杨舜尧

(阜新高等专科学校，辽宁阜新123000)

【应用研究】

基于麦克与压电装置的综合降噪研究

杨舜尧

(阜新高等专科学校，辽宁阜新123000)

麦克风序列是在特定方向上提高一种声音效果的有效方式，然而这种方式在有回响的音乐厅中效果甚微，为此提出一种新的声音分割的方法，将压电装置加载到乐器本身，把压电装置所产生的信号作为调节器，进而确定放置收听麦克的位置．这种方法首先估算压电设备产生信号的频率，从麦克发出的声音过滤后，频率的特性发生了改变，以便使频率控制在估算的频率成分范围内．该方法是一种动态分离的方法，可以将信噪比提高到8.7 dB．

压电装置；匹配滤波器；麦克风序列；综合降噪

0 引言

当演奏乐器的时候，乐器的音量是不一样的，需要放大柔和乐器的音量来听清声音[1]．这种情况下，就需要将特定演奏乐器的声音从其他声音中提取出来．延迟相加型麦克风阵列是从某一方向上提取一种声音的有效方法之一．然而，这需要很多的麦克才能有效地减少噪声，而且这种方法在音乐厅中还不是提取声音的有效手段．再者，这种传统的方法不能把来自同一方向的信号和噪声进行分离．ICA利用独立的声音源进行声音的分离，然而，这不适用于非平稳的声音[2]．二元掩膜的方法也是提取声音的有效手段，但是它需要两只麦克从不同的位置获得信号和噪声的能量，而在音乐厅很难把麦克风放在合适的位置上．二元掩膜法在信号和噪声频率叠加的情况下也是不适用的[3]．本文采用麦克与压电拾音相结合的综合降噪方法，首先估算了信号的频率成分，信号来自于压电装置拾音器，然后对来自麦克风的声音进行了过滤，以便去适应估算的声音频率成分．除对本文所提出的算法进行说明外，并演示了部分算法的仿真结果．

1 提出方法

1.1 麦克风与压电拾音相结合的降噪方法

在本文的方法中，利用了一对麦克风和压电拾音器，拾音器是由陶瓷材料做成的．当压电装置失真的时候，电压就在压电装置表面产生[4]．利用这一属性，压电装置被当做拾音器来使用，感知器乐本身发生的变化．从压电拾音装置中产生的信号与观众听到的信号的频谱有所不同，但是与器乐演奏的声音有着相同的频率成分，只是因为拾音器检测到了乐器的整体变化，这种变化是由乐器所发出的震动产生的[5]．

图1显示了本方法的流程，利用麦克风和压电拾音器提取目标乐器的声音．把x(t)和y(t)分别定义为由麦克风与压电装置在时间t所产生的信号，分别表述如下[6]：

(1)

(2)

其中，*代表卷积；S(t)代表由目标乐器产生的信号；ni(t)代表第i个噪声，或者说其他背景噪声;m1(t)和m2i(t)分别代表从信号声音源和第i个噪声源到麦克风的冲击响应；p1(t)和p2i(t)分别代表信号声音源和第i个噪声源到压电拾音器的冲击响应[7]．本文首先把时域信号x(t)和y(t)转换成频域信号X′(τ,ω)，Y′(τ,ω),其中时间t变为τ，ω为角频率，利用短时傅里叶变换经过行转换，公式如下：

(3)

(4)

S′(τ,ω)和N′(τ,ω)分别代表是s(t)和ni(t)的复合频谱[8]．M1(ω)和M2i(ω)分别代表与信号和噪声相关的模拟麦克风的转换函数．P1(ω)和p2i(ω)分别代表与信号和噪声相关的模拟压电拾音器的转换函数，目的是从x(t)中提取m1(t)*s(t)．

本文首先解释了信号与噪声不相交的情况．假设信号和噪声的频率分量是不相交的，描述如下：

S(τ,ω)Ni(τ,ω)=0 (∀ω,l)

(5)

如果目标乐器的声音不能与其他乐器的声音产生共鸣，那么在y(t)中包含的噪声可以假设为0．这种假设描述如下：

P2i(ω)Ni(τ,ω)=0 (∀ω,l)

(6)

因此，能够利用压电拾音器来采集目标信号的各频率分量的功率，估算出目标信号的频率分量的组成，描述如下：

(7)

X′(τ，ω)代表用本方法处理后的信号，τ,ω是X′(t)通过快速傅里叶变换转化的函数．

事实上，尽管压电拾音器可能带有一定的噪声，可是噪声的功率足够小．因此，可以假设信号和噪声满足以下条件：

|P2i(ω)Ni(τ，ω)|

(8)

∃ω|P1S(τ，ω)|≠0→|S′(τ，ω)|>th

(9)

th代表门限值，等式(8)说明从压电拾音器产生的信号中带有噪声，噪声的功率比门限值th要小，而在等式(9)中信号的功率要大于门限值．在这种情况下，就可以根据以下等式提取出信号：

(10)

在音乐会中，会演奏很多乐器，和弦音经常相互覆盖， 等式(5)就不能满足这种情况．为此，本文提出的方法变换结果如下，这样就可以在一定程度上减少噪声．

(11)

1.2 短时平滑噪声的减少方法

等式(11)中的处理方法，是根据Y(τ，ω)的值来进行频域转换的．这种转换在每种频率分量上都产生了噪声，因此这种转换要逐步进行．为了实现平滑转换，加入一种换算系数a(τ，ω)，如下：

X′(τ，ω)=a(τ，ω)·X(τ，ω)

(12)

a(0,ω)=1

其中，0

如图2、图3所示，a(τ，ω)以指数方式增加或者减少．d和r分别决定着函数a(τ，ω)随时间常量的上升和下降．d越小，噪声减少得越快；r越大，信号通过得越快．需凭借经验决定参数d和r，以便取得令人满意的高质量声音．

本文方法输出的结果x′(t)是经过X′(t)快速傅里叶变换获得的，描述如下：

x′(t)=F-1[X′(τ，ω)]=F-1[a(τ，ω)·X(τ，ω)]≡G[x(t)]

(13)

其中，F-1代表快速傅里叶变换，G( .)代表本文方法所代表的函数．

2 实验

2.1 实验仿真

为了定量地衡量本文所提出的方法，做了两种仿真实验，分别是计算信噪比和信号失真比率．实验准备了一组数据，是由麦克风和压电拾音装置所记录的，把这组数据分别叫做麦克风采集数据和压电拾音数据．把古筝的声音作为有用信号，把其他乐器当做噪声，包括电吉他、电贝司和鼓所产生的噪声．在同样由信号和噪声混合、并应用混响控制来模拟有回声的环境下，获得麦克风数据．通过信号和用比较分析法所获得的噪声，并在应用均衡控制来模拟压电拾音器的失真情况下，获取压电拾音信号．表1显示了快速傅里叶变换的参数设置．

接下来进行仿真实验来计算信噪比(SNR)．分别定义SNRO为处理之前的值，SNRp为处理之后的值，描述如下：

(14)

(15)

其中：s(t)和n(t)分别代表模拟麦克风数据的信号和噪声；T代表数据的长度；G[s(t)]和 G[n(t)]分别代表采用本文方法计算的结果，这种结果是在仅能利用信号和噪声的情况下得出的．如表2所示，SNR信噪比提高了8.7 dB．定义SDRm为SDR处理之后的值，SDRm描述如下：

(16)

以SDR定义作为参考，把模拟压电感应数据信号的SNR作为SNRp．SNRp描述如下：

(17)

p(t)是在离散时间t的范围内，以模拟压电感应数据为信号的函数．不能轻易地比较这些值，因为p(t)实际上不是由s(t)计算而来的．在本文中，要确定p(t)的值，以便于s(t)和p(t)在声学水平上具有相同的响度．表3显示了实验的结果．

表1 FFT参数窗口大小(kHz)重叠率窗口抽样频率(kHz)204870%升余弦44.1 表2 仿真环境中的SNR信噪比(dB)SNR0SNRpSNR-2.56.2表3 仿真环境中的SDR信号失真比(dB)SDRmSDRpSDR15.340.44

2.2 对参数的考虑

为了量化计算参数th、d和r的测试结果，计算了SNR和SDR的相关性，图4、图5和图6分别显示了在不同th、d和r的情况下，SDR和SNR的效果图．图中纵坐标标识的是SNR和SDR的衰减分贝值，这些图显示了SDR和SNR之间是此消彼长、相互抵消的关系．确定参数，以便获取高质量的听觉信号，th=4，d=0.95，r=0.1.

2.3 半真实环境下的试验

本文计算了半真实环境下的数据中的SNR和SDR，在不同时刻由真实环境下麦克风和压电拾音器所记录的数据，并与噪声复合的数据，二者形成了半真实环境下的数据．信号是古筝的声音，噪声包括鼓、电贝司和电吉他．人为设置参数th和r．表4和表5显示了SNR和SDR．SNR提高了4.72 dB，而SDR提高的数值不止9.7 dB．

表4 SNR在半真实模拟环境中的值信噪比(dB)SNR0SNRpSNR1.95.8表5 SDR在半真实模拟环境中的值信噪比(dB)SDRmSDRpSNR9.21.08

2.4 真实环境下的试验

利用本方法在真实数据环境下进行了试验．数据是在实验环境下由麦克风记录的．如图7所示．当演奏古筝的时候，在麦克风位置的声压达到83～93 dB．当用扬声器来播放同样的声音，在相同的麦克风位置上，声压达到85～90 dB．声压的大小是由声量计所测得的．尽管不能计算SNR和SDR，但是，能获得声学仿真环境下，相同水平的SNR．

3 结论

在本文中，关注压电装置的特点，并研究了由压电装置与麦克相结合的降噪特性．本文所提出方法的优点总结如下：

(1)即使在噪声和信号来自于同一方向的情况下，依旧可以使用本文提出的方法．

(2)应用本文的方法，在仿真试验中，SNR提高了8.7 dB，SDR提高了13.64 dB．

在今后的实际应用中，我们可以把这种方法应用在实时的系统中，并优化系统的参数设置，目的是发展时域处理的过程，例如带通滤波器，而不是去减少频域处理过程．

[1]涂悦.基于内容的音频分类技术及其在多媒体检索中的应用[D].广州：华南理工大学，2012．

[2]韩圣龙.基于内容的音频音乐自动分析和检索技术研究[J].情报科学，2007，(3)：36-38．

[3]徐国庆,张彦铎,王海晖,等.乐音旋律识别研究[J]. 武汉工程大学学报，2007，(2):65-69．

[4]朱军,胡文波.贝叶斯机器学习前沿进展综述[J].计算机研究与发展，2015，(1)：16-26．

[5]叶蕾．语音信号压缩感知关键技术研究[D].南京：南京邮电大学，2014．

[6]谢智鹏.声音事件识别中的有效特征提取方法研究[D].合肥：中国科学技术大学，2016．

[7]张康荣.基于盲源分离的设备故障音检测算法与应用[D].济南：山东大学，2016．

[8]林胜义．语音通信系统的频带扩展技术研究[D].广州：广东技术师范学院，2016．

(审稿人 关维国 邓景茹，责任编辑 王 巍)

Research on the reduction of integrated noise reduction based on mike and piezoelectric devices

YANG Shun-yao

(Fuxin Higher Training College，Fuxin Liaoning 123000)

A microphone array is an effective way to improve sound effect in a particular direction. However, it has little echo effect in the musical hall. This paper presents a new method of sound segmentation, which installs the piezoelectric devices on the instrument itself. The signal generated by the piezoelectric device is regarded as a regulator. The regulator is composed of a matched filter sound, which determines the listening position placed in mike. This method firstly estimates the frequency component of the signal generated from the piezoelectric device. The frequency characteristics of the filter are changed from the sound emitted by Mike, so as to improve the signal-to-noise ratio (SNR) of the signal in the range of the estimated frequency components. This method is a dynamic separation method which can increase the signal-to-noise ratio to 8.7 db.

piezoelectric device；matched filter；microphone sequence; the reduction of integrated noise

2016—12—10

杨舜尧(1981-)，男，辽宁阜新市人，讲师，主要从事通信与信息系统方面研究．

TN912

A

1008-5688(2017)01-0069-05