Struktura ANC je na Obr. 9.1
Za tímto účelem umístíme mikrofon (vstupní signál ) co nejblíže mluvčímu. Mikrofon ale snímá i část rušení . Proto umístíme ještě jeden mikrofon (referenční vstup ) poblíž zdroje rušení , aby jsme ho co nejvěrněji zachytili s tím, že se nám ho později podaří od směsi na vstupu odečíst a získat tak čistý užitečný signál.
O příspěveku od k signálu na referenčním vstupu předpokládáme, že je přímo roven (referenční mikrofon je přímo u zdroje rušení). Podobně předpokládáme, že příspěvek užitečného signálu k vstupnímu signálu je přimo roven (vstupní mikrofon je přímo u zdroje užitečného signálu). Přenosová cesta od zdroje rušení na vstup je modelována LTI systémem s přenosovou funkcí . Přenosová cesta od zdroje užitečného signálu na referenční vstup je modelována LTI systémem s přenosovou funkcí .
Předpokládejme nejprve, že přenosová funkce je nulová. Na vstupu je přítomna směs užitečného signálu a příspěvku od rušivého signálu . Naším cílem je rušení ze směsi odstranit. K dispozici máme referenční vstup , na kterém se v ideálním případě vyskytuje pouze šum (bez ). V případě, že () a jsou nekorelovány, minimalizuje LMS výkon na výstupu tím, že nastaví váhy adaptivního filtru tak, aby přenosová funkce adaptivního filtru byla shodná s , čímž se rušení na chybovém výstupu vykompenzuje.
Dalo by se říci, že se vlastně jedná o úlohu identifikace, kterou jsme probírali na 4. cvičení. Jediný rozdíl v obou úlohách je pouze v tom, že v úloze identifikace je cílem odhadnout přenosovou funkci neznámého systému (zde ) a v úloze ANC je cílem potlačit rušení. Tedy úloha potlačení echa v automobilu je spíše ANC než identifikace. Podíváme se zde ale také na věci, které jste si na uvedené úloze ještě nevyzkoušeli. Předně vliv přítomnosti na SNRE (Signal to Noise Ratio Enhancement) a vliv (vysokého) SNR na vstupu na funkci adaptivního filtru.
Cvičení 9.0: Jako užitečný signál si stáhněte tento řečový signál (použijte pouze prvních ). Vygenerujte barevný šum (AR model 2. řádu - komplexně sdružené póly: , ) s normovaným rozptylem na 1. Jako rušení pak volte tento barevný šum dodatečně zesílený r_zes-krát, kde
Napište skript v Matlabu impementující strukturu ANC Obr. 9.1. Řád adaptivního filtru volte . Konvergenční konstantu volte opět mu = 0.1/((M+1)*rxx0) (viz. (7.1) pro missadjustment ).
Pro všechny body A1, A2, B1, B2, C1, C2: Vyneste průběh vah na čase, vyneste spektrogramy užitečného signálu , vstupního signálu a výstupního (a poslechněte si je). Dále vždy spočtěte SNR na vstupu , SNR na výstupu a dosažené SNRE. Rovněž vyneste impulsovou odezvu adaptivního filtru v ustáleném stavu a porovnejte ji s impulsovou odezvou .
Pokuste se odpovědět na následující otázky: Proč zavedení vazby (z na ) vede ke zhoršení SNRE? Proč s rostoucím SNR na vstupu (s klesajícím výkonem rušení) SNRE klesá?
Uvádím zde pouze skript na výpočet SNRE (podobně jako u ALE):
Pu1 = sum(u.^2)/N; % vykon uzitecneho sig. na vstupu Pn1 = sum((d-u).^2)/N; % vykon ruseni na vstupu Pu2 = sum(u.^2)/N; % vykon uzitecneho sig. na vystupu Pn2 = sum((e-u).^2)/N; % vykon ruseni na vystupu SNR1 = 10*log(Pu1/Pn1); SNR2 = 10*log(Pu2/Pn2); SNRE = SNR2-SNR1;
Výsledky pro r_zes = 4:
|
|
|
Výsledky pro r_zes = 1:
|
|
Výsledky pro r_zes = 0.1:
|
|
Nyní si vyneseme tabulku 9.1
dosažených SNRE pro jednotlivá r_zes a
typy . Rovněž uvedu pokles SNRE vlivem přítomnosti
(označeno
).
|
Problém je, že váhový vektor není fixován na optimální hodnotu ale vykazuje rozptyl (gradientní šum). Vlivem gradientního šum je skutečné MSE o něco vyšší než MSE pro optimální nastavení vah (volíme-li podle (7.1) a zvolíme-li zde missadjustment - běžná hodnota, mělo by dojít ke zvýšení zhruba o 10 procent). Pak se stane, že výkon příspěvku k vlivem gradientního šumu je mnohem větší než výkon příspěvku rušení na vstupu .
Cvičení 9.1: Jak byste modifikovali strukturu ANC Obr. 9.1 víte-li, že SNR na vstupu bude vždy větší než 0 (rušení má ve směsi vždy menší zastoupení než užitečný signál)?