Gavin

Accepted 8 May 2010摘要最近，人们对在一个空间区域内可听到而在相邻区域内不可听到的声场的产生越来越感兴趣。这里提出的方法确保了对多个声源的幅度和相位的控制，以最大限度地提高相邻两个区域之间的声能量差，同时也确保使用均匀分布的声源强度。所提出的方法的性能通过计算机仿真和真实的圆形和球形扬声器阵列的实验来评估。所提出的方法在保持两个声学空间之间的声压差不变的情况下，提高了辐射到声音应该可听空间的效率。这表明与先前提出的对比控制方法相比，性能得到了改善。 介绍​ 对于”声音的主动控制” [1]，无论是为了控制不需要的噪声，还是为了产生想要的声场，都有相当多的研究。在第二种情况下，通常使用各种波束形成方法[2],[3]控制的声源阵列来产生期望的远场指向性方向图。Druyvesteyn和Garas[4]也对这种阵列进行了研究，目的是产生可听性和听不见[性]的相邻区域。Choi和Kim[5]以利用多个声源产生一个区域可听而另一个区域不可听的声场为目标，引入了区域的概念，分别称为高声能的”亮区”和低声能的”暗区”。在他们的研究中，有两个方法被介绍，其中的一个是指在给定输入声源能量的 ...

摘要实用的主动噪声控制（ANC）系统，如主动噪声消除耳机，通常采用具有预设系数的控制滤波器，以获得令人满意的动态噪声降噪性能和更高的鲁棒性。在此策略中，针对不同类型的噪声选择适当的控制滤波器对于噪声消除性能至关重要，并且这种选择机制通常是通过反复试验来确定的。因此，本文提出了一种计算高效的一维卷积神经网络，能够为每个不同的主要噪声选择最合适的预训练控制滤波器。应用相似匹配方法使得所提出的模型具有更好的泛化能力，甚至可以处理训练集中不存在的类的零样本噪声。还研究了Large-margin softmax（L-softmax）以提高所提出模型的性能。此外，在处理 N -shot learning 问题时，ANC 系统几乎没有已知的现实世界噪声样本，因此需要使用额外的微调策略来提高控制滤波器选择的准确性。对测量的主路径和辅助路径的数值模拟验证了所提出方法的有效性。 索引词条–主动噪声控制、一维卷积神经网络、N-shot learning 和Large-margin softmax loss (L-softmax)。 1. 简介主动噪声控制（ANC）被广泛认为是一种成功的声学噪声消除方法 [1 ...

摘要选择性固定滤波器有源噪声控制（SFANC）方法可以针对不同类型的噪声选择合适的预训练控制滤波器。借助卷积神经网络（CNN）的学习能力，基于CNN的SFANC方法可以自动从噪声数据中学习其参数。结合实践经验，本文将ANC抽象为马尔可夫过程，并提供详细的理论分析来验证基于CNN的SFANC方法的合理性。为了验证其有效性，我们在多通道 ANC 窗口中实现该方法，其中协处理器中运行的 CNN 与实时控制器协作，实现无延迟噪声控制。此外，使用可解释的人工智能技术来分析基于 CNN 的 SFANC 方法的基本原理，增强其在声学应用中的可解释性。数值模拟和实时实验表明，基于CNN的SFANC方法不仅对宽带和现实世界噪声实现了令人满意的降噪性能，而且具有出色的可传递性。 1. 介绍​ 城市化和工业化导致环境噪声污染大幅上升。传统的被动噪声控制方法通过利用材料和物理屏障来减少噪声传播和吸收来解决这个问题[1]。然而，在降低低频噪声时，无源方法要么无效，要么成本高昂且体积庞大[2-6]。与无源噪声控制相比，有源噪声控制（ANC）技术可产生与不需要的噪声幅值相等但相位相反的抗噪声，可以在消除低频噪声方面 ...

摘要​ 传统的基于LMS的自适应算法由于收敛速度慢、跟踪能力差，对动态噪声的处理能力较差。选择性固定滤波器主动噪声控制( Selective Fixed-filter Active Noise Control，SFANC )通过针对不同噪声选择合适的预训练控制滤波器，可以显著降低响应时间。尽管如此，有限数量的预训练控制滤波器可能会影响降噪性能，特别是当输入噪声与预训练时的初始噪声相差较大时。因此，本文提出了一种生成式固定滤波器主动噪声控制( Generative fixed-filter active noise control，GFANC )方法来克服这一局限性。基于深度学习和一个精确重构滤波器组，GFANC方法只需要少量的先验数据( 1个预训练的宽带控制滤波器)就可以自动生成适合各种噪声的控制滤波器。通过对实际记录噪声的数值模拟，验证了GFANC方法的有效性。 索引术语 —主动噪声控制、生成式固定滤波器ANC、深度学习、卷积神经网络 介绍​ 有源噪声控制( Active Noise Control，ANC )被广泛认为是一种有效的噪声抵消技术，它从次级源产生”抗噪声”，以抑制不需要 ...

摘要​ 选择性固定滤波器主动噪声控制( selective fixed-filter active noise control，SFANC )方法针对各类噪声选择最佳的预训练控制滤波器，可以达到较快的响应时间。然而，由于滤波器选择不准确和缺乏自适应性，可能导致较大的稳态误差。相比较而言，滤波X归一化最小均方值( Filtered X Normalized Least-mean-square，FxNLMS )算法通过自适应优化可以获得更低的稳态误差。然而，其收敛速度慢，对动态噪声衰减有不利影响。因此，本文提出了一种混合SFANC - FxNLMS方法，以克服自适应算法收敛速度慢的问题，并提供比SFANC方法更好的降噪水平。设计了一个轻量级的一维卷积神经网络( 1D CNN )，用于为每一帧初级噪声自动选择最合适的预训练控制滤波器。同时，FxNLMS算法在采样率下继续更新所选择的预训练控制滤波器的系数。实验结果表明，由于两种算法的有效结合，混合算法SFANCFxNLMS算法具有较快的响应时间、较低的降噪误差和较高的鲁棒性。 索引术语 —主动噪声控制、选择性固定滤波器ANC、深度学习、听穿戴 ...

基本信息论文地址：Maximum Likelihood DOA Estimation of Multiple Wideband Sources in the Presence of Nonuniform Sensor Noise | EURASIP Journal on Advances in Signal Processing | Full Text (springeropen.com)引用格式： @article{chen_maximum_2007, title = {Maximum {Likelihood} {DOA} {Estimation} of {Multiple} {Wideband} {Sources} in the {Presence} of {Nonuniform} {Sensor} {Noise}}, volume = {2008}, issn = {1687-6180}, url = {https://asp-eurasipjournals.springeropen.com/articles/10. ...

基于球麦克风阵列的空间声源DoA估计代码：alexandergwm/Classical-Sound-Source-Localization-Algorithms-in-Spherical-Domain: Here is a repository stored the classical sound source localization algorithms in spherical domain, namely, PWD, DAS, SHMUSIC, SHMVDR, SHMLE. Here are two versions, Chinese and English. (github.com) 里面有中文和英文版本的Jupyter Notebook，请按需查阅，在Jupyer book中可以直接使用Colab链接运行，无需配置环境，若有帮助，请star一下支持！ 摘要​ 球形麦克风阵列以其卓越的性能特征在声源定位领域发挥着关键作用。本论文深入讨论了使用球形麦克风阵列估计声源到达方向（DoA）的经典球谐域算法。 ​ 为了全面评估这些算法，进行了详细的参数分析。在这个过程中， ...

基本信息论文地址：Sound Event Localization and Detection - DCASE 比赛描述 任务三： SELD给定多通道音频输入，声音事件定位和检测（SELD）方法的目标是输出录音中声音标签的所有实例、它们各自的起始-偏移时间以及它们的到达方向（DOA）方位角和仰角。这种 SELD 方法的有效实施可以在空间维度上自动描述人类活动，并帮助机器与世界更加无缝地交互。更具体地说，SELD可以成为辅助听力系统、场景信息可视化系统、沉浸式交互媒体和基于场景的服务部署的空间机器认知中的重要模块。一个简单的实际应用是识别和跟踪感兴趣的声源的机器人。在当前的挑战中，仅考虑静态场景，这意味着所提供的录音中的每个单独的声音事件实例在其整个持续时间内都是空间静止的，具有固定的位置。  音频数据集该任务提供两个数据集：TA ...

基本信息引用格式：@article{papageorgiouDeepNetworksDirectionofArrival2021, title = {Deep Networks for Direction-of-Arrival Estimation in Low {SNR}}, volume = {69}, issn = {1941-0476}, url = {https://ieeexplore.ieee.org/abstract/document/9457195}, doi = {10.1109/TSP.2021.3089927}, pages = {3714–3729}, author = {Papageorgiou, Georgios K. and Sellathurai, Mathini and Eldar, Yonina C.}, urldate = {2023-10-07}, date = {2021}, note ...

基本信息论文地址：Deep learning assisted sound source localization using two orthogonal first-order differential microphone arraysa) | The Journal of the Acoustical Society of America | AIP Publishing引用格式：@article{10.1121/10.0003445, author = {Liu, Nian and Chen, Huawei and Songgong, Kunkun and Li, Yanwen}, title = “{Deep learning assisted sound source localization using two orthogonal first-order differential microphone arraysa)}”, journal = {The Journal of the Acoustical So ...