一种基于噪声主观评价抑制的有源控制误差滤波器设计方法

技术领域

本发明属于面向听觉感知的有源噪声控制技术领域，具体涉及一种基于噪声主观评价抑制的误差滤波器设计方法。

背景技术

针对改善声品质的自适应噪声有源控制，在滤波-x最小均方(Filter-x LeastMean Square,FxLMS)算法的基础上衍生出误差滤波最小均方(filter-error least meansquare,FeLMS)算法。FeLMS算法通过对误差滤波器的设置可实现对声品质特性的优化。

目前，误差滤波器设计的主要方法有：(1)基于A计权曲线法，即设定误差滤波器的频响曲线与A计权曲线基本重合。(2)基于等响曲线法，即设定误差滤波器的频响曲线与等响曲线基本重合。

然而，现阶段的误差滤波器设计方法只考虑到了人耳的听觉特性，并没有结合所控制噪声的频谱特性，这样对应用于某些同一场景内频谱特性相差较大的多个噪声的控制效果可能会有比较明显的差距。

发明内容

为了克服现有技术的不足，本发明将心理声学和有源噪声控制相结合，提出一种基于噪声主观评价(如烦恼度)抑制的误差滤波器设计方法，通过烦恼度主观评价实验，对噪声的烦恼度实验数据进行多元回归拟合得到噪声烦恼度的声品质模型，根据模型中烦恼度得分的频率响应曲线进行滤波器的设计，以更好地解决误差滤波器对不同噪声的匹配问题。

本发明的技术方案为：

所述一种基于噪声主观评价抑制的有源控制误差滤波器设计方法，包括以下步骤：

步骤1：对所要控制的噪声进行采集并制作成多组声样本，获取声样本的参数，

步骤2：采用声学主观评价指标，并选择达到要求数量的被试，对步骤1获取的各组声样本进行主观听音实验；

步骤3：对步骤2得到的被试的评价数据进行有效性检验，剔除无效数据；

步骤4：对经过步骤3处理后的有效数据进行多元拟合，以被试的声学主观评价指标得分均值为因变量，选取步骤1中所述参数为自变量，建立噪声主观评价模型；

步骤5：按照临界频带的划分，利用步骤4得到的噪声主观评价模型分别计算声样本在各个临界频带的声学主观评价指标；对于每个声样本，将计算所得的各个临界频带的声学主观评价指标做归一化处理；

步骤6：将归一化后的声学主观评价指标在频域内做曲线拟合，拟合后的曲线作为该声样本对应的误差滤波器的频响曲线；利用该频响曲线设计相应的误差滤波器，步骤1中得到的多组声样本即可得到多个对应的误差滤波器。

进一步的，步骤1中所述所要控制的噪声为同一应用场景内，不同工作状态下的噪声；每组声样本对应一个工作状态。

进一步的，步骤1中所述参数包括响度、尖锐度、粗糙度、波动强度。

进一步的，所述声学主观评价指标采用烦恼度。

进一步的，步骤3中所述有效性检验包括聚类分析、评分范围分析、误判分析和/或相关分析。

进一步的，步骤4中采用多元线性回归对有效数据进行拟合。

进一步的，步骤4中建立的噪声主观评价模型形式为：

A＝a

其中A为声学主观评价指标，L为响度，S为尖锐度，R为粗糙度，FL为波动强度。

有益效果

本发明将人耳听觉特性和噪声频谱特性相结合，设计得到基于噪声主观评价抑制的有源控制误差滤波器，试验数据表明，在有源噪声控制中，加入通过该方法设计的误差滤波器的FeLMS算法在提高噪声声品质方面有着更好的性能。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1：本发明流程图；

图2：各临界频带烦恼度；(a)归一化前，(b)归一化后；

图3：误差滤波器频响曲线；

图4：不同算法控制后的噪声频谱图；(a)FxLMS算法，(b)A-FeLMS算法，(c)Y-FeLMS算法。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本实施例以直升机舱内为应用场景，以直升机舱内噪声为需要控制的噪声，通过传声器采集直升机在不同工况下的舱内噪声，并根据工况做成多组共计87个声样本。同时获取声样本的参数，包括响度(L)、尖锐度(S)、粗糙度(R)、波动强度(FL)。

选取24名被试对87个声样本进行烦恼度主观听音评价；并对被试的评价数据进行有效性检验，得到17份有效评分数据。采用有效性检验包括聚类分析、评分范围分析、误判分析和/或相关分析。

对处理后的有效数据进行多元线性回归拟合，以被试的有效评分为因变量，以响度(L)、尖锐度(S)、粗糙度(R)、波动强度(FL)为自变量，建立噪声主观评价模型：

A＝a

通过解算，本实施例中得到的直升机舱内噪声烦恼度模型为：

A＝-2.673+0.212L+0.044S+1.073R-26.202FL

按照临界频带的划分，利用直升机舱内噪声烦恼度模型分别计算声样本在各个临界频带的烦恼度，即计算每个声样本的各个临界频带的参数，然后代入模型，得到对应的烦恼度；对于每个声样本，将计算所得的24个临界频带的烦恼度做归一化处理，结果如图2所示。

将归一化后的烦恼度在频域内做曲线拟合，拟合后的曲线作为该声样本对应的误差滤波器的频响曲线，如图3所示。利用该频响曲线设计相应的误差滤波器，多组声样本即可得到多个对应的误差滤波器。

为了验证本发明的有效性，下面选取某一直升机舱内噪声样本，在Matlab中进行有源噪声控制仿真，分别采用FxLMS和FeLMS两种算法。其中FeLMS算法分为以A计权曲线拟合设计的误差滤波器和基于烦恼度抑制的误差滤波器两种。为了叙述方便，后文将基于A计权曲线误差滤波器的FeLMS算法简称为A-FeLMS，将基于本实施例提出的烦恼度抑制误差滤波器的FeLMS算法简称为Y-FeLMS。搭建有源噪声控制仿真系统，分别对基于三种算法的控制系统进行仿真并分析与比较。仿真系统所用参数如表1所示。控制后的噪声频谱如图4所示。

表1 仿真系统参数

对不同系统控制后的噪声分别进行心理声学客观参量的计算，计算结果如表2所示。

表2 有源控制前后误差信号计算结果

表2从控制前后噪声的声压级、A声级和烦恼度三个方面进行对比，从表中可以看到，基于FeLMS两种算法的控制系统控制后的降噪量分别为24.1dB和24.5dB，相比于传统FxLMS算法控制后27.2dB的降噪量并没有优势。A声级方面，使用Y-FeLMS算法下，控制后的降噪量为24.7dB(A)，较低于使用FxLMS算法和A-FeLMS算法。但是在烦恼度方面，使用FxLMS算法控制后，噪声的烦恼度下降到0.4707；使用A-FeLMS算法，烦恼度下降到0.3901；使用Y-FeLMS算法，烦恼度下降到0.2457。使用Y-FeLMS算法下，烦恼度分别比前两种算法多减少了3.7％和2.4％。综上所述，Y-FeLMS算法相比于FxLMS和A-FeLMS两种算法在抑制烦恼度、提高声品质方面有着更好的性能。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。