抗噪算法论文

抗噪算法论文（精选3篇）

抗噪算法论文 篇1

0 引言

说话人识别中关键问题之一是提取有效的特征参数。不同的特征参数对说话人识别会产生不同的效果,直接影响识别系统的识别率及鲁棒性。目前常见的特征参数有线性预测系数(LPC)、线性预测倒谱参数(LPCC)、线谱对参数(LSP)和Mel频率倒谱系数(MFCC)等。然而,在实际的说话人识别系统中,容易受到噪声的干扰,尤其是在低信噪比下,系统的识别率大大下降[1,2,3]。

对语音信号进行预处理能有效地去除信号中的噪声,尤其是在低信噪比的环境下,语音信号的预处理能对识别效果产生很大的影响。文献[4]采用改进谱减法能更好地去除背景噪声和残余噪声,但在低信噪比环境下对语音信号的可懂度损伤较大。文献[5]中采用听觉掩蔽效应能对语音消噪,但掩蔽门限的估计会存在很大误差。文献[6]中Gammatone滤波器组是基于人耳耳蜗听觉模型建立的,该滤波器组能很好地模拟基底膜的分频特性,能进一步抑制背景噪声,提高说话人语音信号的可懂度,但是不能提高语音信噪比。

任何信号都是由一些不同的基本模式分量组成的。每个模式可以是线性的或非线性的,一个信号可以包含多个基本模式分量,如果模式之间相互重叠,则形成复合信号。语音信号作为非平稳复合信号,分析时需要使用具有局域性的基本量和基本函数。一般采用的方法有:短时傅里叶变换、Gabor展开、小波变换等。这些方法的共同点就是采用具有有限支撑的震荡衰减波形作为基函数,然后截取一小段时间区域内的信号进行相似性的度量,而且这些基函数大多数预先选定的。而经验模态分解(EMD)方法则得到了一个自适应的广义基。基函数没有统一的表达式,而是依赖信号本身,是自适应的,不同的信号经分解会得到不同的基函数,与传统的分析工具有本质的区别。基于EMD的时频分析方法能够定量地描述频率和时间的关系,准确地刻画信号的非平稳特性,实现对时变信号的完整分析[7]。RLS自适应滤波器可以按事先设定的准则自动调节本身的传递函数以达到所需要的输。本文将EMD和RLS相结合作为语音信号预处理器,将带噪信号经过预处理后进行EMD分解,分解得到时间尺度不同的基本模式分量(IMF)。这些IMF会按照频率从高到低的顺序排列,然后对噪声主要存在的IMF通过递推最小二乘算法(RLS)构造的滤波器滤波,自适应地最优逼近噪声分量,然后重构出信号,以此达到去噪的效果。最后通过Gammatone滤波器组,提取特征参数GFCC用于此说话人识别。在低信噪比的背景下,该方法的识别率和鲁棒性均高于普通增强处理的说话人识别系统。

1 EMD与RLS的语音抗噪算法

1.1 EMD分解算法

基本模式分量须满足两个条件:

(1)在整个语音信号数列中,信号极值点数量与过零点数量相差小于等于1。

(2)在任意一段时间内,信号上包络线、下包络线确定的平均值为0[8]。

对于给定信号x(t),EMD分解方法[9]如下:

(1)检测x(t)所有局部极大、极小值点,进而分别确定x(t)的上、下包络线。再取两条包络线的平均值组成新序列m(t)。

(2)从x(t)中减去m(t),得:h1(t)=x(t)-m(t),如果h1(t)不满足条件(1)和(2),则把h1(t)作为新的x(t),重复步骤(1)和步骤(2),直到h1(t)满足条件,记:c1(t)=h1(t)。

(3)从x(t)中分解出第一个基本模式分量c1(t)后,减去c1(t),得到剩余值序列:r1(t)=x(t)-c1(t)。

(4)把r1(t)作为新的原始信号重复上述操作,依次可得c1(t),c2(t),…,cn(t),最后分解剩余一项rn(t)。记:

对分解的过程设定一个停止条件:当cn(t)或rn(t)小于预设值Sd时,则分解停止,即:

式中,T表示信号的时间长度;hk-1(t)和hk(t)为筛选基本模式过程中的两个连续处理结果的时间序列。Sd的值通常取0.2~0.3[10]。图1和图2给出了一段受高斯白噪声污染的语音信号(-5 d B),及这段加噪信号经EMD分解后的IMF分量。可以发现,噪声信号基本包含在高频的基本模式分量中。

1.2 RLS算法

RLS算法即“递推最小二乘法”[11],它是考察一个由平稳信号输入的自适应系统在一段时间内输出误差信号的平均功率,并使该平均功率达到最小作为自适应系统的性能准则。RLS算法的递推公式为:

式(3)说明在n时刻的最佳值v(n)可由n-1时刻的最佳值v(n-1)加一修正量得到,g(n)[d(n)-xT(n)v(n-1)]为修正量。其中xT(n)v(n-1)为根据n-1时刻的最佳加权和n时刻数据对d(n)之预测值。g(n)为比例增益系数,表达式为:

式中,λ为遗忘因子,它是小于1的正数,其变化对算法影响很大。算法的有效记忆长度用t来表示,t定义为:

因此,λ越小,对应的t越小,稳态误差就越大,这样对信号的非平稳性跟踪性能就越好。但是如果λ太小,t会小于信号每个平稳段的有效时间,因而就不能充分利用所有能够获取的采样数据,导致计算出的权矢量v(n)将会受到噪声的严重影响,对于平稳信号λ的最佳值为1。图3为自适应噪声消除器的结构图。

图3中带噪信号d(n)包括原始语音信号和噪声,x(n)为参考噪声输入。在实际工作过程中,此种自适应噪声消除器主要是完成d(n)中的噪声估计,使输出的噪声估计值y(n)尽可能接近d(n)中的噪声信号,然后从带噪信号中直接减去y(n),进而达到消噪的效果。

1.3 本文算法

针对几种典型的高频噪声,本文提出了一种将EMD和RLS结合作为预处理器的语音信号抗噪算法。在实验室环境下采用不同的噪声对语音信号加噪,然后用经验模式分解法(EMD)分解加噪后语音信号,进而得到时间尺度不同的IMF分量。这些IMF会按照频率从高到低的顺序排列,理论上分解后的绝大部分IMF分量中都会掺杂所加的噪声信号的分量。考虑到实验采用的噪声信号一般时间尺度小,频率相对较高,所以当用EMD方法分解带噪语音信号后,噪声信号主要分布在频率较高的IMF分量中。这样可以避免对带噪信号进行全频降噪处理,损害到一些无需处理的有用原始语音信号,而只需对高频IMF分量进行处理。因此,本文提出一种只对高频的IMF分量采用RLS自适应滤波器进行处理的算法,算法框图如图4所示。首先对带噪语音信号进行数字化、预加重、加窗分帧和端点检测等前处理。然后对处理后的信号EMD分解,对分解出的高频IMF分量(第1~m级)进行RLS处理,m一般取N/3。将处理后的IMF分量与未处理的低频IMF分量进(第m+1~N级)行叠加,重构增强后的语音信号。最后输入Gammatone滤波器组,提取特征参数GFCC,用高斯混合模型对语音信号识别。

2 Gammatone特征提取

2.1 Gammatone滤波器

Gammatone滤波器[12]最早应用于描述听觉系统脉冲响应函数的形状,后来应用于耳蜗听觉模型,用来模拟人耳听觉频率响应,其时域表达形式如下:

式中,k为滤波器增益,a为滤波器阶数,f为中心频率,ф为相位,b为衰减因子,该因子决定相应的滤波器的带宽,它与中心频率f的关系为:

由于Gammatone滤波器的时域表达式为冲击响应函数,所以将其进行傅里叶变换就可以得到其频率响应特性。不同中心频率的Gammatone滤波器幅频响应曲线如图5所示。

2.2 GFCC特征参数的提取

根据Gammatone滤波器的特性,准备将该滤波器应用到说话人识别系统中。将输入的语音信号通过一组Gammatone滤波器,进而语音信号由时域转换到频域。

这里采用一组64个的4阶Gammatone滤波器,其中心频率在50~8000 Hz之间。由于滤波器的输出保留原来的采样频率,按时间维度取响应频率为100 Hz、通道数为64的Gammatone滤波器。这样就产生了相应的帧移为10 ms,进而可以应用到短时间的语音特征提取中。当语音信号通过以上的滤波器时,输出信号Gm(i)的响应表达式为:

式中,N=64是滤波器的通道数,M是采样之后的帧数。

这样Gm(i)构成了一个矩阵,代表输入信号在频域的分布变化。这里采用类耳蜗图[13]来描述输入信号在频域的分布变化。与具有直观分辨率的语谱图不同,类耳蜗图在低频段的分辨率优于在高频段的分辨率。图6是一段纯净语音信号的语谱图和类耳蜗图。图7是一段加噪语音信号的语谱图和类耳蜗图。从图中对比可以看出,类耳蜗图的分辨效果更加清晰,能更好地反映语音信号的能量分布,尤其是在有噪声背景下,类耳蜗图的优势更突出,更能反映出语音信号的特性。因此,将对类耳蜗图进行下一步的分析。

将类耳蜗图的每一帧称为Gammatone特征系(GF),一个GF特征矢量由64个频率成分组成。但是在实际的说话人识别系统中,GF特征矢量的维度比较大,计算量较大。此外,由于相邻的滤波器通道有重叠的部分,GF特征矢量相互之间存在相关性。因此,为了减小GF特征矢量的维度及相关性,这里对每一个GF特征矢量进行离散余弦变换(DCT),具体表示为:

这里将系数Ci(j)称为GFCCs系数,在实际的说话人识别系统中,并非取全部维数的GFCCs系数。首先计算64维的γ-Tone滤波器系数矩阵的协方差矩阵和PCA转换矩阵,文献[14]证明,PCA的主方向就是协方差阵的特征值对应的特征向量。要将原向量降到目标维数,只需取最大特征值对应的特征向量组成PCA转换矩阵即可,根据主成分累计贡献率计算公式,其中λi为S的第i个特征根,按照累积贡献率不小于85%的准则,将64维降到26维。GFCC特征参数表示为:

3 实验结果与分析

实验所用的语音库是利用麦克风录制的,语音采用的是单声道,8 KHz的采样频率,16 bit量化。该语音库由20人录制的,每个人录制10段语音,时长分2、5和10 s不等,将每个人的4段语音作为训练样本集,另外6段语音作为测试样本集。混入噪声选自NOISEX-92标准噪声库[15]中的White噪声、Car噪声、Factory噪声,信噪比分别为-10、-5、0、5和10 d B。采用的识别方法是高斯混合模型(GMM),GMM的混合数是16。特征参数GFCC的提取采用64通道的Gammatone滤波器,实验数据表明,经过DCT变换后的GFCC参数,低26维系数占据了全部GFCC参数的主要特征信息,而高于26维的GFCC值都接近于0,提供的信息几乎可以忽略。因此本文采用26维GFCC作为特征向量,仿真结果如图8所示。

为了获得经本文算法处理后的语音的听觉主观感受,采取主观MOS评分法,接受10位听众的听觉感受测试。听众根据处理后语音的清晰度、可懂度和噪声情况综合给出评分,然后记录不同算法处理后的MOS均分,如表1所示。

从图8和表1中可以看出,本文算法的识别率和MOS评分要高于一般的语音去噪增强算法,不仅提高了信噪比,主观感觉到的噪声也明显降低,体现出了本文算法的优越性。

4 结语

语音信号作为一种典型的非平稳性信号,容易受到噪声的污染。本文给出了一种将EMD+RLS作前处理,与Gammatone滤波器组相结合提取GFCC的说话人识别抗噪算法。实验结果表明,其识别率、鲁棒性及主观感受都优于传统的语音增强识别算法。GFCC能很好地模拟人耳基底膜特性,降低加性噪声的影响;EMD能很好地刻画信号的非平稳性;RLS能够实时自适应逼近噪声信号,提高语音信号的信噪比,进一步改善带噪语音信号的清晰度。然而,RLS算法运算中增益g(n)是一个随着输入的不同而改变的函数,增加了运算量,在短时间内进行说话人识别时,识别的效果还需进一步改进。因此,如何简化本文的算法减少计算量,实现短时识别将是以后研究的重点。

强噪声环境下有源抗噪耳罩设计 篇2

在矿井通信中,相对狭小的空间和集中的机电设备使得矿井中存在各种机械噪声。机械噪声会影响矿工之间的交流,降低工作效率,同时由于沟通的问题也很容易导致紧急事故的发生。鉴此,针对煤矿井下的强噪声环境,设计一种能够满足矿工之间有效通信的抗噪耳罩是亟待解决的问题。国外对于有源抗噪耳罩的技术研究起步较早,起点较高,并且取得了很好的降噪效果,如Bose公司生产的基于三腔技术的航空耳罩,可以在115 dB强噪声环境下,将语音的清晰度从80%提高到95%。市场上销售的专业型耳罩一般是密闭式的,较笨重,适用于特定场合,且价格比较昂贵。国内对于数字式有源降噪的研究起步较晚,目前已取得了一定的成绩。但是,国内的有源抗噪耳机价格昂贵,且大部分都是针对特定声学环境设计的,所以没有得到普及。数字式有源耳罩在工程实践中存在稳定性差和处理非线性宽带信号的能力较弱的缺点[1]。本文设计的基于TMS320VC5509 DSP的有源抗噪耳罩采用改进型的自适应算法和相应硬件电路,实现了在强噪声环境下消除噪声的目的。

1 有源抗噪耳罩工作原理

1.1 有源抗噪原理

实现强噪声背景下的无线语音通信的关键是通过主动降噪技术结合被动降噪技术来实现噪声的消除。被动降噪主要是在噪声传播路径上限制和隔绝噪声的传播,选择合适的隔声材料来达到降低噪声的目的,本文所设计的耳罩采用PVC塑胶材料实现被动降噪。被动降噪对高频噪声有很好的降噪效果,但是对低频噪声的降噪效果不是很好,所以,针对低频噪声要通过有源噪声控制的方法即主动降噪来实现。

主动降噪技术的原理是当次级通道产生的噪声信号与主通道的噪声信号刚好幅度相同、相位相反时,噪声就可以消除[2]。而在实际的应用系统中,强背景噪声的幅度和频率是随时变化的,不同时刻得到的噪声信号完全不相关,针对上述特点,要想使消除噪声的效果较好,就必须使反向噪声补偿信号具有精确的实时跟踪噪声信号频率和幅度的性能,这样才能达到系统的设计要求,如果补偿信号过大就会产生反向噪声,过小则达不到系统降噪的目的,同理相位变化也会产生类似的问题。由此可见,耳罩设计的关键在于能否实时快速而又准确地跟踪噪声特性,因此,采用归一化的最小均方(Least Mean Square, LMS)算法结合TMS320VC5509 DSP来实现噪声的实时采集和消除。

1.2 自适应主动降噪算法

自适应主动降噪是在自适应滤波器的基础上设计的,原理如图1所示。

图1中,AF即为自适应滤波器,自适应滤波器中采用的算法是归一化LMS算法。噪声抵消系统有2个输入信号:1个原始输入信号,1个参考输入信号。原始信号为有用信号加噪声信号,即x(n)=s(n)+v0(n),将监测的噪声信号作为参考噪声v1(n),x(n)经过扬声器后成为信号y(n),d(n)为噪声经过噪声传输路径后形成的信号,误差信号为e(n)。由图1可得

$\begin{array}{l}e(n)=y(n)-d(n)(1)\\ y(n)=s(n)+v(n)(2)\\ e(n)=s(n)+v(n)-d(n)(3)\end{array}$

均方误差即输出的均方值:

因为s(n)和v(n),d(n)不相关,可得

$E[s(n)(v(n)-d(n))]=0(5)$

式(4)可以转换为

$E[e(n){}^2]=E[s(n){}^2]+E[(v(n)-d(n)){}^2](6)$

自适应滤波器通常调整其加权系数W来使得E[e(n)2]最小,又因为有用信号不在自适应的通道内,自适应滤波器不改变有用信号,可得

最终该滤波器调整的结果使得v(n)在均方误差最小的情况下接近d(n),从而使得误差信号e(n)最大程度地接近有用输入信号s(n),即

$e(n)-s(n)=v(n)-d(n)(8)$

通过上述的推导过程可以看出,调整加权系数W可使输出的v(n)最大限度地接近d(n),可使输出的误差信号e(n)最大限度地接近纯净的有用信号s(n)。

输入信号是通过语音编解码芯片采样后得到的,可通过DSP编程抵消采集到的混合信号中的噪声,该噪声抵消过程中的自适应滤波部分采用的算法是归一化LMS算法。归一化LMS算法是对LMS算法的改进,输入信号可以改变归一化收敛系数,解决了LMS算法中梯度噪声放大的问题[3],归一化LMS算法的权矢量迭代公式为

$\mathit{W}(n+1)=\mathit{W}(n)-2\mu (n)e(n)x(n)(9)$

式中:$\mu (n)=\frac{\alpha }{\gamma +L\widehat{\mathit{{\rm P}}}{}_{x(n)}}‚\alpha ,\gamma ‚L$为常数,为了避免输入信号太小导致步长μ(n)过于偏大的情况,增加常数γ进行校正,从而可以避免μ(n)中的分母值太小而导致μ(n)过大;$\widehat{\mathit{{\rm P}}}{}_{x(n)}$为是在n时刻输入信号x(n)的估计,$\widehat{\mathit{{\rm P}}}{}_{x(n)}$一般可以通过滑动矩形窗的方法求得,即$\widehat{\mathit{{\rm P}}}{}_{x(n)}=\frac{1}{L}[x(n){}^{\text{Τ}}x(n)]$,则归一化的LMS算法的迭代公式为

$\mathit{W}(n+1)=\mathit{W}(n)-\frac{\alpha }{\gamma +L\widehat{\mathit{{\rm P}}}{}_{x(n)}}e(n)x(n)(10)$

由式(10)可以看出,n+1时刻的加权系数W(n+1)是通过n时刻的加权系数W(n)和n时刻的误差信号e(n)以及n时刻的输入信号x(n)共同得到的,以此类推,可以得到滤波器各个时刻的加权系数。通过式(10)可求得滤波器的加权系数,通过加权系数的不断改变来实现自适应的最佳滤波,从而达到主动降噪的目的。

2 耳罩硬件设计

耳罩以高速DSP芯片TMS320VC5509为核心,运用音频编解码芯片TLV320AIC23采集语音信号,采集的语音信号通过DSP的多通道缓冲串口McBSP传送给TMS320VC5509进行处理。处理后的数字信号又经过缓冲串口送入耳机进行播放[4],耳罩硬件框图如图2所示。

2.1 语音采集模块设计

该耳罩的DSP处理器选择TMS320VC5509,TMS320VC5509是一款高性能低功耗的高速DSP芯片,具有4个40位累加器、2个MAC单元,内核电压仅为1.5 V,适用于低功耗的便携式设备,正好满足该耳罩的要求,TMS320VC5509具有多种接口,同时可以配置大容量的SDRAM。语音编解码芯片选择TLV320AIC23,TLV320AIC23内部的数模转换模块具有完整的数字滤波功能[5]。

TMS320VC5509通过I2C总线将配置指令传送给TLV320AIC23,TLV320AIC23在接收到DSP的配置指令后开始工作,TLV320AIC23通过内部AD转换采集输入语音信号,每采集完一个信号后将数据传送到DSP的McBSP接口上,DSP可以读取语音数据,语音数据为16位的无符号整数,左右通道各一个数值。在语音的输出部分,DSP通过McBSP接口将数据传输给TLV320AIC23模块,TLV320AIC23模块内部的DA转换模块将数字信号又转换成语音信号输出。

2.2 电源模块设计

为了适应耳罩电压的要求,考虑到TMS320VC5509处理器的内核电压为1.6 V,I/O端口电压为3.3 V,耳罩采用3节1.5 V的AAA电池供电,供电直流电压为4.5 V。为了得到耳罩所需的电压,采用电压转换芯片将4.5 V的直流电压转换为3.3 V和1.6 V。采用双路输出低压差电压调整器TPS767D301给DSP供电。

2.3 存储器模块电路设计

TMS320VC5509可以和标准的SDRAM进行连接,耳罩使用的SDRAM型号为HY57V641620,用于暂存数据,使用的FLASH型号为S29AL008D,用于永久性地保存数据和程序,从而使耳罩脱离仿真器后仍能正常工作。TMS320VC5509最多只能外扩16 KB的异步存储器,FLASH属于异步存储器的一种,所以要想访问全部512 KB的地址,需要按照分页方式进行访问,这个访问可以通过控制FAR寄存器来控制。DSP的FA1、FA2寄存器控制FLASH的高位地址线,FA1、FA2寄存器可以驱动FLASH的高位地址线处于固定的状态,从而实现分页的目的。

3 耳罩软件设计

本文所采用的软件集成开发环境为Code Composer Studio 3.1,在该开发环境中可以完成耳罩的软件开发、软件和硬件的仿真调试,采用C语言进行编程,开发系统采用ICETEK 5100-USB实现硬件仿真调试与硬件系统的通信,控制和读取硬件系统的状态和数据。TMS320VC5509没有内部的非易失性的程序存储空间,要想使耳罩脱离仿真器后仍然能正常工作,需要外接FLASH来存储程序,上电后,可以利用TMS320VC5509的Bootloader 功能从FLASH中加载程序到存储器中使用。软件设计主要包括主程序、TLV320AIC23子程序模块和归一化LMS自适应算法模块程序。

3.1 主程序流程

主程序主要完成通信语音信号和噪声信号的采集,并将采集的语音信号传输到TMS320VC5509中进行自适应滤波的算法处理,处理后的结果通过TLV320AIC23子程序模块回放滤波后的语音信号。主程序流程如图3所示。

3.2 TLV320AIC23子程序设计

TLV320AIC23子程序主要负责数据的采集并将采集的模拟语音信号通过AD转换后传送给DSP,DSP将语音信号通过自适应滤波算法处理后再传回给TLV320AIC23模块,通过DA转换后将模拟信号送入扬声器播放[6]。具体程序流程如图4所示。

3.3 归一化LMS自适应算法

归一化LMS自适应算法主要是通过把输入到DSP中的混合信号与输入的参考噪声信号作为输入,通过算法滤波后得到无噪声的语音通信信号。具体算法流程如图5所示。

4 耳罩性能测试

测试的目的是为验证该有源抗噪耳罩的抗噪性能,即抵消噪声的能力。CCS(Code Composer Studio,代码调试器)是一种合成开发环境,它是一种针对标准TMS320调试器接口的交互式方法。CCS软件通过ICETEK-5100USB 仿真器连接ICETEK-VC5509硬件环境进行软件调试和开发。首先验证算法的有效性,录制一段纯净的语音信号,通过File I/O功能将语音信号传送到DSP中,通过CCS的软件仿真界面显示语音信号波形,如图6所示。将此波形与自适应噪声抵消后的语音信号作对比,验证归一化自适应噪声抵消的效果。

将录制的矿井中的噪声信号和语音信号同时输入到DSP中,并通过CCS软件仿真测试波形,如图7所示。同时参考通道采样噪声信号,通过自适应噪声抵消算法处理后,通过DSP输出的语音信号如图8所示。

通过对比图6和图7可以看出,从混有噪声的信号中已经很难再分辨出原始的语音信号。通过对比图6和图8可以得出,通过噪声抵消后的语音信号已经较好地恢复了原始语音信号。由此可以得出,运用归一化LMS算法实现噪声的自适应抵消效果较好,可以较完整地恢复出纯净的语音信号。

结合被动降噪技术,测试降噪耳罩的整体降噪性能,一般情况下,当环境噪声降低到70～80 dB时就可以满足正常的通话要求。因此,如果强噪声环境下的噪声为110 dB左右,则降噪量达到30 dB左右就能达到矿井通信的要求。采用噪声分贝测试仪分别测试耳罩外部和内部的分贝值,计算其差值得到耳罩的整体抗噪性能,通过在不同时段、不同环境下对耳罩进行测试,求得平均测试结果如图9所示。由图9可看出,选取合适的耳罩材料,结合自适应有源抗噪算法可以使耳罩的抗噪性能最高达到30 dB。由图9还可知,耳罩在低频范围内有明显的降噪效果。

5 结语

针对煤矿井下复杂的噪声环境,设计了一种全数字的有源抗噪耳罩。该抗噪耳罩结构简单,携带方便。测试结果表明,该耳罩在低频范围内有明显的降噪效果,结合被动降噪手段,可使单频声的降噪量最大达30 dB。该抗噪耳罩能够满足煤矿井下通信的要求,有效提高矿井工作人员的工作效率。同时,该耳罩还可以应用于其他强噪声环境中,具有很好的工程应用前景。

摘要：针对现有的有源抗噪耳罩存在价格昂贵且佩戴不太方便的问题,设计了一种应用在强噪声环境下的有源抗噪耳罩。该耳罩以TMS320VC5509为主控芯片,采用自适应噪声抵消方案和归一化的最小均方算法提升耳罩的自适应噪声抵消性能,结合被动降噪技术,很好地实现了在强噪声环境下消除噪声的目的。测试结果表明,该耳罩在低频范围内抗噪性能最高可达到30dB。

关键词：抗噪耳罩,有源抗噪,被动降噪,自适应噪声抵消,归一化最小均方算法

参考文献

[1]吉立欢,王忠庆.有源降噪声耳罩的发展现状和前景[J].机械管理开发,2007(增刊1):39-40.

[2]冯涵,何培宇.一种基于TMS320VC5416DSK的有源噪声控制系统设计与实现[J].四川大学学报,2008,45(4):842-846.

[3]郑海啸,刘珩.基于自适应滤波的噪声抵消法[J].信息与电子工程,2007,5(6):444-448.

[4]胡瑛,胡安峰.一种基于TMS320VC5509的语音处理系统的设计[J].电子科技,2009,22(5):34-37.

[5]陈斌,冯燕.基于DSP的耳机噪声抵消系统的设计与实现[J].电声技术,2010,34(4):79-82.

抗噪算法论文 篇3

强噪声背景下微弱信号的检测广泛应用于工业故障诊断及通信信号接收等领域,对新技术研究及相关领域的发展具有重要的意义[1,2]。噪声对弱信号检测实现的影响是该领域中的一个重要课题。文献[3]讨论了高斯白噪声对弱信号混沌检测的影响,文献[4]主要研究了色噪声背景下微弱正弦信号的混沌检测方法,文献[5]研究了基于混沌相平面变化的微弱信号检测算法,实现了信噪比为-48 dB条件下微弱信号的检测。

应用混沌相平面检测算法对各种噪声条件下系统的检测性能进行了研究,对基于Duffing方程的混沌系统在白噪声、色噪声及脉冲噪声等各种噪声背景下的免疫性进行了仿真分析,为进一步探究混沌系统优良抗噪性能的机理,降低强噪声背景下可检测信号的信噪比门限提供了一定的依据和借鉴。

1 基于Duffing振子的正弦信号检测

混沌动力学系统主要有Duffing模型和Lorenz模型和Vanderpol模型等,其中Duffing方程研究的比较充分,在微弱信号检测领域应用广泛[6]。Holmes型Duffing方程标准形式如下:

$\ddot{{\displaystyle x}}(t)+k\stackrel{\cdot }{{\displaystyle x}}(t)-x(t)+x{}^3(t)=\gamma \cos (\omega t)$, (1)

式中,γcos(ωt)为系统内置周期策动力,k为阻尼比,-x+x3为非线性恢复力。

基于Duffing方程构成的混沌系统对周期策动力的强度γ有强烈的敏感性,在阻尼比固定的情况下,随着周期性策动力的强度变化,系统将历经同宿轨道、分叉轨迹、混沌状态、临界状态以及大尺度周期状态等,表现出丰富的非线性动力学特性[7]。其中,系统在混沌态对应的相图为一定区域内永不封闭的轨迹,在大尺度周期态对应的相图为封闭曲线,二者截然不同,因此,常将系统由混沌状态到大尺度周期状态的转变作为微弱信号检测的依据,如图1所示(图2均略去了过渡状态点)。

弱信号检测原理:将待测信号作为作为Duffing方程周期策动力的摄动,当系统周期策动力γ=γd时,系统处于临界状态。但是此时若有满足特定条件的信号加入到系统中,即使信号的幅值极小,系统也将发生相变由混沌状态进入大尺度周期状态,然后根据系统是否发生相变来判定信号的存在与否及被测信号幅度、频率等物理量。

2 噪声影响分析

如果在微弱信号检测中不考虑噪声的影响,系统在混沌态和大尺度周期态下的相平面轨道都是平滑的。但是,事实上在任何信号检测过程中,检测过程中的噪声都是不可避免的。

假设n(t)为检测过程中的噪声,添加噪声n(t)后,系统检测方程为:

$\ddot{{\displaystyle x}}(t)+k\stackrel{\cdot }{{\displaystyle x}}(t)-x(t)+x{}^3(t)=\gamma \cos (\omega t)+n(t)$。 (2)

分析表明,Duffing系统在外加周期驱动力时的平衡态为双曲平衡态。假设系统检测方程在临界状态下的解为x,用Δx(t)表示噪声对系统检测输出x(t)的微小扰动,其中,假设噪声的均值为0,方差为σ2,经整理得出噪声存在的情况下系统的随机微分方程形式[8]:

$\begin{array}{c}(\ddot{{\displaystyle x}}(t)+\text{Δ}\ddot{{\displaystyle x}}(t))+k(\stackrel{\cdot }{{\displaystyle x}}(t)+\text{Δ}\stackrel{\cdot }{{\displaystyle x}}(t))-(x(t)+\text{Δ}x(t))+\hfill \\ (x(t)+\text{Δ}x(t)){}^3=\gamma \cos (\omega t)+n(t)。\hfill \end{array}(3)$

相比系统检测输出x(t),Δx(t)的值很小,所以略去Δx(t)的高阶量,得到式(3)的矢量微分方程形式:

$\stackrel{\cdot }{{\displaystyle X}}(t)={\rm H}(t)X(t)+{\rm N}(t)$。 (4)

其中,主要矢量分别表示为:

$X(t)=\left|\begin{array}{c}x{}_1\hfill \\ x{}_2\hfill \end{array}\right|=\left|\begin{array}{c}\text{Δ}x(t)\hfill \\ \text{Δ}\stackrel{\cdot }{{\displaystyle x}}(t)\hfill \end{array}\right|$

, (5)

${\rm H}(t)=\left|\begin{array}{cc}0& 1\\ 1-3x{}^2(t)& -k\end{array}\right|$

, (6)

${\rm N}(t)=\left|\begin{array}{l}0\\ n(t)\end{array}\right|$

。 (7)

该矢量微分方程存在一个满足某个初始条件的唯一的解,可以表示为:

X(t)=Φ(t,t0)X0+∫${}_{t{}_0}^t$Φ(t,u)N(u)du, (8)

式中,Φ为系统的状态矩阵。由于主要对系统稳态时的性能进行分析,而式(10)第1项为暂态解,将很快衰减为0,对于第2项,考虑其统计特性,有:

E[X(t)]=∫tt0Φ(t,u)E[N(u)]du=0, (9)

ΓXX(u,v)=∫${}_{t{}_0}^s$Φ(t,u)ΓYY(u,v)ΦT(s,v)dudv, (10)

其中,

$\Gamma {}_{\text{Y}\text{Y}}(u,v)=\left[\begin{array}{cc}0& 0\\ 0& \sigma {}^2\delta (u-v)\end{array}\right]$

。 (11)

ΓYY(u,v),ΓXX(t,s)分别表示输入噪声在时刻u和v,输出噪声在时刻t和s的相关函数矩阵。在式(11)中,令u=v,t=s,t0=-∞,可以得到噪声在某时刻的均方值:

$\begin{array}{l}\Gamma {}_{\text{X}\text{X}}(t,t)={\displaystyle \int }\begin{array}{l}t\\ -\infty \end{array}\mathit{\Phi }(t,u)\mathit{\Gamma }{}_{\text{Y}\text{Y}}(u,u)\mathit{\Phi }{}^{\text{Τ}}(t,u)\text{d}u=\\ \sigma {}^2{\displaystyle \int }\begin{array}{l}t\\ -\infty \end{array}\mathit{\Phi }(t,u)\left[\begin{array}{cc}0& 0\\ 0& 1\end{array}\right]\mathit{\Phi }{}^{\text{Τ}}(t,u)\text{d}u。(12)\end{array}$

由上可以得出结论:噪声并没有对系统原轨迹产生根本的影响,只是使系统的运行轨迹变得不再光滑,在理想轨迹附近有波动,即噪声使系统输出相轨道上布满了“毛刺”,其粗糙程度的大小由方差决定,但总体均值为零。另外,由于上述推导过程中对噪声分布的问题并没有进行限定,因而理论上,对于任意分布的平稳随机噪声,基于Duffing方程的混沌系统都具有良好的免疫性能。

3 仿真实验分析

(1)实验1 混有白噪声的正弦信号检测

调整系统的内置周期策动力强度为γ=0.80,使系统处于临界状态,加入高斯白噪声并逐渐增加噪声强度,发现系统仍将处于混沌状态,如图2(a)所示;加入混有高斯白噪声的正弦信号,待测信号强度为0.01 V,系统将跃变到大尺度周期状态,如图2(b)所示;由于噪声方差较小,系统相轨迹比较平滑,“毛刺”几乎看不到;继续增大白噪声强度,系统轨道将变粗,“毛刺”增多,如图2(c)所示;当噪声增加到一定强度时,噪声干扰将占据主导地位,由系统相图将无法判别系统是否发生相变进入了大尺度周期状态,如图2(d)所示。

系统可检测信号的信噪比为:

$S{\rm N}R=10\lg \frac{\text{待}\text{测}\text{信}\text{号}\text{功}\text{率}}{\text{噪}\text{声}\text{功}\text{率}}$。 (13)

其中,图2(b),图2(c),图2(d)的信噪比分别为:-26 dB,-36 dB和-46 dB。进一步的仿真实验表明,基于Duffing方程的混沌检测系统的检测门限可达-42 dB。

(2)实验2 混有色噪声的正弦信号检测

采用高斯白噪声通过低通滤波器的方法产生色噪声,其中滤波器为四阶低通滤波器。系统传递函数为:

${\rm H}(z)=\frac{k(0.02+0.08z{}^{-1}+0.12z{}^{-2}+0.08z{}^{-3}+0.02z{}^{-4})}{1-1.53z{}^{-1}+1.24z{}^{-2}-0.47z{}^{-3}+0.07z{}^{-4}}$。 (14)

其中,通过调节滤波器参数k,可以实现对噪声功率的控制。归一化的通带截止频率为ωp=0.15 Hz,阻带起始频率为ωs=0.2 Hz,调整滤波器参数k,使得噪声功率变为2.115×10-4 W,待测正弦信号强度为0.01 V,加入正弦信号后系统的相轨迹跃变到大尺度周期状态,此时系统实现检测信号的信噪比为SNR=-29.633 0 dB。

(3)实验3 混有脉冲噪声的正弦信号检测

该节对混有脉冲噪声的正弦信号进行检测实验,噪声的脉冲峰值分别为Vp=0.4,0.6,0.8,1.0,1.2,1.4,对受到不同强度噪声污染的正弦信号进行检测实验,待测信号强度为B=0.01 V。检测结果表明,Vp=1.0时,系统相轨迹仍然非常平滑,Vp=1.2时,系统相轨迹在脉冲噪声峰值处有相应的大幅度冲击相应。故系统可检测信号的最大信噪比表示为:

$S{\rm N}R=20\lg \frac{B}{V{}_{\text{p}}}=20\lg \frac{0.01}{1.0}=-40.0$dB。 (15)

(4)实验4 混有复杂噪声的正弦信号检测

对复杂噪声条件下混沌检测系统的抗噪性能进行实验分析。这种噪声在低振幅部分具有高斯特性,在高振幅部分具有近似于指数正态分布特性,总体可以表示为背景高斯白噪声和脉冲噪声的叠加,噪声模型为:

n(t)=Aem(t)sin[w0t+θ(t)], (16)

式中,m(t)为零均值实平稳高斯过程,方差为σ${}_n^2$,A为由噪声功率确定的常量,θ(t)为一个均匀分布于[0,2π]上的随机相位过程,独立于高斯过程m(t)。

定义偏差Vd为:

Vd=10σ${}_n^2$log10e。 (17)

通过控制Vd的大小来模拟噪声成分的变化。Vd较小时,噪声中的脉冲成分所占的比例较小,噪声主要表现高斯特性;而当Vd的值增大时,噪声中的脉冲成分所占的比例也会随之变大,此时,脉冲成分集中了噪声的大部分能量,将对检测系统的性能产生显著的影响。

Vd=2和Vd=10时的噪声分布分别如图3和图4所示,由仿真可以明显地看出2种情况下噪声分布的差别(仿真实验中固定常量A=1)。

仿真实验结果表明,Vd较小时(Vd=2),噪声主要表现高斯特性,只有极少脉冲成分。采用式(15)的信噪比计算公式,系统可实现的信号检测门限为SNR=-41.693 3 dB;Vd较大时(Vd=4.5),噪声中的脉冲成分将继续增加,系统可实现的信号检测门限为-39.385 1 dB;继续增大Vd值(Vd=7),噪声中的脉冲成分增加,系统可实现的信号检测门限为-25.342 2 dB;

Vd非常大时(Vd=10),噪声将以脉冲成分为主,系统可实现的信号检测门限为-17.605 5 dB。

4 结束语

研究了基于Duffing方程的微弱信号检测方法,采用混沌相平面检测算法对不同噪声条件下算法的抗噪性能进行了分析,理论分析和仿真实验均表明基于Duffing方程的混沌检测算法对白噪声、色噪声、脉冲噪声及混叠噪声等都具有较强的免疫性和较低的信噪比工作下限,相对于传统的时域信号处理方法具有很大的优势。对基于Duffing方程的微弱信号检测方法的抗噪性能进行分析,为进一步探究混沌系统优良抗噪性能的机理, 降低强噪声背景可检测信号的信噪比门限提供了一定的理论依据和借鉴。混沌检测方法优异的抗噪性能,使得它在弱信号检测及相关领域极具发展前景。

参考文献

[1]李爽,徐伟,李瑞红.利用随机相位实现Duffing系统的混沌控制.物理学报,2006,55(3):1049-1054.

[2]CHEN H,VARSHNEY P K,KAY S M,et al.Theory ofstochastic renson-ance effect in signal detection:part1-dixed detectors.[J].IEEE transactions on SignalProcessing,2005,55(7):3172-3185.

[3]兀旦辉,李秦君,杨萍.噪声对基于Duffing方程弱信号检测的影响研究.计算机测量与控制,2010,18(1):61-63.

[4]李月,杨宝俊,石要武.色噪声背景下微弱正弦信号的混沌检测[J].物理学报,2003,52(3):526-530.

[5]张浩然,侯楚林.基于混沌相平面变化的微弱信号检测[J].计算机测量与控制,2010,18(12):2718-2720.

[6]WANG Xu-yi,FEI Rui-wang.Detection of Amplitude-varied Weak Signal by Gene-tic Adaptive StochasticResonance Algo-rithm[C]∥ICEMI,2007(2):626-630.

[7]叶青华,黄海宁,张春华.用于微弱信号检测的随机共振系统设计[J].电子学报,2009,37(1):216-220.