Engee 文档
Notebook

声学降噪器

在本示例中,我们将了解一个由模型控制的系统,该系统允许我们叠加和过滤与声学信 号一起输入滤波器的噪声。 我们将使用 LMS 滤波器模块。它可以使用五种不同的算法实现自适应 FIR 滤波器。该程序块可以估算出使误差最小化所需的滤波器权重。 下图显示了模型的顶层结构。

image_2.png

在这里,您可以控制信号中是否存在噪声以及滤波器参数:

  • 步长
  • 更新滤波器权重、
  • 重置滤波器权重。

现在我们来设置使用该模型的辅助函数。

In [ ]:
Pkg.add(["WAV"])
In [ ]:
# Подключение вспомогательной функции запуска модели.
function run_model( name_model)
    
    Path = (@__DIR__) * "/" * name_model * ".engee"
    
    if name_model in [m.name for m in engee.get_all_models()] # Проверка условия загрузки модели в ядро
        model = engee.open( name_model ) # Открыть модель
        model_output = engee.run( model, verbose=true ); # Запустить модель
    else
        model = engee.load( Path, force=true ) # Загрузить модель
        model_output = engee.run( model, verbose=true ); # Запустить модель
        engee.close( name_model, force=true ); # Закрыть модель
    end
    sleep(5)
    return model_output
end

# Объявление функции аудиоплеера
using WAV;
using .EngeeDSP;
function audioplayer(patch, fs, Samples_per_audio_channel);
    s = vcat((EngeeDSP.step(load_audio(), patch, Samples_per_audio_channel))...);
    buf = IOBuffer();
    wavwrite(s, buf; Fs=fs);
    data = base64encode(unsafe_string(pointer(buf.data), buf.size));
    display("text/html", """<audio controls="controls" {autoplay}>
    <source src="data:audio/wav;base64,$data" type="audio/wav" />
    Your browser does not support the audio element.
    </audio>""");
    return s
end 
Out[0]:
audioplayer (generic function with 1 method)

声明函数后,从变量文件中加载下图所示子系统中使用的 FIR 滤波器系数。

image.png

In [ ]:
using FileIO
f1 = load((@__DIR__) * "/filter_values.jld2", "f1");
f2 = load((@__DIR__) * "/filter_values.jld2", "f2");

现在,我们已经在工作区中添加了所有必要的变量,并描述了辅助函数,接下来让我们运行模 型并分析获得的数据。

In [ ]:
run_model("AcousticNoiseCanceler") # Запуск модели.
Building...
Progress 0%
Progress 0%
Progress 4%
Progress 7%
Progress 10%
Progress 13%
Progress 16%
Progress 19%
Progress 22%
Progress 25%
Progress 28%
Progress 31%
Progress 33%
Progress 36%
Progress 39%
Progress 42%
Progress 44%
Progress 47%
Progress 50%
Progress 53%
Progress 55%
Progress 57%
Progress 60%
Progress 63%
Progress 65%
Progress 68%
Progress 71%
Progress 74%
Progress 77%
Progress 80%
Progress 83%
Progress 85%
Progress 88%
Progress 91%
Progress 94%
Progress 97%
Progress 99%
Progress 100%
Progress 100%
Out[0]:
Dict{String, DataFrame}()

现在,让我们使用之前描述的音频播放器函数,回放两个信号--原始信号和滤波后的录音信号。

In [ ]:
inp = audioplayer("$(@__DIR__)/dspafxf_8000.wav", 8000, 256);
In [ ]:
out = audioplayer("$(@__DIR__)/output.wav", 8000*40, 256);

从录音中可以听到,滤波后的声音比滤波前更清晰。

In [ ]:
using FFTW
fs = 100
gr()
plot(fftfreq(length(inp[1:2000]), fs), abs.(fft(inp[1:2000])./length(inp[1:2000])), 
        xguide="Frequency  / Hz", yguide="Magnitude")
plot!(fftfreq(length(out[1:2000]), fs), abs.(fft(out[1:2000])./length(out[1:2000])), 
        xguide="Frequency  / Hz", yguide="Magnitude")
Out[0]:

值得注意的是,频谱有所不同。造成这种差异的原因是滤波器极大地改变了信号的频率特性。

让我们对输入和输出数据进行明确的比较。

In [ ]:
gr()
plot(inp[500:1000]-out[500:1000])
Out[0]:

同样是减去输入信号,我们会发现数据有明显差异。

结论

我们已经学会了如何设置声学降噪器,如何更改其参数。您可以使用该模型进行大量实验,改变滤波器和外加噪音的设置。