减少噪音
在这个例子中，我们将分析我们从模型控制的系统，并允许我们应用和过滤应用到滤波器的噪声与声学信号一起。
我们将使用LMS滤波器块。 它可以使用五种不同的算法实现自适应FIR滤波器。 块评估使误差最小化所必需的滤波器权重。
下图显示了模型的上层。
在这里，您可以控制信号中噪声的存在，以及滤波器参数。:
*步长,
*更新过滤器权重,
*重置过滤器权重。
现在让我们定义使用此模型的辅助函数。
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,$data" type="audio/wav" />
Your browser does not support the audio element.
</audio>""");
return s
end
Out[0]:
声明函数后，我们将从变量文件中加载下图所示子系统中使用的FIR滤波器的系数。
In [ ]:
using FileIO
f1 = load((@__DIR__) * "/filter_values.jld2", "f1");
f2 = load((@__DIR__) * "/filter_values.jld2", "f2");
现在我们已经将所有必要的变量添加到工作区并描述了辅助功能，让我们继续运行模型并分析获得的数据。
In [ ]:
run_model("AcousticNoiseCanceler") # Запуск модели.
Out[0]:
现在让我们转向我们之前描述的音频播放器功能，并播放两个信号–原始信号和过滤后录制的信号。
In [ ]:
inp = audioplayer("$(@__DIR__)/dspafxf_8000.wav", 8000, 256);
In [ ]:
out = audioplayer("$(@__DIR__)/output.wav", 8000*40, 256);
在录音上，你可以听到过滤后，声音变得比以前更清晰。
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，光谱是不同的。 差异的原因在于滤波器显着改变了信号的频率特性。
让我们对输入和输出数据进行显式比较。
In [ ]:
gr()
plot(inp[500:1000]-out[500:1000])
Out[0]:
此外，当减去输入信号时，我们看到数据存在显着差异。
结论
我们已经学会了如何设置声学噪声消除器以及如何更改其参数。 使用此模型，您可以通过更改滤波器设置和叠加噪声来进行大量实验。