, 매우 긴 명령 워드(very long instruction word; VUW), 또는 다른 마이크로제어기와 같은 특화된 마이크로프로세서일 수도 있거나, 멀티-코어 CPU에서의 특화된 그래픽 프로세싱 유닛(graphics processing unit; GPU)-기반 코어들을 포함하는 하나 이상의 프로세싱 코어들을 가지는 기존의 중앙 프로세싱 유닛(central processing unit; CPU)들일 수 있다.
본원에서 개시된 실시형태들과 관련하여 설명된 방법, 프로세스, 또는 알고리즘의 프로세스 액션들은 하드웨어로, 프로세서에 의해 실행된 소프트웨어 모듈로, 또는 이 둘의 조합으로 직접적으로 구체화될 수 있다. 소프트웨어 모듈은 컴퓨팅 디바이스에 의해 액세스될 수 있는 컴퓨터-판독가능 매체들 내에 포함될 수 있다. 컴퓨터-판독가능 매체들은 분리가능하거나, 비-분리가능하거나, 또는 그 일부 조합인 양자의 휘발성 및 비휘발성 매체들을 포함할 수 있다. 컴퓨터-판독가능 매체들은 컴퓨터-판독가능 또는 컴퓨터-실행가능 명령들, 데이터 구조들, 프로그램 모듈들, 또는 다른 데이터와 같은 정보를 저장하기 위하여 이용된다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체들은 컴퓨터 저장 매체들 및 통신 매체들을 포함할 수도 있다.
컴퓨터 저장 매체들은 블루레이 디스크(Bluray disc; BD), 디지털 다기능 디스크(digital versatile disc; DVD)들, 컴팩트 디스크(compact disc; CD)들, 플로피 디스크들, 테이프 드라이브들, 하드 드라이브들, 광학 드라이브들, 솔리드 스테이트 메모리 디바이스들, RAM 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 플래시 메모리 또는 다른 메모리 기술, 자기 카세트들, 자기 테이프들, 자기 디스크 저장 또는 다른 자기 저장 디바이스들, 또는 희망된 정보를 저장하기 위하여 이용될 수 있고 하나 이상의 컴퓨팅 디바이스들에 의해 액세스될 수 있는 임의의 다른 디바이스와 같은 컴퓨터 또는 머신 판독가능 매체들 또는 저장 디바이스들을 포함하지만, 이것으로 제한되지는 않는다.
소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 분리가능 디스크, CD-ROM, 또는 당해 분야에서 알려진 임의의 다른 형태의 비-일시적 컴퓨터-판독가능 저장 매체, 매체들, 또는 물리적 컴퓨터 스토리지 내에 상주할 수 있다. 예시적인 저장 매체는, 프로세서가 저장 매체로부터 정보를 판독할 수 있고 정보를 저장 매체에 기록할 수 있도록 프로세서에 결합될 수 있다. 대안적으로, 저장 매체는 프로세서에 일체적일 수 있다. 프로세서 및 저장 매체는 ASIC 내에 상주할 수 있다. ASIC 은 사용자 단말 내에 상주할 수 있다. 대안적으로, 프로세서 및 저장 매체는 사용자 단말에서 개별 컴포넌트들로서 상주할 수 있다.
이 문서에서 이용된 바와 같은 어구 "비-일시적"은 "지속되거나 오래-살아남는"을 의미한다. 어구 "비-일시적 컴퓨터-판독가능 매체들"은 일시적 전파 신호를 유일하게 제외하고, 임의의 그리고 모든 컴퓨터-판독가능 매체들을 포함한다. 이것은 제한이 아닌 예로서, 레지스터 메모리, 프로세서 캐시, 및 랜덤-액세스 메모리(random-access memory; RAM)와 같은 비-일시적 컴퓨터-판독가능 매체들을 포함한다.
컴퓨터-판독가능 또는 컴퓨터-실행가능 명령들, 데이터 구조들, 프로그램 모듈들 등과 같은 정보의 유지는 또한, 하나 이상의 변조된 데이터 신호들, (반송파들과 같은) 전자기파들, 또는 다른 전송 메커니즘들 또는 통신 프로토콜들을 인코딩하기 위하여 다양한 통신 매체들을 이용함으로써 달성될 수 있고, 임의의 유선 또는 무선 정보 전달 메커니즘을 포함한다. 일반적으로, 이 통신 매체들은 신호에서 정보 또는 명령들을 인코딩하기 위한 그러한 방식으로 설정되거나 변경된 그 특성들 중의 하나 이상을 가지는 신호를 지칭한다. 예를 들어, 통신 매체들은 하나 이상의 변조된 데이터 신호들을 반송하는 유선 네트워크 또는 직접-유선 접속과 같은 유선 매체들, 및 음향, 라디오 주파수(radio frequency; RF), 적외선, 레이저, 및 하나 이상의 변조된 데이터 신호들 또는 전자기파들을 송신하거나, 수신하거나, 또는 양자를 위한 다른 무선 매체들과 같은 무선 매체들을 포함한다. 상기 중의 임의의 것의 조합들은 또한, 통신 매체들의 범위 내에서 포함되어야 한다.
또한, 왜곡 감지/왜곡 감소 시스템 및/또는 본원에서 설명된 베이스 관리 시스템 및 방법들의 일부 또는 전부를 구체화하는 소프트웨어, 프로그램들, 컴퓨터 프로그램 제품들, 또는 그 부분들 중의 하나 또는 임의의 조합은 컴퓨터 실행가능 명령들 또는 다른 데이터 구조들의 형태로 컴퓨터 또는 머신 판독가능 매체들 또는 저장 디바이스들 및 통신 매체들의 임의의 희망된 조합으로부터 저장될 수도 있거나, 수신될 수도 있거나, 송신될 수도 있거나, 판독될 수도 있다.
본원에서 설명된 시스템 및 방법의 실시형태들은 컴퓨팅 디바이스에 의해 실행되는, 프로그래 모듈들과 같은 컴퓨터-실행가능 명령들의 일반적인 맥락에서 추가로 설명될 수도 있다. 일반적으로, 프로그램 모듈들은, 특정한 태스크들을 수행하거나 특정한 추상 데이터 타입(abstract data type)들을 구현하는 루틴들, 프로그램들, 오브젝트들, 컴포넌트들, 데이터 구조들 등을 포함한다. 본원에서 설명된 실시형태들은 또한, 하나 이상의 통신 네트워크들을 통해 링크되는 하나 이상의 원격 프로세싱 디바이스들에 의해, 또는 하나 이상의 디바이스들의 클라우드 내에서 태스크들이 수행되는 분산된 컴퓨팅 환경들에서 실시될 수도 있다. 분산된 컴퓨팅 환경에서, 프로그램 모듈들은 매체 저장 디바이스들을 포함하는 양자의 로컬 및 원격 컴퓨터 저장 매체들에서 위치될 수도 있다. 또한, 전술한 명령들은 프로세서를 포함할 수도 있는 하드웨어 로직 회로들로서, 부분적으로 또는 전체적으로 구현될 수도 있다.
그 중에서도, "할 수 있다(can)", "할 수도 있었다(might)", "할 수도 있다(may)", "예컨대(e.g.)" 등과 같은 본원에서 이용된 조건적 언어는, 이와 다르게 구체적으로 기재되지 않거나, 이용된 바와 같은 문맥 내에서 이와 다르게 이해되지 않으면, 어떤 실시형태들이 어떤 특징들, 엘리먼트들, 및/또는 상태들을 포함한다는 것을 전달하도록 일반적으로 의도된다. 이에 따라, 이러한 조건적 언어는 특징들, 엘리먼트들, 및/또는 상태들이 하나 이상의 실시형태들에 대하여 여하튼 요구된다는 것과, 하나 이상의 실시형태들이 이 특징들, 엘리먼트들, 및/또는 상태들이 포함되거나 임의의 특정한 실시형태에서 수행되어야 하는지 여부를 판단하기 위한 로직을 반드시 포함한다는 것을 암시하는 것으로 반드시 의도되지는 않는다. 용어들 "포함하는(comprising)", "포함하는(including)", "가지는(having)" 등은 동의어이고, 개방-종결형 방식으로 포괄적으로 이용되고, 추가적인 구성요소들, 특징부들, 액트들, 동작들 등등을 제외하지 않는다. 또한, 용어 "또는(or)"은, 예를 들어, 구성요소들의 리스트를 접속하기 위하여 이용될 때, 용어 "or"가 리스트에서의 구성요소들의 하나, 일부, 또는 전부를 의미하도록, 그 포괄적 의미로(그리고 그 배타적 의미가 아님) 이용된다. 위에서 상세하게 기술된 설명이 다양한 실시형태들에 적용된 바와 같은 신규한 특징들을 도시하였고, 설명하였고, 지적하였지만, 예시된 디바이스들 또는 알고리즘들의 형태 및 세부사항들에서의 다양한 생략들, 치환들, 및 변경들은 개시물의 범위로부터 이탈하지 않으면서 행해질 수 있다는 것이 이해될 것이다.
인식되는 바와 같이, 본원에서 설명된 발명들의 어떤 실시형태들은 일부 특징들이 다른 것들로부터 별도로 이용될 수 있거나 실시될 수 있으므로, 본원에서 기재된 특징들 및 이익들의 전부를 제공하지는 않는 형태 내에서 구체화될 수 있다. 또한, 발명요지는 구조적 특징들 및 방법론적 액트(methodological act)들에 대해 특정된 언어로 설명되었지만, 첨부된 청구항들에서 정의된 발명요지는 위에서 설명된 특정 특징들 또는 동작들에 반드시 제한되지는 않는다는 것이 이해되어야 한다. 오히려, 위에서 설명된 특정 특징들 및 동작들은 청구항들을 구현하는 예의 형태들로서 개시된다.
Claims (69)
- 시스템으로서,
오디오 신호 소스로부터 신호를 수신하고, 상기 수신된 신호에 기초하여 음향 출력을 생성하도록 배열된 스피커; 및
상기 신호를 수신하고, 상기 스피커에 의해 수신된 상기 신호를 수정하기 위하여 신호에 대한 통계들을 생성하도록 결합된 감지 회로부를 포함하고,
상기 감지 회로부는 상기 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(infinite impulse response; IIR) 또는 유한 임펄스 응답(finite impulse response; FIR) 대역통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나를 포함하고,
상기 감지 회로부는 상기 다수의 IIR 또는 FIR 대역-통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나로부터의 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 상기 다수의 IIR 또는 FIR 대역-통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나의 모든 대역들에 걸친 에너지로부터 연산된 하나 이상의 통계로서 추정하기 위한 회로부를 포함하고, 상기 필터링된 신호의 전체 에너지를 측정하기 위한 회로부를 포함하는 것인, 시스템. - 제 1 항에 있어서,
상기 감지 회로부는 디지털 신호 프로세서에서 구현되는 것인, 시스템. - 제 1 항에 있어서,
상기 감지 회로부는 상기 스피커의 출력에서의 왜곡의 가능성을 측정하거나 상기 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하도록 동작가능한 것인, 시스템. - 제 1 항에 있어서,
상기 감지 회로부는 머신 학습(machine learning), 통계적 학습(statistical learning), 예측적 학습(predictive learning), 또는 인공 지능(artificial intelligence)을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 출력에서의 왜곡의 2진 표시자(binary indicator)를 연산하도록 동작가능한 것인, 시스템. - 제 4 항에 있어서,
상기 기법은 분류 및 회귀 트리(classification and regression tree)들, 지원 벡터 머신(support vector machine)들, 인공 신경 네트워크(artificial neural network)들, 로지스틱 회귀(logistic regression), 나이브 베이즈 분류(naive Bayes classification), 선형 판별 분석(linear discriminant analysis), 및 랜덤 포레스트(random forest)들을 포함하는 그룹으로부터 선택된 하나 이상의 절차를 이용하는 것인, 시스템. - 제 1 항에 있어서,
상기 감지 회로부는 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 출력에서의 왜곡의 가능성, 또는 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자(soft indicator)를 연산하도록 동작가능한 것인, 시스템. - 삭제
- 삭제
- 제 1 항에 있어서,
상기 하나 이상의 통계는 상기 에너지의 중위(median), 평균(mean), 산술 평균(arithmetic mean), 기하 평균(geometric mean), 최대, 상기 에너지의 최소, 및 연산된 모든 대역-통과 에너지들 및 동적 스펙트럼 분석 에너지들 중 적어도 하나 중의 n 번째 가장 큰 에너지의 에너지를 포함하는 통계들의 그룹으로부터의 하나 이상의 통계를 포함하고, n은 선택된 양의 정수인, 시스템. - 제 1 항에 있어서,
상기 감지 회로부는 전체-대역 오디오 신호의 포락선(envelope)을 연산하도록 배열되는 것인, 시스템. - 시스템으로서,
음향 출력을 생성하기 위한 신호를 수신하도록 배열된 멀티-노치 필터(multi-notch filter);
상기 멀티-노치 필터에 의해 수신되고 프로세싱된 신호에 대응하거나 상기 음향 출력에 대응하는 필터링된 신호를 수신하고, 상기 필터링된 신호에 대한 통계들을 생성하도록 결합된 감지 회로부;
상기 감지 회로부로부터 상기 통계들을 수신하도록 결합되고, 상기 멀티-노치 필터의 심도를 동작적으로 수정하기 위하여 상기 멀티-노치 필터에 결합된 동적 이득 셀(dynamic gain cell); 및
상기 음향 출력을 생성하기 위한 상기 필터링된 신호를 수신하기 위한 스피커를 포함하고,
상기 감지 회로부는 상기 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한-임펄스 응답(FIR) 대역통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나를 포함하고, 상기 다수의 IIR 또는 FIR 대역통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나로부터의 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 상기 다수의 IIR 또는 FIR 대역통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나의 모든 대역들에 걸친 에너지의 하나 이상의 통계로서 추정하기 위한 회로부를 포함하고, 상기 필터링된 신호의 전체 에너지를 측정하기 위한 회로부를 포함하는 것인, 시스템. - 제 11 항에 있어서,
상기 멀티-노치 필터, 상기 감지 회로부, 상기 동적 이득 셀은 디지털 신호 프로세서에서 배치되는 것인, 시스템. - 제 11 항에 있어서,
상기 감지 회로부는 상기 스피커의 출력에서의 왜곡의 가능성을 측정하는 통계들을 생성하도록 동작가능한 것인, 시스템. - 제 13 항에 있어서,
상기 감지 회로부는 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 상기 출력에서의 왜곡의 가능성의 척도를 연산하도록 동작가능한 것인, 시스템. - 제 13 항에 있어서,
상기 감지 회로부는 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 상기 출력에서의 왜곡의 2진 표시자를 연산하도록 동작가능한 것인, 시스템. - 삭제
- 제 11 항에 있어서,
상기 동적 이득 셀은 상기 하나 이상의 통계에 기초하여 상기 멀티-노치 필터의 심도(depth)를 조절하기 위한 이득을 제공하도록 배열되는 것인, 시스템. - 방법으로서,
스피커에서 오디오 신호 소스로부터 신호를 수신하는 단계;
감지 회로부에서 상기 신호를 수신하는 단계;
상기 감지 회로부에서 상기 신호에 대한 통계들을 생성하는 단계 - 상기 감지 회로부에서 상기 신호에 대한 통계들을 생성하는 단계는 상기 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한 임펄스 응답(FIR) 대역-통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나를 가지는 감지 회로부를 이용하는 단계를 포함함 - ;
상기 감지 회로부에서, 상기 다수의 IIR 또는 FIR 대역-통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나로부터의 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 상기 다수의 IIR 또는 FIR 대역-통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나의 모든 대역들에 걸친 에너지로부터 연산된 하나 이상의 통계로서 추정하고, 상기 필터링된 신호의 전체 에너지를 측정하는 단계;
상기 생성된 통계들에 기초하여 상기 신호를 수정하고, 상기 수정된 신호를 상기 스피커로 보내는 단계; 및
상기 스피커로부터, 상기 수신된 수정된 신호에 기초하여 음향 출력을 생성하는 단계를 포함하는 방법. - 제 18 항에 있어서,
상기 감지 회로부에서 상기 신호에 대한 통계들을 생성하는 단계는 디지털 신호 프로세서에서 구현되는 것인, 방법. - 제 18 항에 있어서,
통계들을 생성하는 단계는 상기 스피커의 출력에서의 왜곡의 가능성을 측정하거나 상기 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하는 단계를 포함하는 것인, 방법. - 제 18 항에 있어서,
상기 방법은 상기 감지 회로부에서, 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 출력에서의 왜곡의 2진 표시자를 연산하는 단계를 포함하는 것인, 방법. - 제 21 항에 있어서,
상기 기법을 이용하는 것은, 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차를 이용하는 것을 포함하는 것인, 방법. - 제 18 항에 있어서,
상기 방법은 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 출력에서의 왜곡의 가능성, 또는 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자를 연산하는 단계를 포함하는 것인, 방법. - 삭제
- 삭제
- 제 18 항에 있어서,
상기 하나 이상의 통계는 상기 에너지의 중위, 평균, 산술 평균, 기하 평균, 최대, 상기 에너지의 최소, 및 연산된 모든 대역-통과 에너지들 및 동적 스펙트럼 분석 값들 중 적어도 하나 중의 n 번째 가장 큰 에너지의 에너지를 포함하는 통계들의 그룹으로부터의 하나 이상의 통계를 포함하고, n은 선택된 양의 정수인, 방법. - 제 18 항에 있어서,
상기 방법은 상기 감지 회로부에서, 전체-대역 오디오 신호의 포락선을 연산하는 단계를 포함하는 것인, 방법. - 방법으로서,
멀티-노치 필터를 신호 - 상기 신호는 음향 출력을 생성하기 위하여 제공됨 - 에 적용하는 단계;
감지 회로부에서, 상기 멀티-노치 필터에 의해 수신되고 프로세싱된 상기 신호에 대응하거나 상기 음향 출력에 대응하는 필터링된 신호를 수신하고, 상기 감지 회로부를 이용하여 상기 필터링된 신호에 대한 통계들을 생성하는 단계;
상기 감지 회로부로부터 대역통과 에너지의 측정 및 신호 에너지의 측정을 포함하는 상기 통계들을 수신하도록 결합된 동적 이득 셀을 이용하여 상기 통계들에 기초하여 상기 멀티-노치 필터의 심도를 수정하는 단계 - 상기 동적 이득 셀은, 상기 멀티-노치 필터가 계합하기 시작하는 왜곡 활성화 에너지의 문턱 파라미터 및 감도 파라미터를 가져서, 심도를 수정하는 단계는 상기 왜곡 활성화 에너지와 상기 문턱 파라미터 사이의 차이보다 더 큰 심도를 동작적으로 수정하는 단계를 포함함 - ; 및
스피커에서 상기 필터링된 신호를 수신하고, 상기 스피커로부터 상기 음향 출력을 생성하는 단계를 포함하는, 방법. - 제 28 항에 있어서,
상기 멀티-노치 필터에 의해 프로세싱된 필터링된 신호를 수신하고, 상기 필터링된 신호에 대한 통계들을 생성하는 단계, 및 상기 멀티-노치 필터의 심도를 수정하는 단계는 디지털 신호 프로세서에서 구현되는 것인, 방법. - 제 28 항에 있어서,
통계들을 생성하는 단계는 상기 스피커의 출력에서의 왜곡의 가능성을 측정하는 통계들을 생성하는 단계를 포함하는 것인, 방법. - 제 30 항에 있어서,
상기 방법은 상기 감지 회로부에서, 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 출력에서의 왜곡의 가능성의 척도를 연산하는 단계를 포함하는 것인, 방법. - 제 30 항에 있어서,
상기 방법은 상기 감지 회로부에서, 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 출력에서의 왜곡의 2진 표시자를 연산하는 단계를 포함하는 것인, 방법. - 제 28 항에 있어서,
상기 감지 회로부를 이용하여 통계들을 생성하는 단계는 상기 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한-임펄스 응답(FIR) 대역통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나를 가지는 감지 회로부를 이용하는 단계, 상기 다수의 IIR 대역통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나로부터의 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 상기 다수의 IIR 또는 FIR 대역통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나의 모든 대역들에 걸친 에너지의 하나 이상의 통계로서 추정하는 단계, 및 상기 필터링된 신호의 전체 에너지를 측정하는 단계를 포함하는 것인, 방법. - 제 33 항에 있어서,
상기 동적 이득 셀을 이용하는 것은 상기 하나 이상의 통계에 기초하여 상기 멀티-노치 필터의 심도를 조절하기 위한 이득을 제공하는 것을 포함하는 것인, 방법. - 시스템으로서,
음향 출력을 생성하기 위한 신호를 수신하도록 배열된 베이스 강화 회로부(bass enhancement circuitry) - 상기 베이스 강화 회로부는 선형 필터링에 기초한 베이스 강화 및 오디오 컨텐츠를 보유하는 신호의 추가적인 고조파들의 삽입 및 생성 중 적어도 하나에 기초한 베이스 강화를 포함하는 그룹으로부터 선택된 하나 이상의 베이스 강화를 수행하도록 동작가능함 - ;
상기 베이스 강화 회로부에 의해 수신되고 프로세싱된 상기 신호에 대응하거나 상기 음향 출력에 대응하는 베이스 강화된 신호를 수신하고, 상기 베이스 강화된 신호에 대한 통계들을 생성하도록 결합된 감지 회로부;
상기 감지 회로부로부터 상기 통계들을 수신하도록 결합되고, 파라미터들을 상기 베이스 강화 회로부에 동작적으로 제공하기 위하여 상기 베이스 강화 회로부에 결합된 베이스 파라미터 제어기; 및
상기 음향 출력을 생성하기 위해 상기 베이스 강화된 신호를 수신하기 위한 스피커를 포함하는, 시스템. - 제 35 항에 있어서,
상기 감지 회로부는 상기 스피커의 출력에서의 왜곡의 가능성, 또는 상기 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하도록 동작가능한 것인, 시스템. - 제 35 항에 있어서,
상기 감지 회로부는 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 출력에서의 왜곡의 2진 표시자를 연산하도록 동작가능한 것인, 시스템. - 제 37 항에 있어서,
상기 기법은 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차를 이용하는 것인, 시스템. - 제 35 항에 있어서,
상기 감지 회로부는 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 출력에서의 왜곡의 가능성, 또는 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자를 연산하도록 동작가능한 것인, 시스템. - 제 39 항에 있어서,
상기 기법은 분류 및 회귀 트리들, 일반 최소 제곱 회귀, 가중화된 최소 제곱 회귀, 지원 벡터 회귀, 인공 신경 네트워크, 구간별-선형 회귀(piecewise-linear regression), 리지 회귀(ridge regression), 라쏘 회귀(lasso regression), 엘라스틱-네트 회귀(elastic-net regression), 및 비선형 회귀(nonlinear regression)를 포함하는 그룹으로부터 선택된 하나 이상의 절차를 이용하는 것인, 시스템. - 제 40 항에 있어서,
2진 표시자는 문턱 디바이스 또는 비교기 디바이스의 이용에 의해 상기 소프트 표시자로부터 유도되는 것인, 시스템. - 제 35 항에 있어서,
상기 감지 회로부는 상기 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한 임펄스 응답(FIR) 대역통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나를 포함하는 것인, 시스템. - 제 42 항에 있어서,
상기 감지 회로부는 상기 다수의 IIR 또는 FIR 대역-통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나로부터의 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 상기 다수의 IIR 또는 FIR 대역통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나의 모든 대역들에 걸친 에너지로부터 연산된 하나 이상의 통계로서 추정하기 위한 회로부를 포함하고, 상기 필터링된 신호의 전체 에너지를 측정하기 위한 회로부를 포함하는 것인, 시스템. - 제 43 항에 있어서,
상기 하나 이상의 통계는 상기 에너지의 중위, 평균, 산술 평균, 기하 평균, 최대, 상기 에너지의 최소, 및 연산된 모든 IIR 또는 FIR 대역-통과 에너지들 및 동적 스펙트럼 분석 값들 중 적어도 하나 중의 n 번째 가장 큰 에너지의 에너지를 포함하는 통계들의 그룹으로부터의 하나 이상의 통계를 포함하고, n은 선택된 양의 정수인, 시스템. - 제 43 항에 있어서,
상기 감지 회로부는 전체-대역 오디오 신호의 포락선을 연산하도록 배열되는 것인, 시스템. - 삭제
- 제 35 항에 있어서,
상기 베이스 강화 회로부는 상기 수신된 신호에 추가된 고조파 에너지의 양을 변동시키기 위하여 사전-차단(pre-cutoff) 필터링 및 사후-차단(post-cutoff) 필터링과 함께, 튜닝가능한 비대칭적 비선형성을 채용하는 적응적 고조파 베이스 강화 회로부인 것인, 시스템. - 제 35 항에 있어서,
상기 베이스 파라미터 제어기는 베이스 진폭 및 베이스 고조파 레벨을 제어하기 위한 파라미터들을 동작적으로 제공하도록 배열되는 것인, 시스템. - 시스템으로서,
음향 출력을 생성하기 위한 신호를 수신하도록 배열된 베이스 강화 회로부;
베이스 강화된 신호 또는 상기 베이스 강화된 신호의 프로세싱된 형태를 수신하도록 배열되고, 필터링된 베이스 강화된 신호를 제공하도록 배열된 멀티-노치 필터;
상기 베이스 강화 회로부 및 상기 멀티-노치 필터에 의해 수신되고 프로세싱된 상기 신호에 대응하거나 상기 음향 출력에 대응하는 상기 필터링된 베이스 강화된 신호를 수신하기 위하여 상기 멀티-노치 필터의 출력을 수신하고, 상기 필터링된 베이스 강화된 신호에 대한 통계들을 생성하도록 결합된 감지 회로부 - 상기 감지 회로부는 상기 통계들 중 적어도 하나를 계산하기 위해 상기 수신된 베이스 강화된 신호와 연관된 왜곡을 추정하는 회로부를 포함함 - ;
상기 감지 회로부로부터 상기 통계들을 수신하도록 결합되고, 파라미터들을 상기 신호를 강화하기 위한 상기 베이스 강화 회로부에 동작적으로 제공하기 위하여 상기 베이스 강화 회로부에 결합된 베이스 파라미터 제어기;
상기 감지 회로부로부터 상기 통계들을 수신하도록 결합되고, 상기 멀티-노치 필터의 심도를 동작적으로 수정하기 위하여 상기 멀티-노치 필터에 결합된 동적 이득 셀; 및
상기 음향 출력을 생성하기 위해 상기 필터링된 베이스 강화된 신호를 수신하기 위한 스피커를 포함하는, 시스템. - 제 49 항에 있어서,
베이스 강화 회로부, 감지 회로부, 베이스 파라미터 제어기, 상기 멀티-노치 필터, 및 상기 동적 이득 셀은 디지털 신호 프로세서에서 구현되는 것인, 시스템. - 제 49 항에 있어서,
증폭기 및 사후-프로세서 중 적어도 하나가 상기 멀티-노치 필터와 상기 스피커 사이에 결합되는 것인, 시스템. - 제 49 항에 있어서,
오디오 프로세서가 상기 베이스 강화 회로부와 상기 멀티-노치 필터 사이에 결합되는 것인, 시스템. - 방법으로서,
베이스 강화 회로부에서 신호 - 상기 신호는 음향 출력을 생성하기 위하여 제공됨 - 를 수신하는 단계;
상기 베이스 강화 회로부에서, 선형 필터링에 기초한 베이스 강화 및 오디오 컨텐츠를 보유하는 신호의 추가적인 고조파들의 삽입 및 생성 중 적어도 하나에 기초한 베이스 강화를 포함하는 그룹으로부터 선택된 하나 이상의 베이스 강화를 수행하는 단계;
감지 회로부에서, 상기 베이스 강화 회로부에 의해 수신되고 프로세싱된 상기 신호에 대응하거나 상기 음향 출력에 대응하는 베이스 강화된 신호를 수신하고, 상기 감지 회로부를 이용하여 상기 베이스 강화된 신호에 대한 통계들을 생성하는 단계;
베이스 파라미터 제어기에서, 베이스 프로세싱된 신호에 대한 통계들에 기초하여 파라미터들을 생성하고, 베이스 강화를 상기 베이스 강화 회로부에 적용된 상기 신호에 제공하기 위하여 상기 파라미터들을 이용하는 단계; 및
스피커에서 상기 베이스 강화된 신호를 수신하고, 상기 스피커로부터 상기 음향 출력을 생성하는 단계를 포함하는, 방법. - 제 53 항에 있어서,
상기 감지 회로부를 이용하여 통계들을 생성하는 단계는 상기 감지 회로부에서, 상기 스피커의 출력에서의 왜곡의 가능성, 또는 상기 스피커의 출력에서의 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도를 측정하는 통계들을 생성하는 단계를 포함하는 것인, 방법. - 제 53 항에 있어서,
상기 방법은 상기 감지 회로부에서, 머신 학습, 통계적 학습, 예측적 학습, 또는 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 출력에서의 왜곡의 2진 표시자를 연산하는 단계를 포함하는 것인, 방법. - 제 55 항에 있어서,
상기 기법을 이용하는 것은 분류 및 회귀 트리들, 지원 벡터 머신들, 인공 신경 네트워크들, 로지스틱 회귀, 나이브 베이즈 분류, 선형 판별 분석, 및 랜덤 포레스트들을 포함하는 그룹으로부터 선택된 하나 이상의 절차를 이용하는 것을 포함하는 것인, 방법. - 제 53 항에 있어서,
상기 방법은 상기 감지 회로부에서, 머신 학습, 통계적 학습, 예측적 학습, 및 인공 지능을 포함하는 그룹으로부터 선택된 기법을 이용하여 상기 스피커의 출력에서의 왜곡의 가능성, 또는 이의제기 가능한, 지각가능한, 또는 측정가능한 왜곡의 정도에 대응하는 소프트 표시자를 연산하는 단계를 포함하는 것인, 방법. - 제 57 항에 있어서,
상기 기법을 이용하는 것은 분류 및 회귀 트리들, 일반 최소 제곱 회귀, 가중화된 최소 제곱 회귀, 지원 벡터 회귀, 인공 신경 네트워크, 구간별-선형 회귀, 리지 회귀, 라쏘(lasso) 회귀, 엘라스틱-네트 회귀, 및 비선형 회귀를 포함하는 그룹으로부터 선택된 하나 이상의 절차를 이용하는 것을 포함하는 것인, 방법. - 제 58 항에 있어서,
상기 방법은 문턱 디바이스 또는 비교기 디바이스의 이용에 의해 상기 소프트 표시자로부터 2진 표시자를 유도하는 단계를 포함하는 것인, 방법. - 제 53 항에 있어서,
상기 방법은 상기 스피커에 대한 왜곡에 기여하도록 결정된 주파수들로 튜닝된, 다수의 무한 임펄스 응답(IIR) 또는 유한 임펄스 응답(FIR) 대역통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나를 가지는 감지 회로부를 이용하는 단계를 포함하는 것인, 방법. - 제 60 항에 있어서,
상기 방법은 상기 감지 회로부에서, 상기 다수의 IIR 또는 FIR 대역-통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나로부터의 필터링된 신호에서의 왜곡 활성화 에너지의 양을, 상기 다수의 IIR 또는 FIR 대역-통과 필터들 및 동적 스펙트럼 분석 필터들 중 적어도 하나의 모든 대역들에 걸친 에너지로부터 연산된 통계로서 추정하고, 상기 필터링된 신호의 전체 에너지를 측정하는 단계를 포함하는 것인, 방법. - 제 61 항에 있어서,
상기 하나 이상의 통계는 상기 에너지의 중위, 평균, 산술 평균, 기하 평균, 최대, 상기 에너지의 최소, 및 연산된 모든 IIR 또는 FIR 대역-통과 에너지들 및 동적 스펙트럼 분석 값들 중 적어도 하나 중의 n 번째 가장 큰 에너지의 에너지를 포함하는 통계들의 그룹으로부터의 하나 이상의 통계를 포함하고, n은 선택된 양의 정수인, 방법. - 삭제
- 제 53 항에 있어서,
상기 베이스 강화 회로부는 상기 수신된 신호에 추가된 고조파 에너지의 양을 변동시키기 위하여 사전-차단 필터링 및 사후-차단 필터링과 함께, 튜닝가능한 비대칭적 비선형성을 채용하는 적응적 고조파 베이스 강화 회로부인 것인, 방법. - 제 53 항에 있어서,
상기 방법은 상기 베이스 파라미터 제어기로부터, 베이스 진폭 및 베이스 고조파 레벨을 제어하기 위한 파라미터들을 제공하는 단계를 포함하는 것인, 방법. - 방법으로서,
베이스 강화 회로부에서 신호 - 상기 신호는 음향 출력을 생성하기 위하여 제공됨 - 를 수신하고, 베이스 강화된 신호를 생성하는 단계;
멀티-노치 필터 - 상기 멀티-노치 필터는 필터링된 베이스 강화된 신호를 제공하도록 배열됨 - 에서 상기 베이스 강화된 신호 또는 상기 베이스 강화된 신호의 프로세싱된 형태를 수신하는 단계;
감지 회로부에서, 상기 베이스 강화 회로부 및 상기 멀티-노치 필터에 의해 수신되고 프로세싱된 상기 신호에 대응하거나 상기 음향 출력에 대응하는 상기 필터링된 베이스 강화된 신호를 수신하고, 상기 감지 회로부를 이용하여 상기 필터링된 베이스 강화된 신호에 대한 통계들을 생성하는 단계 - 상기 감지 회로부는 상기 통계들 중 적어도 하나를 계산하기 위해 상기 수신된 베이스 강화된 신호와 연관된 왜곡을 추정하는 회로부를 포함함 - ;
베이스 파라미터 제어기에서, 필터링된 베이스 프로세싱된 신호에 대한 상기 통계들에 기초하여 파라미터들을 생성하고, 베이스 강화를 상기 베이스 강화 회로부에 적용된 상기 신호에 제공하기 위하여 상기 파라미터들을 이용하는 단계;
동적 이득 셀에서 상기 감지 회로부로부터 상기 통계들을 수신하고, 상기 수신된 통계들에 기초하여 상기 동적 이득 셀을 이용하여 상기 멀티-노치 필터의 심도를 수정하는 단계;
상기 수정된 심도를 가지는 상기 멀티-노치 필터로부터 상기 필터링된 베이스 강화된 신호를 생성하는 단계; 및
스피커에서 상기 필터링된 베이스 강화된 신호를 수신하고, 상기 스피커로부터 상기 음향 출력을 생성하는 단계를 포함하는, 방법. - 제 66 항에 있어서,
상기 방법은 디지털 신호 프로세서에서 상기 베이스 강화 회로부, 감지 회로부, 베이스 파라미터 제어기, 상기 멀티-노치 필터, 및 상기 동적 이득 셀을 동작시키는 단계를 포함하는 것인, 방법. - 제 66 항에 있어서,
상기 방법은 상기 멀티-노치 필터의 출력을 증폭 및 사후-프로세싱 중 적어도 하나를 수행하는 단계, 및 상기 멀티-노치 필터의 상기 증폭 및 사후-프로세싱 중 적어도 하나가 수행된 출력을 상기 스피커에 제공하는 단계를 포함하는 것인, 방법. - 제 66 항에 있어서,
상기 방법은 상기 베이스 강화된 신호를 오디오 프로세싱하는 단계, 및 상기 오디오 프로세싱된 베이스 강화된 신호를 상기 멀티-노치 필터에 제공하는 단계를 포함하는 것인, 방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662411415P | 2016-10-21 | 2016-10-21 | |
| US62/411,415 | 2016-10-21 | ||
| PCT/US2017/057729 WO2018075967A1 (en) | 2016-10-21 | 2017-10-20 | Distortion sensing, prevention, and distortion-aware bass enhancement |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190069537A KR20190069537A (ko) | 2019-06-19 |
| KR102473598B1 true KR102473598B1 (ko) | 2022-12-01 |
Family
ID=61970016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020197014621A KR102473598B1 (ko) | 2016-10-21 | 2017-10-20 | 왜곡 감지, 방지, 및 왜곡-인지 베이스 강화 |
Country Status (5)
| Country | Link |
|---|---|
| US (4) | US10600431B2 (ko) |
| EP (1) | EP3530005A4 (ko) |
| KR (1) | KR102473598B1 (ko) |
| CN (2) | CN114550687A (ko) |
| WO (1) | WO2018075967A1 (ko) |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3530005A4 (en) | 2016-10-21 | 2020-06-03 | DTS, Inc. | DISTORTION DETECTION, PREVENTION AND DISTORTION BASS REINFORCEMENT |
| US9860644B1 (en) * | 2017-04-05 | 2018-01-02 | Sonos, Inc. | Limiter for bass enhancement |
| US10827265B2 (en) * | 2018-01-25 | 2020-11-03 | Cirrus Logic, Inc. | Psychoacoustics for improved audio reproduction, power reduction, and speaker protection |
| US10382857B1 (en) * | 2018-03-28 | 2019-08-13 | Apple Inc. | Automatic level control for psychoacoustic bass enhancement |
| US11616482B2 (en) | 2018-06-22 | 2023-03-28 | Dolby Laboratories Licensing Corporation | Multichannel audio enhancement, decoding, and rendering in response to feedback |
| US10636484B2 (en) * | 2018-09-12 | 2020-04-28 | Winbond Electronics Corporation | Circuit and method for memory operation |
| US11153684B2 (en) | 2018-11-15 | 2021-10-19 | Maxim Integrated Products, Inc. | Dynamic debuzzer for speakers |
| WO2020256612A1 (en) * | 2019-06-20 | 2020-12-24 | Dirac Research Ab | Bass management in audio systems |
| CN110335623B (zh) * | 2019-07-09 | 2022-02-22 | 上海艾为电子技术股份有限公司 | 音频数据处理方法及装置 |
| US11363376B2 (en) * | 2019-09-19 | 2022-06-14 | Maxim Integrated Products, Inc. | Acoustic approximation for determining excursion limits in speakers |
| JP7379988B2 (ja) * | 2019-09-20 | 2023-11-15 | 株式会社ソシオネクスト | 基音周波数決定装置、疑似低音処理装置、基音周波数決定方法および音響処理方法 |
| US11521637B1 (en) * | 2020-08-19 | 2022-12-06 | Amazon Technologies, Inc. | Ratio mask post-filtering for audio enhancement |
| CN111897018A (zh) * | 2020-08-28 | 2020-11-06 | 苏州太易检测设备有限公司 | 一种可抑制产品效应的金检机及其解调电路 |
| US11153682B1 (en) | 2020-09-18 | 2021-10-19 | Cirrus Logic, Inc. | Micro-speaker audio power reproduction system and method with reduced energy use and thermal protection using micro-speaker electro-acoustic response and human hearing thresholds |
| US11159888B1 (en) | 2020-09-18 | 2021-10-26 | Cirrus Logic, Inc. | Transducer cooling by introduction of a cooling component in the transducer input signal |
| US11622194B2 (en) * | 2020-12-29 | 2023-04-04 | Nuvoton Technology Corporation | Deep learning speaker compensation |
| US20220239510A1 (en) * | 2021-01-25 | 2022-07-28 | Marvell Asia Pte Ltd | Ethernet physical layer transceiver with non-linear neural network equalizers |
| US11553298B2 (en) | 2021-02-08 | 2023-01-10 | Samsung Electronics Co., Ltd. | Automatic loudspeaker room equalization based on sound field estimation with artificial intelligence models |
| TWI825402B (zh) * | 2021-03-24 | 2023-12-11 | 瑞昱半導體股份有限公司 | 音訊訊號處理電路及音訊訊號處理方法 |
| CN115691543A (zh) * | 2021-07-28 | 2023-02-03 | 哈曼国际工业有限公司 | 用于声学系统的自适应均衡方法及系统 |
| US11950089B2 (en) | 2021-07-29 | 2024-04-02 | Samsung Electronics Co., Ltd. | Perceptual bass extension with loudness management and artificial intelligence (AI) |
| US11941083B2 (en) * | 2021-11-04 | 2024-03-26 | Nuvoton Technology Corporation | Quantifying signal purity by means of machine learning |
| WO2023096952A1 (en) * | 2021-11-29 | 2023-06-01 | That Corporation | Scaled residual fundamental bass enhancement |
| US12052552B2 (en) | 2022-01-28 | 2024-07-30 | Microsoft Technology Licensing, Llc | Limiting distortion of acoustic rendering |
| US11924367B1 (en) | 2022-02-09 | 2024-03-05 | Amazon Technologies, Inc. | Joint noise and echo suppression for two-way audio communication enhancement |
| CN116055951B (zh) * | 2022-07-20 | 2023-10-20 | 荣耀终端有限公司 | 信号处理方法和电子设备 |
| CN115442709B (zh) * | 2022-07-29 | 2023-06-16 | 荣耀终端有限公司 | 音频处理方法、虚拟低音增强系统、设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040179387A1 (en) * | 2003-03-10 | 2004-09-16 | Shure Incorporated | Multi-channel digital feedback reducer system |
| US20050226356A1 (en) * | 2004-04-07 | 2005-10-13 | Dell Products L.P. | Information handling system including adaptive interference suppression feature and method of operation |
| US20140341394A1 (en) * | 2013-05-14 | 2014-11-20 | James J. Croft, III | Loudspeaker Enclosure System With Signal Processor For Enhanced Perception Of Low Frequency Output |
| US20160275045A1 (en) * | 2015-03-16 | 2016-09-22 | Rockwell Automation Technologies, Inc. | System and method for determining sensor margins and/or diagnostic information for a sensor |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19640132B4 (de) | 1996-09-28 | 2015-06-03 | Volkswagen Ag | Verfahren zur automatischen Begrenzung von Verzerrungen an Audio-Geräten und Schaltungsanordnung zur Durchführung des Verfahrens |
| US6584204B1 (en) | 1997-12-11 | 2003-06-24 | The Regents Of The University Of California | Loudspeaker system with feedback control for improved bandwidth and distortion reduction |
| CN1158898C (zh) | 1998-09-08 | 2004-07-21 | 皇家菲利浦电子有限公司 | 音频系统低音增强装置 |
| US7031474B1 (en) | 1999-10-04 | 2006-04-18 | Srs Labs, Inc. | Acoustic correction apparatus |
| US7171010B2 (en) * | 2003-09-11 | 2007-01-30 | Boston Acoustics, Inc. | Dynamic bass boost apparatus and method |
| DE102004036154B3 (de) * | 2004-07-26 | 2005-12-22 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und Verfahren zur robusten Klassifizierung von Audiosignalen sowie Verfahren zu Einrichtung und Betrieb einer Audiosignal-Datenbank sowie Computer-Programm |
| US20110091048A1 (en) | 2006-04-27 | 2011-04-21 | National Chiao Tung University | Method for virtual bass synthesis |
| TWI339991B (en) | 2006-04-27 | 2011-04-01 | Univ Nat Chiao Tung | Method for virtual bass synthesis |
| US7593535B2 (en) | 2006-08-01 | 2009-09-22 | Dts, Inc. | Neural network filtering techniques for compensating linear and non-linear distortion of an audio transducer |
| KR100829567B1 (ko) | 2006-10-17 | 2008-05-14 | 삼성전자주식회사 | 청각특성을 이용한 저음 음향 신호 보강 처리 방법 및 장치 |
| KR101310231B1 (ko) | 2007-01-18 | 2013-09-25 | 삼성전자주식회사 | 저음 증강 장치 및 방법 |
| US8625813B2 (en) | 2008-12-23 | 2014-01-07 | Stmicroelectronics, Inc. | Asymmetric polynomial psychoacoustic bass enhancement |
| US9055367B2 (en) | 2011-04-08 | 2015-06-09 | Qualcomm Incorporated | Integrated psychoacoustic bass enhancement (PBE) for improved audio |
| CN102866296A (zh) | 2011-07-08 | 2013-01-09 | 杜比实验室特许公司 | 估计非线性失真的方法和系统、调节参数的方法和系统 |
| WO2013101605A1 (en) | 2011-12-27 | 2013-07-04 | Dts Llc | Bass enhancement system |
| WO2013106366A1 (en) | 2012-01-09 | 2013-07-18 | Actiwave Ab | System and method for audio enhancement of a consumer electronics device |
| CN108989950B (zh) | 2012-05-29 | 2023-07-25 | 创新科技有限公司 | 自适应低音处理系统 |
| US9258664B2 (en) | 2013-05-23 | 2016-02-09 | Comhear, Inc. | Headphone audio enhancement system |
| US9432771B2 (en) * | 2013-09-20 | 2016-08-30 | Cirrus Logic, Inc. | Systems and methods for protecting a speaker from overexcursion |
| EP3530005A4 (en) | 2016-10-21 | 2020-06-03 | DTS, Inc. | DISTORTION DETECTION, PREVENTION AND DISTORTION BASS REINFORCEMENT |
-
2017
- 2017-10-20 EP EP17862331.0A patent/EP3530005A4/en active Pending
- 2017-10-20 WO PCT/US2017/057729 patent/WO2018075967A1/en unknown
- 2017-10-20 CN CN202210250371.XA patent/CN114550687A/zh active Pending
- 2017-10-20 KR KR1020197014621A patent/KR102473598B1/ko active IP Right Grant
- 2017-10-20 US US15/789,902 patent/US10600431B2/en active Active
- 2017-10-20 US US15/789,906 patent/US10559316B2/en not_active Expired - Fee Related
- 2017-10-20 CN CN201780074419.3A patent/CN110326308B/zh active Active
-
2019
- 2019-12-11 US US16/710,435 patent/US10748553B2/en active Active
-
2020
- 2020-02-05 US US16/782,574 patent/US10818310B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040179387A1 (en) * | 2003-03-10 | 2004-09-16 | Shure Incorporated | Multi-channel digital feedback reducer system |
| US20050226356A1 (en) * | 2004-04-07 | 2005-10-13 | Dell Products L.P. | Information handling system including adaptive interference suppression feature and method of operation |
| US20140341394A1 (en) * | 2013-05-14 | 2014-11-20 | James J. Croft, III | Loudspeaker Enclosure System With Signal Processor For Enhanced Perception Of Low Frequency Output |
| US20160275045A1 (en) * | 2015-03-16 | 2016-09-22 | Rockwell Automation Technologies, Inc. | System and method for determining sensor margins and/or diagnostic information for a sensor |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200118581A1 (en) | 2020-04-16 |
| WO2018075967A1 (en) | 2018-04-26 |
| US20180115824A1 (en) | 2018-04-26 |
| EP3530005A4 (en) | 2020-06-03 |
| US10748553B2 (en) | 2020-08-18 |
| KR20190069537A (ko) | 2019-06-19 |
| US10559316B2 (en) | 2020-02-11 |
| CN114550687A (zh) | 2022-05-27 |
| CN110326308B (zh) | 2022-04-05 |
| CN110326308A (zh) | 2019-10-11 |
| US20200176011A1 (en) | 2020-06-04 |
| US20180114536A1 (en) | 2018-04-26 |
| EP3530005A1 (en) | 2019-08-28 |
| US10600431B2 (en) | 2020-03-24 |
| US10818310B2 (en) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102473598B1 (ko) | 왜곡 감지, 방지, 및 왜곡-인지 베이스 강화 | |
| US10153744B1 (en) | Automatically tuning an audio compressor to prevent distortion | |
| JP5602309B2 (ja) | オーディオ信号の臨界周波数帯域における歪みを制御する方法とシステム | |
| JP6711881B2 (ja) | 周波数依存的減衰段をチューニングするための装置及び方法 | |
| JP6436934B2 (ja) | 動的閾値を用いた周波数帯域圧縮 | |
| KR102011537B1 (ko) | 베이스 강화 시스템 | |
| KR101681798B1 (ko) | 스피커의 인지성 소리 강도를 증가시키는 시스템 | |
| KR101855969B1 (ko) | 오디오 신호를 압축하는 디지털 압축기 | |
| JP2015515202A (ja) | アクティブノイズキャンセリングと知覚雑音補償との組み合わせによりサウンド再生の知覚品質を改善する装置および方法 | |
| KR20120093934A (ko) | 오디오 녹음의 적응적 동적 범위 강화 | |
| JP5223595B2 (ja) | 音声処理回路及び音声処理方法 | |
| JP5136378B2 (ja) | 音響処理方法 | |
| JP2022506570A (ja) | 超指向性超音波スピーカ装置の音質改善方法、及びそれを備えた超音波スピーカ装置 | |
| KR20120091701A (ko) | 오디오 신호 출력 방법 및 그에 따른 오디오 신호 출력 장치 | |
| WO2017183405A1 (ja) | 音響処理装置および音響処理方法 | |
| WO2021055513A1 (en) | Mitigating acoustic feedback in hearing aids with frequency warping by all-pass networks | |
| US11950089B2 (en) | Perceptual bass extension with loudness management and artificial intelligence (AI) | |
| Jeannerot et al. | Increasing loudness in audio signals: a perceptually motivated approach to preserve audio quality | |
| JP2012100117A (ja) | 音響処理装置及び方法 | |
| CN116964964A (zh) | 音频信号处理系统、扬声器和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |