Тип публикации: статья из журнала
Год издания: 2024
Идентификатор DOI: 10.18127/j20700784-202412-03
Ключевые слова: Acoustic feedback, noise suppression, adaptive filter, neural network, coefficient, algorithm, model, акустическая обратная связь, шумоподавление, адаптивный фильтр, нейронная сеть, коэффициент, алгоритм, модель
Аннотация: Постановка проблемы. Акустическая обратная связь представляет собой серьезную проблему в системах обработки звука, приводя к искажению звукового сигнала и возникновению эха. Традиционные методы фильтрации эха часто оказываются недостаточно эффективными, особенно при наличии нелинейных компонентов. Цель. Провести разработку и оценкуПоказать полностьюэффективности комбинированного подхода к подавлению акустической обратной связи, включающего использование адаптивного фильтра для основного подавления эха и нейронной сети для подавления остаточного эха. Результаты. Разработана адаптивная модель фильтра и нейросетевая модель для подавления остаточного эха. Подготовлены наборы данных для тестирования, выполнено обучение нейронной сети и проведено моделирование системы шумоподавления. Результаты показали, что предложенный подход обеспечивает эффективное подавление как линейного, так и нелинейного остаточного эха. Тестирование продемонстрировало значительное улучшение качества звукового сигнала и снижение уровня эха по сравнению с традиционными методами. Практическая значимость. Разработанный комбинированный подход к подавлению акустической обратной связи может быть использован в различных системах обработки звука, таких как слуховые аппараты, системы громкой связи и другие аудиоустройства, где качество звука критически важно. Предложенная методика позволяет значительно улучшить качество звукового сигнала, что повышает комфорт при восприятии звука пользователем. This study addresses the issue of compensating for acoustic feedback interference. It demonstrates the effectiveness of an adaptive approach for calculating the correction signal during echo filtering. The challenge of suppressing residual echo, both linear and nonlinear, is identified. A combined approach is proposed, involving the sequential use of an adaptive filter for primary suppression and a neural network for residual echo suppression. An adaptive filter model and a neural network model are developed. Data sets for testing are prepared, the network is trained, and simulation results of the noise suppression system are obtained. The results show the effectiveness of the proposed approach in suppressing acoustic feedback. The main concern in developing systems for suppressing reverberation noise, especially in acoustic signals, is maintaining sound quality. This includes speech intelligibility and the absence of extraneous noises. These systems are widely used, from consumer audio devices to professional medical and research equipment. Adaptive filters, which calculate the correction signal based on a reference signal, yield the best results in noise suppression. Various adaptive algorithms, such as the Least Mean Squares (LMS), Normalized LMS (NLMS), and Block LMS (BLMS), are used for this purpose. However, these filters require significant computational resources, making efficient noise suppression challenging. Fast Fourier Transform (FFT) is often used to reduce computational load. Methods that adjust sampling rates based on conditions, such as multiple speakers or changing reflective surfaces, are also known. Nevertheless, adaptive compensation algorithms do not entirely eliminate noise. After compensation, a residual signal remains, which, although smaller in amplitude, significantly affects perception. This residual signal has both linear and nonlinear components. Linear components arise from discrepancies between calculated and actual environments, while nonlinear components stem from the audio equipment's elements. The proposed method includes a microphone block, speaker block, neural network for residual echo suppression, and an adaptive filter. The adaptive filter computes the transition characteristics of the feedback path, adjusting echo signals. This approach is suitable for linear components but not for nonlinear ones. The more electronic modules are used, the higher the nonlinear component, leading to increased residual echo amplitude. Pre-trained neural networks can compensate for this residual echo. The proposed adaptive filter uses the Frequency-Domain Adaptive Filter (FDAF) algorithm, which allows flexible filter coefficient adjustments based on signal conditions. Error estimation and weight adaptation are performed using the FBLMS algorithm. A recurrent neural network (RNN) is used for residual echo suppression, based on spectral coefficients from both near-end and far-end signals. The RNN employs Gated Recurrent Units (GRUs) to handle sequential data, forming a vector of gain coefficients GkG_kGk for echo suppression. A comparative analysis of common adaptive filtering algorithms and the proposed neural network module was conducted using synthesized audio data. The Echo Return Loss Enhancement (ERLE) metric was used to evaluate suppression quality. The proposed combined FDAF and neural network module showed an average ERLE value of 37.39 dB, demonstrating superior performance in both primary and residual echo suppression compared to traditional algorithms. The preliminary study suggests that the combined method, using an FDAF adaptive filter and a pre-trained RNN, effectively suppresses both primary and residual echo. The neural network was trained using a synthesized speech database with echo effects, and the results showed significant improvements in echo suppression, as measured by the ERLE metric. Future developments may involve expanding the neural network architecture to detect and suppress additional interference sources when multiple speakers are present.
Журнал: Успехи современной радиоэлектроники
Выпуск журнала: Т. 78, № 12
Номера страниц: 31-40
ISSN журнала: 20700784
Место издания: Москва
Издатель: ООО "Издательское предприятие редакции журнала "Радиотехника"