Αφαίρεση του Φαινομένου του Μικροφωνισμού σε Ακουστικά Βαρηκοΐας

Transcript

1 Αφαίρεση του Φαινομένου του Μικροφωνισμού σε Ακουστικά Βαρηκοΐας Νιαβής Παναγιώτης Επιβλέπων: Καθ. Γ. Μουστακίδης

2 Περιεχόμενα Εισαγωγή Μικροφωνισμός σε ακουστικά βαρηκοΐας Προσαρμοστική αναγνώριση συστήματος ανοιχτού βρόγχου Αφαίρεση της ακουστικής ανάδρασης Ανοιχτά προβλήματα

3 Ακουστικά βαρηκοΐας Για άτομα με μειωμένη ακουστική οξύτητα Συλλέγουν ήχους από το περιβάλλον και τους ενισχύουν Αντίθετα με τους φακούς επαφής στο πρόβλημα της μυωπίας, δεν επαναφέρουν την ακοή στα φυσιολογικά της επίπεδα

4 Τύποι ακουστικών βαρηκοΐας Πίσω από το αυτί Εντός του αυτιού Εντός του ακουστικού πόρου Ολόκληρο εντός του ακουστικού πόρου

5 Μικροφωνισμός Από τα δυσκολότερα προβλήματα που πρέπει να αντιμετωπιστούν Ενοχλητικό για τον ασθενή αλλά και για τους γύρω του Επηρεάζει αρνητικά την ποιότητα του ήχου που ακούει ο ασθενής Περιορίζει τη μέγιστη δυνατή ενίσχυση

6 Αιτίες μικροφωνισμού Το ακουστικό δεν έχει τέλεια επαφή με το αυτί Ήχος απο το μεγάφωνο επιστρέφει στο μικρόφωνο Πιθανή αστάθεια

7 Μοντέλο ακουστικού με ανάδραση M(z): Μικρόφωνο F(z): Επεξεργαστής A(z): Μεγάφωνο H(z): Ακουστική ανάδραση

8 Προυποθέσεις για εμφάνιση μικροφωνισμού Ενίσχυση μεγαλύτερη από απόσβεση Καθυστέρηση φάσης ακέραιο πολλαπλάσιο μιας περιόδου Τότε σε κάθε κύκλο το σήμα ενισχύεται

9 Απλές λύσεις Μείωση του κέρδους ενίσχυσης στις επικίνδυνες συχνότητες Χρήση φίλτρων εγκοπής Μεταβολή της απόκρισης φάσης στις επικίνδυνες συχνότητες Χρήση ολοπερατών φίλτρων Συνδυασμός των δύο

10 Ακύρωση μικροφωνισμού Ιδέα: Προσθήκη ενός νέου μονοπατιού ανάδρασης που αναιρεί την ακουστική ανάδραση Απαιτείται γνώση του μονοπατιού ανάδρασης Χρήση αλγορίθμου αναγνώρισης συστήματος

11 Αναγνώριση γραμμικού συστήματος ανοιχτού βρόγχου Διαθέτουμε Την είσοδο του συστήματος Την έξοδο του συστήματος υποβαθμισμένη από θόρυβο μέτρησης Επιθυμούμε Ακριβή εκτίμηση του συστήματος Γρήγορη εκτίμηση του συστήματος Παρακολούθηση αλλαγών στο σύστημα

12 Αναγνώριση γραμμικού συστήματος ανοιχτού βρόγχου Έμμεση εκτίμηση του συστήματος Ψάχνουμε ένα που δίνει μικρό σήμα σφάλματος Με κάθε νέο δεδομένο βελτιώνουμε την εκτίμησή μας για το σύστημα Χρήσιμη λύση μόνο αν ο θόρυβος μέτρησης είναι ασυσχέτιστος με το σήμα εισόδου

13 Κλασικοί αλγόριθμοι αναγνώρισης συστήματος LMS RLS Χαμηλή υπολογιστική πολυπλοκότητα Κακές επιδόσεις όταν το σήμα εισόδου είναι χρωματισμένο Μεγάλη υπολογιστική πολυπλοκότητα Καλές επιδόσεις ανεξαρτήτως χρώματος του σήματος εισόδου

14 Μέτρο σύγκρισης αλγορίθμων αναγνώρισης συστήματος Ταχύτητα σύγκλισης ανάλογη του βήματος Σφάλμα σταθερής κατάστασης επίσης ανάλογο του βήματος Μέτρο σύγκρισης Ο RLS είναι βέλτιστος

15 Γρήγορος RLS Ο αλγόριθμος FAEST Ο RLS είναι αργός λόγω του τρόπου που υπολογίζει το Kalman Gain Το Kalman Gain μπορεί να υπολογιστεί αναδρομικά Πολυπλοκότητα 7Ν

16 Ο αλγόριθμος FNTF Ο LMS και ο FAEST είναι μέλη της κλάσης αλγορίθμων Stochastic Newton (SN) Ο LMS έχει τη μικρότερη πολυπλοκότητα και τη χαμηλότερη επίδοση στην SN Ο FAEST έχει τη μεγαλύτερη πολυπλοκότητα και την υψηλότερη επίδοση στην SN Ενδιάμεσα; Το κενό καλύπτει ο FNTF

17 Ο αλγόριθμος FNTF Βασική ιδέα: θεωρούμε ότι η είσοδος είναι AR(M), M<N και τροποποιούμε κατάλληλα τον FAEST Απαιτούνται φίλτρα πρόβλεψης τάξης Μ αντί για N Η αναδρομή για το gain γίνεται πιο απλή Πολυπλοκότητα 2Ν+5Μ

18 Ο νέος αλγόριθμος FLMS (1) Θεωρούμε ότι η ισχύς των σφαλματων πρόβλεψης συγκλίνει στην τιμή Μεταφέρουμε τη σταθερά αυτή στην εξίσωση ανανέωσης του φίλτρου

19 Ο νέος αλγόριθμος FLMS (2) Αγνοούμε τον όρο με το φίλτρο πίσω πρόβλεψης Επηρεάζει το διάνυσμα κέρδους μόνο για Μ χρονικές στιγμές Επηρεάζει μόνο τους τελευταίους Μ συντελεστές του φίλτρου οι οποίοι είναι συνήθως μηδεν Η συμβολή του είναι μικρή όταν Ν >> Μ

20 Ο νέος αλγόριθμος FLMS (3) Αντί για ένα LS αλγόριθμο, χρησιμοποιούμε LMS για την εκτίμηση του φίλτρου πρόβλεψης

21 Ο νέος αλγόριθμος FLMS (4) Δεν είναι ευαίσθητος σε σφάλματα πεπερασμένης ακρίβειας Πολύ απλός στη υλοποίηση Πολυπλοκότητα 2Ν+3Μ Καλύτερος από τον LMS Με AR είσοδο, με απόδειξη Με γενική είσοδο, από εξομοιώσεις

22 Σύγκριση LMS FLMS με AR(1) είσοδο 0 5 LMS FLMS 0 5 LMS FLMS EMSE (db) EMSE (db) n n

23 Σύγκριση LMS FLMS με ARΜΑ(3,3) είσοδο 0 5 LMS FLMS 0 5 LMS FLMS EMSE (db) EMSE (db) n n

24 Εφαρμογή στο πρόβλημα ακύρωσης του μικροφωνισμού Προσαρμοστικός αλγόριθμος Είσοδος: Επιθυμητή έξοδος: Θόρυβος μέτρησης: Συνεχής εκτίμηση και ακύρωση του μικροφωνισμού Προβλήματα Biased εκτίμηση Ακύρωση μέρους της εισόδου

25 Σύγκριση LMS-FLMS με AR(2) είδοσο 0 LMS FLMS 0 LMS FLMS EMSE (db) 15 EMSE (db) n n

26 Σύγκριση LMS FLMS με πραγματική είσοδο 5 LMS FLMS 10 Misalignment (db) n x 10 5

27 Ανοιχτά θέματα Θεωρητική ανάλυση του FLMS για μη AR σήματα εισόδου σε ανοιχτού βρόγχου συστήματα Θεωρητική ανάλυση, αρχικά του LMS και κατόπιν του FLMS, σε περιβάλλοντα με ανάδραση Επίλυση του προβλήματος της ακύρωσης σημάτων εισόδου με στενό συχνοτικό περιεχόμενο

28 ΤΕΛΟΣ Ευχαριστώ για την προσοχή σας!