دانلود کتاب On Nonlinear Filtering For Noise Reduction Using a Sensor Array

ترجمه فارسی توضیحات (ترجمه ماشینی)

در فیلتر غیر خطی برای کاهش نویز با استفاده از آرایه سنسور

صدای پس زمینه یکی از مشکلات عمده سمعک های موجود در حال حاضر است. تکنیک های پردازش آرایه به یک موضوع تحقیقاتی محبوب برای کاهش نویز پس زمینه تبدیل شده است. این کار به بررسی یک پرتوساز دو میکروفونی می‌پردازد که دارای یک حذف کننده نویز تطبیقی ​​با یک فیلتر غیرخطی است. در حذف نویز تطبیقی، از فیلترهای خطی برای به حداقل رساندن میانگین مجذور اختلاف بین خروجی فیلتر و سیگنال مورد نظر استفاده شده است. بسته به چگالی احتمال سیگنال‌های درگیر، با این حال، فیلترهای غیرخطی می‌توانند اختلاف مجذور میانگین را بیشتر کاهش دهند، در نتیجه نسبت سیگنال به نویز را در خروجی حذف کننده نویز بهبود می‌بخشند. در مورد یک منبع نویز منفرد که یک i. فرآیند تصادفی، محدودیت‌های عملکرد خطی و غیرخطی بهینه برای تراکم‌های احتمال نویز مختلف ایجاد شده‌اند. برای تقریب عملکرد بهینه، دو معماری تطبیقی ​​غیرخطی، فیلتر Volterra و پرسپترون چند لایه، محقق می‌شوند. سرعت همگرایی و عملکرد حالت پایدار به دقت بررسی می شود. فیلتر Volterra نیز برای تداخل گفتاری مورد بررسی قرار می گیرد. شکل‌دهنده پرتو برای به حداقل رساندن اختلاف میانگین مجذور تطبیق داده شده است، اما عملکرد با بهره وزنی قابل درک اندازه‌گیری می‌شود. این معیار به نسبت سیگنال به نویز در خروجی پرتوساز نیاز دارد. برای پردازنده غیرخطی، این تنها زمانی قابل تعیین است که هیچ مولفه هدفی در کانال مرجع حذف کننده نویز وجود نداشته باشد تا هدف بدون اعوجاج منتقل شود. در این شرایط ایده‌آل و در طول‌های فیلتر برابر، فیلتر ولترا درجه دوم بهره وزنی قابل درک را تا حداکثر 2 دسی بل نسبت به فیلتر خطی بهبود می‌بخشد.

On Nonlinear Filtering For Noise Reduction Using a Sensor Array

Background noise is one of the major problems of currently available hearing aids. Array processing techniques have become a popular research topic for reducing background noise. This work investigates a two-microphone beamformer which incorporates an adaptive noise canceller with a nonlinear filter. In adaptive noise cancelling, linear filters have been used to minimize the mean squared difference between the filter output and the desired signal. Depending on the probability densities of the involved signals, however, nonlinear filters can further reduce the mean squared difference, thereby improving signal-to-noise ratio at the noise canceller output.In the case of a single noise source emitting an i.i.d. random process, optimum linear and nonlinear performance limits are established for various noise probability densities. To approximate optimum performance, two nonlinear adaptive architectures are realized, the Volterra filter and the multi-layer perceptron. Convergence speed and steady state performance are scrutinized.The Volterra filter is also examined for speech interference. The beamformer is adapted to minimize the mean squared difference, but performance is measured with the intelligibility-weighted gain. This criterion requires the signal-to-noise ratio at the beamformer output. For the nonlinear processor, this can only be determined when no target components exist in the reference channel of the noise canceller so that the target is transmitted without distortion. Under these ideal conditions and at equal filter lengths, the quadratic Volterra filter improves the intelligibility-weighted gain by maximally 2 d.B relative to the linear filter.