揚聲器系統之模型建構及應用深度學習於降噪之研究

Abstract

隨著科技進步，人們對消費性電子商品的品質要求不斷上升，如何達成高傳真的電聲商品一直是人們致力的研究目標。以揚聲器系統為例，其系統為電系統、機械系統和聲學系統三者相互耦合，因此設計高品質的揚聲器並不容易。本研究以設計出高傳真之電聲產品為目標，分為三個部分進行研究：分別為開發量測系統、揚聲器模型模擬以及降噪系統之建立。揚聲器中許多參數會決定揚聲器的好壞，因此量測系統對於揚聲器設計者非常重要。首先期望藉由自行開發的揚聲器量測系統，降低量測系統之成本並提供更高自由度之量測系統給使用者。同時為了提高量測系統精度，以互相關係數法(cross-correlation)處理位移訊號和電子訊號之間之延遲，以及使用暫態分析系統處理暫態位移訊號。最終再利用基本聲學推導之揚聲器輻射聲壓方程式，即可由量測到的位移訊號模擬出揚聲器之聲壓位準曲線(sound pressure level ,SPL)。 本研究以自適應濾波器演算法模擬揚聲器電子訊號和位移訊號之間的轉移函數，在沒有單體的時候仍可以使用此模型進行單體模擬或輔助揚聲器系統之設計。實驗使用複頻(multi-tone)掃頻訊號做為激振訊號，並探討如何以粒子群最佳化演算法產生峰值因子(crest factor)較小的掃頻訊號。粒子群演算法(Particle Swarm Optimization, PSO)演算法得以將原本峰值因子為4.47的複頻訊號降至2.99。 第三部分將深度學習應用於商業機械加工主軸降噪系統，希望透過後處理的方式將麥克風錄製到的噪音訊號去除並將語音訊號強化。以深度神經網路作為模型架構，並自行錄製高速主軸於不同轉速下運轉噪音進行測試。最後引入Perceptual Evaluation of Speech Quality (PESQ)一套客觀語音品質評分系統，定量評估降噪系統的成效。