1 / 18

Adaptivno potiskivanje jeke

Adaptivno potiskivanje jeke. Branislav Vranešević Mario Katić Marko Juraić. Zagreb, svibanj 2007. Uvod. Adaptivno filtriranje je jedna od najvažnijih tehnologija u digitalnoj obradi signala i ima brojne primjene u znanosti, kao i u industriji, posebice telekomunikacijskoj

olaf
Download Presentation

Adaptivno potiskivanje jeke

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Adaptivno potiskivanje jeke Branislav Vranešević Mario Katić Marko Juraić Zagreb, svibanj 2007.

  2. Uvod • Adaptivno filtriranje je jedna od najvažnijih tehnologija u digitalnoj obradi signala i ima brojne primjene u znanosti, kao i u industriji, posebice telekomunikacijskoj • Uključuje obradu signala koje generiraju sustavi čije karakteristike nam nisu poznate ili se mijenjaju u vremenu

  3. Uvod • Adaptivni filtri stoga oblikuju sami sebe koristeći rekurzivne algoritme koji kreću iz nekog inicijalnog stanja odabranog na temelju podataka koje znamo o sustavu • Krajnji cilj je ostvariti optimalno Wienerovo rješenje filtra

  4. Opis problema Primjer problema jeke kod hands-free uređaja

  5. Opis problema • Signal smetnje koji se javlja kao rezultat jeke smanjuje kvalitetu komunikacije i zato ga je bitno što više potisnuti • Filtriranje se izvodi pomoću konvencionalnih adaptivnih algoritama, prvenstveno LMS i NLMS algoritama

  6. Provedba adaptivnog uklanjanja jeke Blok shema adaptivnog sustava za uklanjanje jeke

  7. Provedba adaptivnog uklanjanja jeke • Prigušivač jeke identificira prijenosnu funkciju H(n) • Budući da H(n) može biti promjenjiv, kopija jeke na izlazu iz adaptivnog filtra y(n) se nakon toga oduzima od signala jeke d(n) i dobiva se pogreška e(n)=d(n)-y(n) • Ona nam služi da odredimo impulsni odziv navedenog sustava

  8. LMS (Least Mean Square) algoritam • Najrasprostranjeniji algoritam sa mnogim primjenama, a između ostalog, koristi se i kod uklanjanja jeke • LMS rekurzivno prilagođava parametre linearnog filtra s ciljem minimiziranja odstupanja signala sa izlaza iz filtra i željenog signala

  9. LMS (Least Mean Square) algoritam Konvencionalni adaptivni LMS algoritam je stohastička implementacija algoritma metode najbržeg pada (gradijenta) Pri čemu je operator gradijenta, , a µ veličina koraka Djelovanjem operatora gradijenta na izraz (3.1), i-ti element od iznosi Budući da je e(n)=d(n)-y(n), vrijedi jer je d(n) neovisan o wi. Ubacivanjem (3.3) u (3.2) dobiva se

  10. LMS (Least Mean Square) algoritam Pošto je izlaz filtra definiran kao vrijedi Djelovanjem gradijenta imamo slijedeći izraz pri tome je Supstitucija (3.6) u (3.1) nam daje Ovaj izraz je poznat kao težinska adaptacija LMS-a. Tijekom svake iteracije težinska adaptacija mijenja težinski vektor w kako bi se minimizirala funkcija i pronašao w0.

  11. LMS (Least Mean Square) algoritam • Dakle, pri realizaciji adaptivnog filtra za svaku iteraciju potrebno je definirati slijedeće tri operacije: • Izlaz filtra: y(n)=wx(n) • Estimacija pogreške: e(n)=d(n)-y(n) • Težinska adaptacija: w(n+1)=w(n)+µe(n)x(n)

  12. Normalizirani LMS (NLMS) algoritam • Da bi povećali brzinu konvergencije, NLMS se čini kao prirodan izbor jer je veličina koraka normalizirana snagom ulaznog signala • U praksi, korekcijski izraz primijenjen na procijenjeni težinski vektor w(n) u n-toj iteraciji je normaliziran na kvadratnu euklidsku normu ulaza x(n) u (n-1)-oj iteraciji • Odabirom αtakvog da bi optimizirali brzinukonvergencije, NLMS konvergira brže od običnog LMS-a • Uzima se da je NLMS konvergentan ako je 0 < α < 2

  13. Normalizirani LMS (NLMS) algoritam • Kad je ulazni vektor x(n) mali, može se pojaviti nestabilnost jer pokušavamo izvesti numeričke podjele male vrijednosti euklidske norme • Ipak, to se lako rješava dodavanjem pozitivne konstante u nazivnik. Izraz tada poprima oblik: gdje je normalizacijski faktor. • Ovime smo postigli robusniju i pouzdaniju implementaciju NLMS algoritma

  14. Eksperimentalni rezultati • Prikaz impulsnih odziva stvarne i dobivene prijenosne funkcije Impulsni odziv tražene prijenosne funkcije Impulsni odziv filtra nakon 5 s obrade Impulsni odziv filtra nakon 100 s obrade

  15. Eksperimentalni rezultati • Impulsni odzivi filtra za promijenjenu prijenosnu funkciju sustava Impulsni odziv tražene prijenosne funkcije Impulsni odziv filtra nakon 5 s obrade Impulsni odziv filtra nakon 100 s obrade

  16. Eksperimentalni rezultati • Oblik signala s jekom prije i nakon obrade Bez jeke Sa jekom Nakon 5s obrade Nakon 100s obrade

  17. Eksperimentalni rezultati Promjena funkcije pogreške kroz 30s obrade signala

  18. Zaključak • LMS i NLMS algoritmi se pokazuju kao vrlo dobri algoritmi u filtrima za potiskivanje jeke, ponajviše zbog svoje jednostavnosti i funkcionalnosti • Poboljšanja su moguća u vidu dodavanja detektora dvostrukog govora (telefonija) te filtra koji bi dodatno filtrirao šum iz signala (non linear processor)

More Related