Акустический шумоподавитель¶
В данном примере мы разберём систему, управляемую нами из модели и позволяющую накладывать и фильтровать шумы, подаваемые на фильтр совместно с акустическим сигналом. Мы задействуем блок LMS Filter. Он может реализовать адаптивный FIR-фильтр, используя пять различных алгоритмов. Блок оценивает весовые коэффициенты фильтра, необходимые для минимизации ошибки. На рисунке ниже показан верхний уровень модели.
Здесь можно управлять наличием шумов в сигнале, а также параметрами фильтра:
- размер шага,
- обновление весовых коэффициентов фильтра,
- сброс весовых коэффициентов фильтра.
Теперь зададим вспомогательные функции для работы с этой моделью.
# 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,$data" type="audio/wav" />
Your browser does not support the audio element.
</audio>""");
return s
end
После объявления функций подгрузим из файла с переменными коэффиценты для FIR-фильтров, используемых в подсистеме, показанной на рисунке ниже.
using FileIO
f1 = load((@__DIR__) * "/filter_values.jld2", "f1");
f2 = load((@__DIR__) * "/filter_values.jld2", "f2");
Теперь, когда мы добавили в рабочее пространство все необходимые переменные и описали вспомогательные функции, перейдём к запуску модели и анализу полученных данных.
run_model("AcousticNoiseCanceler") # Запуск модели.
Теперь обратимся к ранее описанной нами функции аудиоплеера и воспроизведём два сигнала – изначальный и записанный после фильтрации.
inp = audioplayer("$(@__DIR__)/dspafxf_8000.wav", 8000, 256);
out = audioplayer("$(@__DIR__)/output.wav", 8000*40, 256);
На записи слышно, что после фильтрации звук стал более чистым, чем до неё.
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")
Заметно, что спектр отличается. Причина отличия в том, что фильтр значительно изменяет частотные хорактеристики сигнала.
Выполним явное сравнение входных и выходных данных.
gr()
plot(inp[500:1000]-out[500:1000])
Также при вычитании входного сигнала мы видим значительные различия по данным.
Вывод¶
Мы изучили, как настраивать акустический шумоподавитель, как менять его параметры. С этой моделью можно делать большое количество экспериментов, меняя настройки фильтра и накладываемых шумов.