自适应数字噪声消除器 |
|||||||
| 申请号 | CN201080062244.2 | 申请日 | 2010-12-30 | 公开(公告)号 | CN102859581B | 公开(公告)日 | 2015-05-06 |
| 申请人 | 罗伯特·博世有限公司; | 发明人 | L·泰夫拉普鲁马; T·A·约瑟夫; | ||||
| 摘要 | 用于自适应前馈噪声消除的系统和方法。该系统包括多个参考麦克 风 、误差麦克风、辅路径模 块 、自适应 控制器 以及消除器 滤波器 。使用平衡模型降阶将基于有限脉冲响应（“FIR”）的受控对象模型转换为基于无限脉冲响应（“HR”）的受控对象模型。由于自适应IIR滤波器的固有的不 稳定性 ，将Schur-Cohn稳定性测试应用于HR滤波器传递函数的分母系数，以确定噪声消除系统的稳定性。在辅路径模块中以在线方式识别噪声消除系统的辅路径。如果通信 信号 （例如，音乐信号）的 能量 水 平较强，则执行辅路径识别。自适应控制器基于所述稳定性确定和辅路径来控制对HR传递函数的更新。然后，生成抗噪声信号并将其添加到通信信号。在大约60微秒或更少的时间内生成抗噪声信号。 | ||||||
| 权利要求 | 1.一种用于耳机的自适应噪声消除系统，所述噪声消除系统包括： |
||||||
| 说明书全文 | 自适应数字噪声消除器技术领域背景技术[0002] 噪声消除耳机在高噪声环境（如飞机驾驶舱或很响的机器附近）以及其它地方中使用。已经开发出多种技术来提供耳机中的噪声消除。例如，许多传统的噪声消除器使用模拟噪声消除，并且使用反馈或前馈控制技术。反馈噪声消除通常在具有大声腔的耳机中使用。前馈噪声消除通常在耳塞和贴耳式耳机中使用。 [0003] 前馈噪声消除器使用叠加原理消除到达佩戴者耳朵的不期望的环境噪声信号。例如，前馈噪声消除器使用基于耳机的受控对象模型（plant model）（例如，传递函数）的消除器滤波器来生成抗噪声信号。具体来说，消除器产生幅度上相等或近似相等并相位相反（即，约180°反相）的抗噪声信号来消除不期望的噪声信号。这使用参考麦克风来实现。参考麦克风置于耳机的外面或外围，并感测进入的不期望的噪声信号。对感测到的噪声信号进行处理，并使用受控对象模型生成抗噪声信号。 [0004] 通常来说，受控对象是使用经验方法来确定的。为使模拟噪声消除器提供最佳性能，必须对消除器滤波器进行微调以匹配实际耳机的动态。例如，这可以通过在监测消除器滤波器的性能时改变或更新该消除器滤波器的参数来实现。然而，为了正确地生成抗噪声信号，噪声消除器必须能够在佩戴着耳机时准确地识别佩戴者耳朵处的噪声信号。然后使用扬声器驱动正常音频信号以及抗噪声信号。 [0005] 在图1中示出了模拟前馈噪声消除器系统的示例。系统10包括参考麦克风15、扬声器20以及前馈控制器25。音频信号x(t)是来自音频设备的信号，而声信号y(t)是佩戴者耳朵处的信号。耳机受控对象模式是根据d(t)和y(t)来确定的。然而，还存在影响噪声消除的辅路径。在图2中示出了前馈系统30的一个例子，前馈系统30包括误差麦克风35、辅路径模型40、自适应模块45以及消除器滤波器50。当使用误差麦克风35时，受控对象模型指的是参考麦克风15和误差麦克风35之间的传递函数，辅路径通常指的是扬声器 20和误差麦克风35之间的通道。为了正确地更新消除器滤波器，精确识别辅路径的传递函数是必要的。 发明内容[0006] 使用上述技术，受控对象模型基于测试系统和经验分析，而非实际的系统受控对象。因此，忽略了对系统受控对象的改变。为使得消除器滤波器运行良好（即，生成精确的抗噪声信号），消除器滤波器必须与耳机和佩戴者的组合声相匹配，而耳机和佩戴者的组合声可能与经验模型相差极大且通常不能使用单个统一的受控对象模型来归纳。使用消除器滤波器生成的抗噪声信号必须随着声路径的变化而自适应。例如，除了其它方面，耳机的耳罩和佩戴者头之间的声路径基于耳机在佩戴者上的位置、耳罩的密封性、佩戴者的头部大小、大气压、温度和制造差异而变化。这些因素能够使得消除器滤波器在各种情况下运转不良。使用单个受控对象模型并不会将这些因素考虑在内，因此消除器滤波器会运转不良。另外，由于适当地消除不期望的噪声信号所需要的抗噪声信号会随着不期望的噪声信号的方向变化而变化，因此消除器滤波器必须随着不期望的噪声信号的到达方向的变化而自适应。固定的滤波器无法适应这种变化。 [0007] 本发明的实施例提供了用于使用自适应无限脉冲响应（“IIR”）滤波器作为消除器滤波器而实现数字前馈噪声消除系统和方法的技术。消除器滤波器不断地进行更新或自适应以将系统和实际的受控对象的变化考虑在内。这种消除器滤波器能够适应实际的受控对象中的变化和不期望的噪声信号的到达方向中的变化两者。当与传统的有限脉冲响应（“FIR”）滤波器相比时，IIR滤波器降低了系统的延迟。FIR滤波器需要数百个抽头，并且在低延迟应用中（例如，耳机）是不实用的。 [0008] 在一个实施例中，本发明提供了一种系统，该系统包括：三个或更多参考麦克风、误差麦克风、辅路径模块、自适应控制器以及消除器滤波器。使用平衡模型降阶将FIR受控对象模型转换为IIR受控对象（即，自适应IIR滤波器）。由于自适应IIR滤波器的固有的不稳定性，将Schur-Cohn稳定性测试应用于IIR滤波器的传递函数的分母系数，以在更新分母系数之前验证噪声消除系统的稳定性。如果识别到会影响系统稳定性的干扰，则减缓或停止IIR滤波器的传递函数的分母的自适应以维持稳定性。以在线方式识别噪声消除系统的辅路径。如果通信信号（例如，音乐信号）的能量水平近似白噪声信号，则执行辅路径识别。然后，生成抗噪声信号并将其添加到通信信号。在大约60微秒或更少的时间内生成抗噪声信号。 [0009] 在另一实施例中，本发明提供了一种用于耳机的自适应噪声消除系统。该噪声消除系统包括多个参考麦克风、误差麦克风和控制器。所述参考麦克风配置成检测噪声信号，所述误差麦克风配置成检测声误差信号。所述控制器连接到所述多个参考麦克风和所述误差。所述控制器配置成至少部分地基于针对所述噪声消除系统的稳定性确定和辅路径模型来控制IIR消除器滤波器的自适应。所述控制器还配置成：控制所述辅路径的更新、基于所述消除器滤波器来生成抗噪声信号、以及输出该抗噪声信号。所述IIR消除器滤波器生成作为FIR消除器滤波器的平衡模型降阶，并且将抗噪声信号与音频信号以电方式组合生成组合信号。将所述组合信号提供给输出扬声器。 [0010] 在另一实施例中，本发明提供了一种用于在包括多个参考麦克风和误差麦克风的系统中实现自适应噪声消除的方法。该方法包括：使用所述多个参考麦克风来检测一个或多个噪声信号；使用所述误差麦克风来检测声误差信号；以在线方式识别辅路径模型；以及，确定所述系统的稳定性。该方法还包括：至少部分地基于所述稳定性确定和所识别的辅路径模型来控制IIR消除器滤波器的自适应；基于所述消除器滤波器来生成抗噪声信号；输出所述抗噪声信号；以及，以电方式组合所述抗噪声信号和音频信号以生成组合信号。所述IIR消除器滤波器是FIR消除器滤波器的降阶。 [0011] 在另一实施例中，本发明提供了一种配置成生成抗噪声信号的控制器。该控制器包括存储器模块和处理单元。所述处理单元配置成：接收与由参考麦克风检测的第一声信号相关的参考信号；接收与由误差麦克风检测的第二声信号相关的误差信号；以在线方式识别辅路径模型；以及，确定所述系统的稳定性。所述处理单元还配置成：至少部分地基于所述稳定性确定和所识别的辅路径模型来控制IIR消除器滤波器的自适应；以及，基于所述消除器滤波器来生成抗噪声信号。所述IIR消除器滤波器是FIR消除器滤波器的降阶。 附图说明[0013] 图1示出了模拟前馈噪声消除系统。 [0014] 图2示出了自适应前馈噪声消除系统。 [0015] 图3示出了根据本发明的实施例的数字自适应前馈噪声消除系统。 [0016] 图4示出了基于有限脉冲响应（“FIR”）的受控对象模型和基于降阶无限脉冲响应（“IIR”）的受控对象模型的脉冲响应。 [0017] 图5示出了基于FIR的受控对象模型和基于降阶IIR的受控对象模型的幅度响应。 [0018] 图6示出了用于图3的噪声消除系统的时序图。 [0019] 图7-10示出了根据本发明的实施例的噪声消除过程。 [0020] 图11示出了图3的噪声消除系统的效果。 具体实施方式[0021] 在详细阐述本发明的任意实施例之前，应当理解的是，本发明并不将其应用限于在下文的描述中阐述的或附图中示出的组件的构造和排列的细节。本发明能够用于其它实施例且能够以各种方式实践或实现。 [0022] 本发明在此描述的实施例涉及用于在例如飞机驾驶舱或其它高噪声环境下使用的耳机的自适应前馈噪声消除系统。该系统包括三个或更多个参考麦克风、控制器以及误差麦克风。控制器包括辅路径模型模块、自适应控制器以及消除器滤波器。为使噪声消除系统适当地运转，必须以比声音（例如，噪声信号）从参考麦克风中的至少一个传播到误差麦克风所需时间少的时间生成抗噪声信号。如果未能在足够的时间内生成抗噪声信号，则噪声消除系统无法适当地消除噪声信号。例如，具有厚度约20mm的耳机罩的耳机需要以少于约40微秒（“μs”）生成抗噪声信号。传统上在噪声消除系统中使用的有限脉冲响应（“FIR”）滤波器无法满足自适应前馈噪声消除系统的不灵活的延迟要求。为满足这些延迟要求，使用平衡模型降阶来将基于FIR滤波器的受控对象模型转换为基于无限脉冲响应（“IIR”）的受控对象模型。 [0023] 鉴于IIR滤波器的内在不稳定性，对IIR滤波器的传递函数的分母系数应用Schur-Cohn稳定性测试，以在更新传递函数的分母系数之前验证噪声消除系统的稳定性。如果识别到能够影响系统稳定性的干扰，则减慢或停止IIR滤波器的自适应性以维持稳定性。以在线方式更新辅路径（下文将更详细描述），且不需将伪白噪声信号插入到扬声器的输出中。而是使用通信信号来识别辅路径。如果通信信号（例如，音乐信号）的能量水平较强且近似白噪声，则执行辅路径更新。（辅路径通常指的是输出扬声器和误差麦克风之间的路径）。然后，生成抗噪声信号并将其以电方式添加到通信信号。这种数字自适应前馈噪声消除系统具有低延迟且改善了噪声消除。 [0024] 在图3中示出了如上面描述的数字自适应前馈噪声消除系统100的实施例。系统100包括多个参考麦克风105、控制器（例如，数字信号处理器（“DSP”））110、求和模块115、扬声器120以及误差麦克风125。除其它方面，控制器100包括模拟到数字转换器（“ADC”） 130、辅路径模块135、自适应控制器模块140、消除器滤波器模块145以及数字到模拟转换器（“DAC”）模块150。控制器100还包括诸如微处理器、微控制器等之类的处理单元，该处理单元经由一个或多个总线连接至存储器模块以及输入/输出模块。存储器模块可以包括例如各种电子存储器设备，诸如只读存储器（“ROM”）、随机存取存储器（“RAM”）、电可擦除可编程只读存储器（“EEPROM”）、闪存存储器或其它适当的非暂时性存储介质。输入/输出模块在控制器110内的组件与噪声消除系统100的其它组件之间传递信息。控制器110还配置成使用总线或通信接口来与噪声消除系统100内的其它组件或子系统进行通信。控制器110的实现中包括的软件存储在存储器模块中。软件包括例如固件、一个或多个应用、程序数据、一个或多个程序模块、以及其它可执行指令。除其它方面，控制器110配置成从存储器中获取并执行下文描述的控制过程和方法。在其它实施例中，控制器110包括额外的、更少的或不同的组件。 [0025] 生成足以消除由参考麦克风105检测到的噪声信号的抗噪声信号依赖于适当地识别用于系统或耳机的受控对象模型。受控对象模型通常是从参考麦克风105到误差麦克风125进行测量的。耳机的被动声对受控对象模型有很大影响。例如，耳机的被动声受制造差异、正常使用的磨损以及环境变化（例如，温度的改变）的影响。另外，受控对象模型随耳机类型而变化（例如，耳塞、耳罩式头戴耳机）。耳机类型主要基于耳机在用户头部的位置、用户耳朵的形状以及耳机的定位来改变受控对象模型。 [0026] 通常使用线性非时变数字滤波器传递函数来对受控对象模型进行建模，并通过使用白噪声来激励系统以及分析脉冲响应来进行识别。例如，参考麦克风105与误差麦克风125之间的距离大约是20mm。尽管直接声路径会在少于一百微秒内穿过，但这种声路径受控对象模型的脉冲响应的范围可以从2到4毫秒（“ms”）。脉冲响应的持续时间主要由于由在用户耳朵附近的声音的反射和吸收所产生的复杂声环境。 [0027] 在很多情形下，使用FIR滤波器实现受控对象模型需要FIR滤波器为数百抽头长（例如，160至260抽头长）。如之前所描述的，为了有效地消除噪声信号，所生成的抗噪声信号必须在噪声信号到达用户耳朵时到达用户耳朵。另外，为良好的分辨率，需要每30μs一个采样或更快的采样率，且消除器滤波器抽头必须足够靠近以捕获消除器滤波器传递函数的细节。然而，由于FIR滤波器的长度，将FIR滤波器与参考信号进行卷积造成了延迟，该延迟妨碍了在足够时间内生成抗噪声信号以消除噪声信号。例如，为对250抽头滤波器进行卷积，需要250次乘积/累加（“MAC”）。如此冗长的滤波器收敛非常缓慢。另外，250个滤波器抽头中的每个抽头都需要进行更新，这需要另外250次MAC，则总共为500次MAC。使用当前的DSP，这些计算需要约150-250μs。基于FIR的系统无法在足够时间内生成抗噪声信号限制了数字噪声消除系统的适用性和有效性。事实上，这种系统仅在允许相当长的声延迟（例如，HVAC管道）的系统中提供足够的噪声消除。 [0028] 因此，FIR滤波器不能在消除器滤波器模块145中使用。而是使用例如平衡模型降阶来将原基于FIR滤波器的受控对象模型转换为基于IIR滤波器的受控对象模型。这种IIR滤波器将滤波器大小从例如250个抽头减少至约14个抽头，这仅需要28次MAC。概括来说，减少模型尺寸的目的是为了去除无法控制或观察（即，不显著）的系统的模式。在系统的平衡实现中，可控或可观察（即，显著）的系统的模式是清楚可见的。平衡模型降阶使用诸如平衡模型截断（“BMT”）、Shur模型降阶（“SMR”）以及Hankel-norm模型降阶（“HMR”）之类的多种技术中的任意技术来实现。 [0029] 尽管可使用多种平衡模型降阶技术，但BMT是在下文提供的例子中使用的技术。因为初始系统是基于FIR受控对象模型的，因此使用BMT简化了计算。然而，使用诸如BMT之类的模型降阶技术还具有对噪声消除系统的可控性和操作的不良影响，这主要归因于IIR滤波器的不稳定性。必须对这种不稳定性的影响进行补偿，以便使用IIR消除器滤波器适当地实现自适应前馈噪声消除系统。在下文对基于FIR滤波器的受控对象模型到基于IIR滤波器的受控对象模型的转换的描述之后是对本发明用于实现实际的数字噪声消除系统的特征的描述。 [0030] 将基于FIR滤波器的受控对象模型转换为基于IIR滤波器的受控对象模型的第一步是将受控对象传递函数F(z)写为一组状态空间等式。例如，下面在等式1示出了用于耳罩的受控对象传递函数F(z)。 [0031] Y(z)=D(z)F(z) 等式1 [0032] 其中，D(z)和Y(z)分别是z变换噪声信号和z变换抗噪声信号。 [0033] 下面在等式2中示出了受控对象传递函数F(z)的脉冲响应模型。 [0034] F(z)＝c0+c0z-1+c0z-2+.......+c0z-n 等式2 [0035] =C(zI-A)-1B+D [0036] 其中，ci是脉冲响应的第i系数，z-1是单位延迟，并且D＝c0。 [0037] 然后，将n阶的受控对象传递函数F(z)写为状态空间差分等式，如下面在等式3和4中示出的。 [0038] x(k+1)=Ax(k)+Bd(k) 等式3 [0039] y(k)=Cx(k)+Dd(k) 等式4 [0040] 其中： [0041] [0042] [0043] C=[c1 c2 c3 … cn] [0044] 并且 [0045] D=c0 [0046] 输入信号d(k)和x(k)是分别来自参考麦克风105和采样k处的系统的内部状态的信号。这是能够代表受控对象传递函数F(z)的无限多个可能的状态空间实现中的一个。例如，使用相似变换将上述状态空间实现变换为另一实现。然而，仅一种变换允许将受控对象传递函数变换为平衡实现。 [0047] 针对上面所描述的系统的状态空间实现（A,B,C,D）定义两个矩阵P和Q。所述矩阵式是Lyapunov等式的解，并由下面的等式5和6给出。 [0048] P=APAT+BBT 等式5 [0049] Q＝AQAT+CTC 等式6 [0050] 矩阵P和Q被称为可控和可观测格兰姆矩阵（grammians）。当系统是稳定的、可控的且可观测的时，等式5和6有解。矩阵P和Q并不是唯一的，而取决于状态空间实现。然而，矩阵P和Q的乘积特征值λi(PQ)独立于状态空间实现，并且仅取决于受控对象传递函数F(z)。 [0051] 通过将相似变换T选择为 [0052] T=S-1U∑1/2 等式7 [0053] 其中， [0054] Q=STS 等式8 [0055] UUT＝I 等式9 [0056] 并且I是单位矩阵，可以将状态空间实现变换到等式10中给出的平衡实现。 [0057] P=Q=∑=diag{σ1,σ2,σ3，...σn} 等式10 [0058] 其中，∑是Hankel奇异值函矩阵，并且σi是Hankel奇异值。则对于上述系统，等式11为真。 [0059] σi(F(z))＝{λi(PQ)}1/2 等式11 [0060] 在变换到平衡实现之后，将系统分解为显著（即，显性）部分和非显著部分。为了描述性目的，假定（Ab,BB,Cb）是平衡系统。将Hankel奇异值矩阵∑分解为如下面等式12中所示的两个部分∑1和∑ 2。 [0061] 等式12 [0062] 其中， [0063] ∑1=diag{σ1,σ2，...σk} 等式13 [0064] 并且 [0065] ∑2=diag{σk+1,σk+2，...σn} 等式14 [0066] 在进行划分之后，将状态空间矩阵写为： [0067] [0068] [0069] Cb＝[C1 C2] [0070] 此外，经截断的系统写为： [0071] （A11,B1,C1） [0072] 并且被摒弃的系统写为： [0073] （A22,B2,C2） [0074] 如果系统（Ab,Bb,Cb）是渐近稳定的和平衡的，那么经截断的系统（A11,B1,C1）和被摒弃的系统（A22,B2,C2）也是平衡的和稳定的。 [0075] 用于减小受控对象模型的大小的模型大小参数k是基于Hankel特征值的扩展而选择的。例如，在一个实施例中，选择三分之一的平均特征值，虽然也可以使用减小受控对象模型大小的其它标准。受控对象模型大小的过度减小会降低受控对象模型的有效性并且会使消除器滤波器的性能降级。 [0076] 使用下面的等式15将经截断的模型（A11,B1,C1）变换回受控对象传递函数。 [0077] H(z)＝C1(zI-A11)-1B1+D 等式15 [0078] 其为在噪声消除系统100中使用的第k阶基于IIR滤波器的受控对象模型。上面所描述的模型降阶过程具有类似于（几乎等同于）向受控对象模型添加可观测或可控的模式的效果。 [0079] 在图4中示出了基于FIR滤波器的受控对象模型与基于IIR滤波器的受控对象模型的针对每种模型的脉冲响应的比较200。以20μs的分辨率记录具有192个抽头的基于FIR滤波器的受控对象模型的脉冲响应以及具有14个抽头（即，14个特征模式）的基于IIR滤波器的受控对象模型的脉冲响应。随着基于IIR的受控对象模型的降阶，与具有192个抽头的基于FIR滤波器的受控对象模型相比，具有约12和18个之间的特征模式的受控对象模型表现出可比较的模型误差值。对基于IIR的受控对象模型进行较高阶建模未必会导致较小的模型误差。由此，包括额外的可观察、可控制的模式仅带来对基于IIR滤波器的受控对象模型的模型误差的轻微改善。另外，为了成功生成抗噪声信号，基于IIR滤波器的受控对象模型的相位必须近似地与基于FIR滤波器的受控对象模型的相位匹配。图4中示出的基于FIR滤波器的受控对象模型和基于IIR滤波器的受控对象模型的脉冲响应之间的相关性确认了基于FIR的受控对象模型和基于IIR的受控对象模型的各自相位之间的相关性。通过图5中示出的基于FIR滤波器的受控对象模型和基于IIR滤波器的受控对象模型的幅频响应来进一步示出了这两种受控对象模型之间的相关性。 [0080] 如之前所描述的，将IIR滤波器用于噪声消除的一个主要障碍是稳定性。在自适应控制器模块140中使用例如具有极点稳定的最小均方标准来实现基于IIR滤波器的受控对象模型在更新（即，自适应）期间的稳定，以维持系统的稳定性。依据系统的稳定性，这种技术使得IIR滤波器的分母系数缓慢变化或根本不变化。在一个实施例中，每次识别到对分母系数的变化请求时，将该分母系数变化请求记录在系统的存储器中。当在预定数目的周期或预定量的时间内记录了相同的分母系数变化请求时，确认系数变化。使用Schur-Cohn稳定性测试和标准来确认系统的稳定性并准许分母变化请求。例如，当系统发生变化而需要更新消除器滤波器的分母系数以最小化模型误差且对该更新的需求持续时，在确认稳定性之后更新分母系数。另外，大量减少对分母系数的更新以降低更新的频率。通过降低分母更新的频率，节省了处理资源，并且可以在后台处理线程中执行更新。 [0081] 在一些实施例中，自适应控制器模块140确定分母的极点并确定这些极点是否指示系统是不稳定的。另外或作为替代，自适应控制器模块140确定或估计未来的极点位置，以确定系统是否朝向不稳定状态。基于极点相对于预定义的或确定的阈值（例如，单位圆）的位置，确定系统的稳定性。在一些实施例中，包括表示比第一阈值更稳定的极点位置的第二阈值，以维持对稳定性更严格的控制。在这些实施例中，仅当极点在第一阈值或第二阈值内时更新分母系数。在其它实施例中，完全停止或阻止对分母系数的更新。在这些实施例中，分母系数被锁定在预定值或被锁定在系统初始化时确定的值。 [0082] 除了对耳机的被动声的适当识别之外，还必须正确地识别系统的辅路径以确保消除器滤波器的适当的收敛。系统的辅路径是在辅路径模块135中使用在线建模技术进行识别的。辅路径模块135从参考麦克风105接收经模拟到数字转换的信号，并输出对应于扬声器120和误差麦克风125之间的声信号的信号。辅路径模块135的输出影响消除器滤波器模块145中的消除器滤波器传递函数的分子和分母两者，但如之前所描述的，仅在确认了稳定性时更新分母。由于辅路径是以在线方式更新的，因此基于通信信号（例如，音乐信号、来自话筒的信号等）来对辅路径进行更新。当通信信号是不相关的（即，近似白噪声信号）且大于阈值时，使用通信信号来识别辅路径。例如，使用线性预测误差模块来识别通信信号中的相关的分量，并基于通信信号中的相关性水平来控制辅路径更新或自适应。这种的技术的第一优点是：当通信信号高度不相关或近似白噪声时，辅路径识别较快。第二优点是：辅路径识别滤波器收敛到辅路径模型而无需偏差解决方案。偏差解决方案起因于例如使用高度相关的通信信号而非近似白噪声信号来识别辅路径。第三优点是：当伴随着环境噪声监测时，这种技术允许验证辅路径而不会有任何伪像（例如，引入的白噪声信号）。 [0083] 为了充分地监测环境噪声，参考麦克风105在耳机上的位置是关键。如之前描述的，传统耳机包括单个参考麦克风。通过包括额外的参考麦克风（即，多于一个参考麦克风），受控对象模型能够基于环境噪声信号的方向性来进行更新。在一个实施例中，三个参考麦克风在耳罩的外部周围等距离地间隔开。每个参考麦克风针对来自不同方向的环境噪声产生不同的传递函数。因此，选择对受控对象模型影响最大（即，提供具有最大幅度的信号）的参考麦克风来更新消除器滤波器。在其它实施例中，基于参考麦克风中的每个参考麦克风使用叠加来生成组合的传递函数，或者对来自参考麦克风中的每个参考麦克风的信号进行组合并求平均。基于与参考麦克风105中的每个参考麦克风相关联的传递函数的相对贡献以及环境噪声的入射方向，组合的传递函数随时间而变。由此，至少部分地基于环境噪声的入射方向来生成抗噪声信号。 [0084] 在数字化地实现噪声消除系统100时，时序是重要的。将基于FIR滤波器的受控对象模型转换为基于IIR滤波器的受控对象模型降低了噪声消除系统100的延迟。在一些实施例中，使用基于IIR滤波器的受控对象模型生成抗噪声信号比使用基于FIR滤波器的受控对象模型生成抗噪声信号大约快十倍。在图6中示出了与噪声消除系统100相对应的时序图300。在示出的时序图300中，为了抗噪声信号适当地消除噪声信号，必须在少于30μs内完成抗噪声信号的生成。第一线程305表示系统100的大部分处理需求。通常将第一线程305划分成第一部分310和第二部分315。第一部分310对应于中断服务例程（“ISR”），其包括第一、第二、第三、第四和第五分区320-340。包括第一线程305的第六分区345的第二部分315将连续的ISR分开。在第一分区320中对来自参考麦克风105和误差麦克风125的信号进行模拟到数字转换。例如，在24MHz，模拟到数字转换大约需要1μs。在第二分区325中，ADC 130的输出通过串行外围接口（“SPI”）传递到消除器滤波器模块145、辅路径模块135以及自适应控制器模块140。该传递大约需要1μs。在通过SPI进行传递之后，在第三分区330中，使用自适应控制器模块140和消除器滤波器模块145来计算消除器滤波器传递函数的更新的分子、应用辅路径并计算抗噪声信号。所述计算由控制器110执行且大约需要20μs。在第四分区335中，消除器滤波器模块145的输出通过外部存储器接口（“EMIF”）来传递，这大约需要0.5μs。在第五分区340中，在DAC 150中对消除器滤波器的输出进行数字到模拟转换，这大约需要0.5μs。第一至第五分区320-340大约需要 23μs来执行。 [0085] 第六分区345使用第一线程中剩余的处理时间。使用第六分区345以大量减少的方式执行第一、第二、第三和第四后台线程。例如，如上所述，第一后台线程计算辅路径（例如，在辅路径模块135中）。在第二后台线程中，针对相关性对通信信号进行评估，以识别在第一后台线程中识别的辅路径的质量。第三后台线程使用上文所述的Schur-Cohn稳定性标准来确定噪声消除系统100的稳定性。第四后台线程用于执行额外的控制或系统功能。在一些实施例中，第一、第二、第三和第四后台线程中的每个后台线程是在第一线程305的第六分区345期间执行的。在其它实施例中，在第六分区345期间执行后台线程中的单个线程，或者在第一线程305的剩余时间内执行尽可能多的后台线程。在单个30μs线程期间执行的处理量取决于例如控制器110的速度。随着处理器变得越快且更加高效，第一线程305可以在少于30μs内执行，并且可以增加额外的后台线程。由此，耳罩的厚度可以做得更小，从而噪声消除系统的延迟需求会更短。在一些实施例中，在大约10-40μs内执行抗噪声信号处理和生成。 [0086] 在图7-10中示出了用于实现上文描述的噪声消除系统且对应于时序图300的过程400。过程400以检测噪声信号（步骤405）和检测误差信号（步骤410）开始。在步骤410之后，ISR开始（步骤415），并在ADC 130中对检测到的噪声信号和误差信号进行模拟到数字转换（步骤420）。在步骤420之后，更新消除器滤波器的分子（步骤425）、将辅路径应用于消除器滤波器（步骤430）、并计算抗噪声信号（步骤435）。在步骤435计算抗噪声信号之后，在DAC 150中对抗噪声信号进行数字到模拟变换（步骤440），且ISR结束（步骤445）。 [0087] 在过程400的步骤450-480中示出了后台线程的执行。参照图9中示出的过程400的控制部分B，使用如上文描述的通信信号来计算辅路径（步骤450）。然后，对通信信号进行评估（步骤455），以确定该通信信号是相关的信号还是不相关的信号（步骤460）。如果该通信信号是不相关的且近似白噪声信号，则更新辅路径（步骤465）。如果在步骤460，通信信号被确定为高度相关的，则控制器110使用Schur-Cohn稳定性测试来检查系统的稳定性（步骤470）。然后，过程400进行到在图10中示出并参照图10描述的控制部分C。在一些实施例中，相关性是基于通信信号与白噪声信号之间的比较来确定的。如果通信信号与白噪声信号之间的相关系数大于阈值，则认为该通信信号近似于白噪声信号。 [0088] 在步骤475，控制器确定系统100是否稳定。如果系统100稳定，则可以更新消除器滤波器模块145中的消除器滤波器传递函数的分母（步骤480），并且生成抗噪声信号（步骤485）。如果系统100不稳定，则不更新所述分母，并且生成抗噪声信号（步骤485）。将所生成的抗噪声信号添加到通信信号（步骤490），并从扬声器120输出通信信号和抗噪声信号的组合输出（步骤495）。然后，过程400返回至步骤405以及在图7中示出并之前参照图7描述的控制部分D。 [0089] 尽管过程400的所示出的实施例将抗噪声信号的生成示出为详细的过程中的分立的步骤，但抗噪声信号能够在噪声消除系统的操作期间连续地或几乎连续地生成。另外，过程400能够由控制器110连续地或几乎连续地执行以确保最佳噪声消除，而且各种所描述的步骤可以并行执行。 [0090] 此外，为了描述性目的，在过程400的步骤450-480中以连续的方式示出并描述了后台线程。如之前所描述的，这些后台线程是以大量减少的方式执行的，而且在单个ISR之后并非每个后台线程是必须执行的。在一些实施例中，使用迭代方式，其中，在ISR之后执行后台线程中的单个线程。例如，在第一ISR之后执行步骤450-465，而在第二ISR之后执行步骤470-480。 [0091] 图11示出了表示上面所描述的噪声消除系统和方法的有效性。第一信号505是由误差麦克风125在噪声消除系统不活动时感测到的白噪声信号。第二信号510是由误差麦克风125在上述噪声消除系统活动时感测到的信号。 |
||||||
QQ群二维码
意见反馈
意见反馈