亚当•库克MathWorks
有源噪声控制(ANC),也被称为主动降噪,试图取消不必要的声音使用相消干涉。ANC系统使用自适应数字滤波合成声波的振幅相同的信号,但由于反向阶段。这个视频第一个评论ANC的基本原则。然后展示了如何使用仿真软件金宝app®设计和模拟ANC系统取消噪音管道模型中使用Filtered-X NLMS自适应滤波器。最后,您将看到如何使用一个真实的实现ANC系统管道和Speedgoat实时音频管机配备了一个超低延迟操作系统和超低延迟a / D和D / a转换器。视频显示了如何用C代码自动生成实时仿真模型的原型。
探索这个视频中使用的例子:自适应噪声控制与实时仿真软件金宝app。
有没有想过主动降噪耳机系统,如发现,汽车,和暖通空调系统开发和原型吗?
让我给你一个原型使用MATLAB仿真软件,Speedgoat实时目标机器。金宝app
使用一些简单的PVC管,该系统模型的降噪系统的类型可能是用于空调管道。
让我们来谈谈我们如何开发这个系统。
主动降噪的主要是,当一个音频波是总结其精确的逆,得到的波形是零。
所以如何产生完全相反的波形的原始噪声来源?
当然这不是微不足道的。然而,使用一些基本的声学和信号处理原理我们可以设计一个系统,让我们取消非常令人满意的结果。
考虑这个图的PVC管模型。模型是一个演讲者的噪声源PVC管的一端。噪音消除,或者“吸声”,来源是另一个扬声器连接通过一个肘关节。
这里就是我们的动画和现实世界PVC管模型。
除了噪声和抗噪声的来源,我们的系统也可以利用两个测量麦克风。第一个测量麦克风是我们的“参考麦克风”。这记录噪声源接近它的起源。
第二测量麦克风被称为“错误麦克风”。这是放置在PVC管的输出。这个麦克风降噪的位置会发生。
所以,如果“吸声信号只是噪声源的倒数,为什么我们不能只是转化参考麦克风信号和玩的扬声器?噪声源的原因是会传播的路径从它的起源到结束的管道。我们测量管的音频信号在与我们的“麦克风”错误。随着信号传播,管充当一个过滤器,噪音的声音变化。噪音的传播路径从它的起源到年底地铁被称为“主路径”。
我们可以确定这个“主路径”过滤器的特点通过使用自适应滤波器算法。这个过滤器将直到它已经学会适应滤波器权重提供一个数字表示的过滤器。
我们使用的更新算法来更新滤波器权重称为“归一化LMS”。
但等待,吸声扬声器有自己的传播路径!我们还必须考虑到这条道路。吸声扬声器的传播路径误差传声器的叫做“路径”。我们包括估计次要路径在NLMS更新我们的系统。
那么,我们现在完成了吗?不!最后要考虑路径是噪声的吸声扬声器的反馈路径参考麦克风。我们需要减去,抗噪声信号参考麦克风,否则我们有一个持续的反馈循环会导致不正确的结果。
好了,现在我们准备模拟。使用仿真软件金宝app,我们创建了一个模拟模型,我们的现实世界的PVC管系统和主动噪声消除算法。
这个模型允许我们使用快速原型模拟真实世界的系统环境。
例如,在这个模型中我们模拟主要和次要传播路径与数字滤波器的等价物。此外,我们模拟噪声和抗噪声的声学求和信号求和块。
现在,开发实时音频硬件系统的人都知道不便和技术困难,常常发生,可以专注于你的算法。这种方法的好处是,我们可以开始没有硬件,测试/调试算法,然后我们算法的模拟部分替换为实际的等价物一旦我们有信心它工作得很好。
此工作流通常被称为基于模型的设计。
当我们运行这个模型在模拟时,我们可以听实时音频信号。
我们还可以查看如何随时间变化的信号的时间范围。黄色信号代表输入噪声信号,所以它保持不变。蓝色信号代表了信号测量误差传声器。当我们运行仿真,我们看到蓝色信号降低幅度随着时间的推移过滤器适应。
在这里,我们看到的滤波器权重改变随着时间的推移过滤器适应。
一旦我们有信心我们的算法在仿真工作,下一步是取代模拟声学环境实际真实的系统。要做到这一点,我们需要一个工具,可以让我们得到音频信号的仿真软件模型与超低延迟。金宝app
为了实现最优延迟性能,我们部署模型使用模型实时和Speedgoat实时目标机器。金宝app
这台机器提供了一个超低延迟实时内核和超低延迟转换器允许信号通过速度远远超过传统的桌面或笔记本电脑。
为什么我们关心低延迟?让我们回到我们的模型。系统必须记录参考麦克风,计算的响应和玩在非国大扬声器之间的旅行时间声音这些点。在这个例子中,之间的距离参考麦克风和“Y”的开始部分是34厘米。声音是343 m / s的速度,因此我们的最大延迟1毫秒。
Speedgoat可以配备必要的A / D和D / A转换器得到音频的机器具有非常低的延迟。事实上,这个解决方案的总延迟是2样本。如果我们使用一个8 khz的采样率,这是一个季度一毫秒!
我们可以让我们的仿真软件模型Sp金宝appeedgoat硬件上运行一些简单的修改。
我们会与现实世界的音频接口信号会从我们Speedgoat目标机器使用这些自定义模型。金宝app这些块允许我们指定的采样率和音频信号的电压范围。
我们也可以访问“目标范围”,让我们想象监视器连接到目标机器上的信号。
在这里,我们看到的有源噪声控制部分模型,适应在Speedgoat上运行。
因为我们使用model-based-design方法,该模型非常类似于我们测试我们的算法构建的仿真模型。
我们已经删除了块模拟声学过滤和声学求和,因为他们不再需要。我们现在直接与真实世界的信号接口。
另一个能力添加到我们的模型是一块执行“第二路径估计”。这允许我们替换路径的估计与实际测量中使用模拟的现实路径。
这个测量模型第一次运行的时候会发生。测量完成后,我们将切换到执行主动降噪。
声反馈我们做同样的事情。
这是我们的模型在实时Speedgoat机器上运行。
我们开始与模型测量路径估计和声学反馈。这是通过发送一个白噪声信号通过吸声扬声器。
完成后,我们切换到一代的噪音。生成的噪声源包括合成音调模拟空调风机的振动或运动。或者,我们可以用真实的记录类似噪声的类型。
我们开始与系统。我们可以监视测量麦克风信号实时监控范围。同时,我们可以把噪声信号的水平与旁边的分贝计我们放置测量麦克风。
现在,我们将使用这个指示板打开有源噪声控制开关在我们的模型中。
分贝计的噪音水平开始下降。几秒钟内,我们看到非常明显的效果。所产生的噪音减少了20分贝!
我们希望这视频提供了一些有用的洞察我们的方法快速原型的主动降噪系统实时流式音频。
我们能够创造一个现实的模型,使用仿真软件系统,然后应用该模型与实时仿真软件和实际实现Speedgoat实时目标机器。金宝app
你也可以从下面的列表中选择一个网站:
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。