声学噪声抑制器

在本例中，我们将分析一个由模型控制的系统，该系统允许叠加并滤除与声学信号一同输入到滤波器中的噪声。
我们将使用LMS Filter模块。该模块可通过五种不同的算法实现自适应FIR滤波器。该模块会估算滤波器的权重系数，以使误差最小化。
下图展示了模型的顶层结构。

在此可以控制信号中噪声的存在，以及滤波器的参数：

步长，
滤波器权重系数的更新，
滤波器权重系数的重置。

现在，我们为该模型定义辅助函数。

Pkg.add(["WAV"])

# 启用该机型的辅助运行模型功能。
function run_model( name_model)
    
    Path = (@__DIR__) * "/" * name_model * ".engee"
    
    if name_model in [m.name for m in engee.get_all_models()] # 检查模型加载到内核的条件
        model = engee.open( name_model ) # 打开模型
        model_output = engee.run( model, verbose=true ); # 运行模型
    else
        model = engee.load( Path, force=true ) # 加载模型
        model_output = engee.run( model, verbose=true ); # 运行模型
        engee.close( name_model, force=true ); # 关闭模型
    end
    sleep(5)
    return model_output
end

# 音频播放器函数的声明
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

audioplayer (generic function with 1 method)

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。

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

inp = audioplayer("$(@__DIR__)/dspafxf_8000.wav", 8000, 256);

现在，我们已经将所有必要的变量添加到工作空间中，并定义了辅助函数，接下来将运行模型并分析所得数据。

run_model("AcousticNoiseCanceler") # 运行模型。

Building...
Progress 0%
Progress 4%
Progress 9%
Progress 14%
Progress 19%
Progress 24%
Progress 29%
Progress 34%
Progress 39%
Progress 44%
Progress 49%
Progress 54%
Progress 59%
Progress 64%
Progress 69%
Progress 75%
Progress 80%
Progress 85%
Progress 90%
Progress 95%
Progress 100%
Progress 100%

现在让我们回到之前描述的音频播放器函数，播放两个信号——带噪声的信号和经过滤波后录制的信号。

inp = audioplayer("$(@__DIR__)/Pilot.wav", 8000*40, 256);

out = audioplayer("$(@__DIR__)/output.wav", 8000*40, 256);

从录音中可以听出，经过滤波后，声音比滤波前更加清晰。

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")

可以明显看出频谱有所不同。造成这种差异的原因在于，滤波器显著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。

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

此外，在从输出信号中减去输入信号时，我们也能观察到数据上的显著差异。

结论

我们学习了如何配置声学降噪器，以及如何调整其参数。利用该模型，可以通过改变滤波器设置和施加噪声的参数，进行大量实验。