[发明专利]生成扬声器控制系统的滤波器的系统及方法

说明书

一种用于利用人工神经网络控制扬声器系统的技术包括利用反褶积滤波器对扬声器和扬声器布置在其中的混响环境的测量系统响应进行滤波，以产生滤波后的响应，其中所述测量系统响应对应于当扬声器布置在混响环境中时施加到扬声器的音频输入信号。所述技术还包括：基于音频输入信号通过神经网络模型生成初始神经网络输出；将初始神经网络输出与滤波后的响应进行比较以确定误差值；以及基于音频输入信号和误差值通过神经网络模型生成更新的神经网络输出。

技术领域

各种实施例总体涉及分析扬声器系统，并且更具体地，涉及利用反褶积滤波器进行的基于神经网络的扬声器建模。

背景技术

对扬声器的行为进行建模是设计和制造音频系统时的常见步骤。例如，一旦扬声器到达工厂生产线的末端，制造商就可以收集扬声器的数据，以便对扬声器的特定行为和特性进行建模。然后，可以在控制系统中实现所得的模型，所述控制系统在操作期间校正扬声器的线性和/或非线性失真，从而使得能够实现期望的扬声器响应。这种建模有时利用人工学习架构，诸如人工神经网络来执行。

在机器学习中，人工神经网络包括由生物神经网络启发的算法模型，其用于估计或近似可取决于大量输入的函数。例如，人工神经网络可以呈现为彼此交换消息的互连“神经元”系统，其中每个神经元之间的连接具有可基于经验调谐的数值权重。因此，神经网络可以被认为适应于各种输入，并且从而在某种意义上能够学习。

在扬声器建模的上下文中，可以使用理想地在消声室中取得的测量结果来训练人工神经网络，在所述消声室中声反射显著受到抑制。因此，在训练期间，当由人工神经网络建模的扬声器以压力波形式输出对已知输入激励的响应时，用于训练的麦克风或传感器直接接收所述响应；麦克风或传感器通常检测不到来自消声室表面的显著声反射。因此，麦克风或传感器处的测量结果仅包括扬声器的响应和一些路径损耗，这允许人工神经网络非常精确地学习扬声器的动态行为。

上述方法的一个缺点是消声室并不总是可用于训练与特定扬声器相关联的人工神经网络。此外，即使消声室容易用于测试和训练，这种室的使用也不能容易地扩展以用于大规模生产环境中。此外，在混响环境(诸如具有显著的墙壁反射的“活房”)中训练人工神经网络是不切实际的，因为来自房间墙壁的响应的混响必然影响扬声器的动态响应。因此，人工神经网络在这种环境中不能精确地学习扬声器的动态行为。

如前所述，用于训练扬声器控制系统的人工神经网络的更有效技术将是有用的。

发明内容

本公开的实施例阐述了一种生成用于扬声器控制系统的滤波器的计算机实现的方法。所述方法包括：通过传感器接收扬声器和扬声器布置在其中的混响环境的测量系统输出；从测量系统输出中提取头部部分，其中头部部分包括扬声器的测量输出；基于头部部分和测量系统输出确定混响环境的响应的倒数；以及基于响应的倒数生成滤波器。

除此之外，其他实施例提供了一种被配置成实现上述方法的系统和非暂时性计算机可读介质。

所公开的技术的至少一个优点在于，可以通过反褶积滤波器将扬声器布置在其中的混响环境的响应减少20db或更多。因此，即使在混响环境中可能生成通常将与扬声器的响应混合的混响，也可以在混响环境中训练扬声器系统的神经网络以消除扬声器响应中的失真。

附图说明

因此，为了详细理解上文阐述的一个或多个实施例的特征，通过参考某些特定实施例来对上文简要概述的一个或多个实施例进行更具体的描述，这些实施例中的一些在附图中示出。然而，应当注意，附图仅示出典型的实施例，并且因此不应当被视为以任何方式限制其范围，因为各种实施例的范围也包括其他实施例。

图1示出被配置成实现各种实施例的一个或多个方面的滤波器生成系统；

图2是根据各种实施例的图1的计算装置的更详细的图解；

图3示出根据各种实施例的由传感器记录的、图1的滤波器生成系统中的扬声器的时域响应；