一種減少傳聲器使用數(shù)量的房間沖激響應(yīng)函數(shù)測(cè)量方法
【專利摘要】本發(fā)明公開(kāi)了一種減少傳聲器使用數(shù)量的房間沖激響應(yīng)函數(shù)測(cè)量方法，包括以下步驟：在空間中采用均勻等分布局放置適量傳聲器，進(jìn)行傳遞函數(shù)的測(cè)量，并將得到的傳遞函數(shù)作為訓(xùn)練數(shù)據(jù)庫(kù)；利用得到的訓(xùn)練庫(kù)和對(duì)應(yīng)的位置信息建立GMM，得出模型參數(shù)；利用模型參數(shù)建立GMR，得出輸入輸出公式；將位置坐標(biāo)輸入公式，得到相應(yīng)位置的傳遞函數(shù)。本發(fā)明使用了GMM對(duì)位置坐標(biāo)和該位置對(duì)應(yīng)的傳遞函數(shù)進(jìn)行建模，然后利用GMR獲得位置坐標(biāo)和該位置對(duì)應(yīng)的傳遞函數(shù)的輸入輸出公式。通過(guò)輸入觀察區(qū)域中任意位置坐標(biāo)，就可以得到該位置對(duì)應(yīng)的傳遞函數(shù)。本發(fā)明可以有效減少測(cè)量傳遞函數(shù)過(guò)程中是用的傳聲器數(shù)量，使獲得的數(shù)據(jù)更準(zhǔn)確。
【專利說(shuō)明】一種減少傳聲器使用數(shù)量的房間沖激響應(yīng)函數(shù)測(cè)量方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及聲音合成處理技術(shù)，特別是一種減少傳聲器使用數(shù)量的房間沖激響應(yīng) 函數(shù)測(cè)量方法。

【背景技術(shù)】
[0002] 聲場(chǎng)合成（WFS)技術(shù)是以惠更斯原理為基礎(chǔ)在較大范圍內(nèi)合成三維聲場(chǎng)。它在消 費(fèi)電子、通信等領(lǐng)域具有廣泛應(yīng)用。聽(tīng)眾在合成的聲場(chǎng)中能夠感受到聲源的方位信息，從而 有一種"身臨其境"的感受。聲場(chǎng)合成應(yīng)用場(chǎng)合多為室內(nèi)，而房間的墻壁對(duì)聲波的反射會(huì)降 低合成聲場(chǎng)的質(zhì)量，所以實(shí)際應(yīng)用中需要加入房間補(bǔ)償。
[0003] 在進(jìn)行房間補(bǔ)償前，各個(gè)揚(yáng)聲器到觀察區(qū)域（房間中合成的聲場(chǎng)）內(nèi)部分位置的 傳遞函數(shù)需要測(cè)量獲得。然而當(dāng)測(cè)量位置較多時(shí)，使用大量傳聲器會(huì)對(duì)聲場(chǎng)造成較大影響， 從而使測(cè)量得到的數(shù)據(jù)不準(zhǔn)確，進(jìn)而降低了房間補(bǔ)償?shù)男Ч?，甚至使合成聲?chǎng)的質(zhì)量惡化。 [0004] 1、現(xiàn)有技術(shù)一的技術(shù)方案
[0005] Fuster^ (J. J. Lopez, A. Gonzalez, L. Fuster. Room compensation in wave field synthesis by means of multichannel inversion. IEEE Workshop on Applications of Signal Processing to Audio and Acoustics, New Paltz, New York, 2005:146-149)設(shè)計(jì) 了一種傳遞函數(shù)測(cè)量方案，用于測(cè)量觀察區(qū)域中的傳遞函數(shù)。該方案將多個(gè)傳聲器放置在 一個(gè)直桿上，將直桿的一端固定在一個(gè)旋轉(zhuǎn)軸上。旋轉(zhuǎn)軸每轉(zhuǎn)一個(gè)固定角度，就測(cè)量該位置 的傳遞函數(shù)。當(dāng)旋轉(zhuǎn)軸旋轉(zhuǎn)360°后，空間中測(cè)量到的位置如圖1所示。這種方法降低了傳 聲器對(duì)整個(gè)聲場(chǎng)的影響，并且使用的傳聲器較少。
[0006] 由于該技術(shù)利用少量傳聲器進(jìn)行多次測(cè)量，所以測(cè)量時(shí)間較長(zhǎng)。并且當(dāng)空間較大 或者空間中有障礙物（如柱子）時(shí)，該測(cè)量方法將無(wú)法使用。
[0007] 2、現(xiàn)有技術(shù)二的技術(shù)方案
[0008] 技術(shù)二的方案是基于局部采集信息對(duì)整個(gè)空間中傳遞函數(shù)建模，方案流程如圖2 所示，在該方案中，D個(gè)傳聲器均勻布局在整個(gè)觀察區(qū)域中，首先用空間坐標(biāo)位置作為訓(xùn)練 數(shù)據(jù)集的輸入部分，揚(yáng)聲器到各控制點(diǎn)的傳遞函數(shù)作為訓(xùn)練數(shù)據(jù)集的輸出部分，將訓(xùn)練數(shù) 據(jù)集通過(guò)SVR，得到空間位置與傳遞函數(shù)之間的映射模型；在此基礎(chǔ)上，將整個(gè)觀測(cè)區(qū)域位 置作為該模型輸入，從而得到整個(gè)觀察區(qū)域的傳遞函數(shù)。在訓(xùn)練模型時(shí)，也可用ANN替換 SVR。
[0009] ANN模型存在過(guò)學(xué)習(xí)問(wèn)題，需要訓(xùn)練數(shù)據(jù)樣本較大。SVR尋找不同類別之間的最優(yōu) 化分類面，反映的是異類數(shù)據(jù)之間的差異，但是其訓(xùn)練時(shí)間長(zhǎng)，并且不能反映訓(xùn)練數(shù)據(jù)本身 的特性，重構(gòu)的傳遞函數(shù)的精度不高。
[0010] 綜上所述，現(xiàn)有的降低傳遞函數(shù)采集時(shí)傳聲器使用數(shù)目的技術(shù)存在以下問(wèn)題：⑴ 在空間較大的房間中測(cè)量困難，并且受空間中障礙物的影響；（2)進(jìn)行訓(xùn)練的過(guò)程時(shí)間過(guò) 長(zhǎng)，且需要的樣本個(gè)數(shù)較多。
[0011] 本發(fā)明涉及的術(shù)語(yǔ)解釋如下：
[0012] WFS :Wave Field Synthesis，聲場(chǎng)合成；
[0013] GMR :Gaussian Mixture Regression，高斯混合回歸；
[0014] GMM :Gaussian Mixture Model，高斯混合模型；
[0015] ANN Artificial Neural Networks，人工神經(jīng)網(wǎng)絡(luò)；
[0016] SVR :Support Vector Regression，支持向量回歸；
[0017] EM 〖Expectation Maximization，期望最大化算法。


【發(fā)明內(nèi)容】

[0018] 為解決現(xiàn)有技術(shù)存在的上述問(wèn)題，本發(fā)明要設(shè)計(jì)一種可實(shí)現(xiàn)如下目的的減少傳聲 器使用數(shù)量的房間沖激響應(yīng)函數(shù)測(cè)量方法。
[0019] (1)在空間較大的房間中測(cè)量容易，并且不受空間中障礙物的影響；
[0020] (2)進(jìn)行訓(xùn)練的過(guò)程時(shí)間較短，且需要的樣本個(gè)數(shù)較少。
[0021] 為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：一種減少傳聲器使用數(shù)量的房間沖 激響應(yīng)函數(shù)測(cè)量方法，包括以下步驟：
[0022] A、在空間中采用均勻等分布局放置適量傳聲器，進(jìn)行傳遞函數(shù)的測(cè)量，并將得到 的傳遞函數(shù)作為訓(xùn)練數(shù)據(jù)庫(kù)；
[0023] 設(shè)任一位置4且頻率為Ω時(shí)對(duì)應(yīng)頻域中的傳遞函數(shù)H(rp，Ω)構(gòu)成一個(gè)四維的 觀察信號(hào)X = [Xp，yp，氏，Hi]，其中xp和yp分別為空間中的坐標(biāo)值，札和Hi分別為頻域中傳 遞函數(shù)Η的實(shí)部和虛部。在一待采集區(qū)域中，均勻選取D個(gè)不同位置進(jìn)行傳遞函數(shù)測(cè)量，并 獲得D個(gè)四維觀察信號(hào)。將這D個(gè)四維觀察信號(hào)構(gòu)造成GMM模型的訓(xùn)練特征矢量序列X = [χη，η = 1，2, ···0]，該序列即為訓(xùn)練庫(kù)。
[0024] Β、利用得到的訓(xùn)練庫(kù)和對(duì)應(yīng)的位置信息建立GMM，得出模型參數(shù)；
[0025] 對(duì)X建立GMM。GMM使用多個(gè)單高斯模型的加權(quán)和來(lái)近似任意形狀的概率密度分 布，當(dāng)所使用的單高斯模型個(gè)數(shù)足夠多時(shí)，能夠達(dá)到較好的逼近效果。GMM表達(dá)式為
[0026]

【權(quán)利要求】
1. 一種減少傳聲器使用數(shù)量的房間沖激響應(yīng)函數(shù)測(cè)量方法，其特征在于：包括以下步 驟： A、 在空間中采用均勻等分布局放置適量傳聲器，進(jìn)行傳遞函數(shù)的測(cè)量，并將得到的傳 遞函數(shù)作為訓(xùn)練數(shù)據(jù)庫(kù)； 設(shè)任一位置&且頻率為Ω時(shí)對(duì)應(yīng)頻域中的傳遞函數(shù)H(rp，Ω)構(gòu)成一個(gè)四維的觀察 信號(hào)X = [xp，yp，氏，HJ，其中xp和yp分別為空間中的坐標(biāo)值，札和氏分別為頻域中傳遞函 數(shù)Η的實(shí)部和虛部；在一待采集區(qū)域中，均勻選取D個(gè)不同位置進(jìn)行傳遞函數(shù)測(cè)量，并獲得 D個(gè)四維觀察信號(hào)；將這D個(gè)四維觀察信號(hào)構(gòu)造成GMM模型的訓(xùn)練特征矢量序列X = [χη，η =1，2,…D]，該序列即為訓(xùn)練庫(kù)；所述的GMM模型為高斯混合模型和簡(jiǎn)稱； B、 利用得到的訓(xùn)練庫(kù)和對(duì)應(yīng)的位置信息建立GMM，得出模型參數(shù)； 對(duì)X建立GMM ;GMM使用多個(gè)單高斯模型的加權(quán)和來(lái)近似任意形狀的概率密度分布，當(dāng) 所使用的單高斯模型個(gè)數(shù)足夠多時(shí)，能夠達(dá)到較好的逼近效果；GMM表達(dá)式為
其中，fi(x)為單高斯模型； GMM模型的建模方法如下： B1、根據(jù)房間中吸聲物體多少等情況和經(jīng)驗(yàn)確定GMM中高斯分量個(gè)數(shù)為Μ ; Β2、高斯混合模型參數(shù)λ可以描述為 λ = [Wi，u" Σ」 (2) 其中，Wi是混合加權(quán)值，它滿足
= 1，均值矢量屮=[u (xp)，u (yp)，u (pr)，u (pj ]，協(xié) 方差矩陣 \ = ElKx-UiVU-Ui)]; 使用K-均值方法對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行聚類分析，得到GMM模型的初始參數(shù)λ ° ;K-均值 具體步驟如下： 首先將Dataset中前Μ個(gè)四維觀察信號(hào)X作為初始聚類中心exp cx2，…，cxM ;而對(duì)于 所剩下其它觀測(cè)信號(hào)，則根據(jù)它們與這些聚類中心的歐氏距離分別將它們分配給與其 最相似的聚類，如式（3)所示；然后將聚類中所有觀測(cè)信號(hào)的均值作為新聚類的聚類中心 meani，如式（4)所示；不斷迭代式（3)和（4)，直到這Μ個(gè)聚類中心的均方差式（5)在迭代 前后之差在閾值1〇_ 1(1內(nèi)；最后用得到的Μ個(gè)聚類數(shù)據(jù)計(jì)算λ °，如式（6)?（8)所示：

其中，nunii為第i個(gè)聚類中含有的觀測(cè)信號(hào)的個(gè)數(shù)，同時(shí)，式⑷和⑶中x屬于第i 個(gè)聚類； B3、使用期望最大化算法來(lái)確定高斯混合模型的參數(shù)λ ;期望最大化算法的目標(biāo)函數(shù) Q ：
其中，λ'為上一次迭代估計(jì)出的模型參數(shù)，并用于本次期望最大化算法迭代的目標(biāo)函 數(shù)計(jì)算過(guò)程中；λ為經(jīng)過(guò)一次期望最大化算法迭代后得到的模型估計(jì)參數(shù)Α(χ)為四維 高斯概率密度函數(shù)
其中，λ在第一次迭代時(shí)則為λ°，之后則為Μ過(guò)程產(chǎn)生的模型參數(shù);Μ過(guò)程--計(jì)算Q 的各種參數(shù)估計(jì)值：
其中，丐、$和€分別為第i個(gè)分量的加權(quán)值、平均值和協(xié)方差矩陣的估計(jì)；在Μ過(guò)程 結(jié)束后，將W、g和筆2進(jìn)行更新；考慮到數(shù)值計(jì)算的穩(wěn)定性，在Μ過(guò)程中，在估計(jì)協(xié)方差矩 陣之后，將協(xié)方差矩陣的對(duì)角元素增加一個(gè)很小的常量1〇_5 ; 然后，根據(jù)式（12)?（14)計(jì)算式（9)，若計(jì)算出的Q與上一次迭代結(jié)果之間的差異超 過(guò)閾值1〇_1(1，則重復(fù)Ε過(guò)程和Μ過(guò)程，直到式（9)計(jì)算結(jié)果小于閾值ΚΓ1(Ι;這樣建立出高斯 混合模型λ ; C、利用模型參數(shù)建立GMR，得出輸入輸出公式； 將觀察區(qū)域上任意需要重建聲壓的空間位置數(shù)據(jù)作為輸入數(shù)據(jù)特征矢量Xin = Ixinn，η =1，. . .，L},將重建的傳遞函數(shù)作為輸出數(shù)據(jù)特征矢量= {χ_η, η = 1，. . .，L},高斯混 合回歸則是在輸入為Xin = xinn的條件下，的期望作為輸出χ_η :
P (i I xinn，λ )是輸入數(shù)據(jù)Xim在第i個(gè)高斯分量下的后驗(yàn)概率；所述的GMR為高斯混合回歸 的簡(jiǎn)稱； D、將位置坐標(biāo)輸入公式，得到相應(yīng)位置的傳遞函數(shù)； 利用式（15)，可以對(duì)觀察區(qū)域中任意一點(diǎn)所構(gòu)成的觀察信號(hào)，輸入數(shù)據(jù)xin，回歸輸出 ，這里Χμ則為重構(gòu)的傳遞函數(shù)。
2.根據(jù)權(quán)利要求1所述的一種減少傳聲器使用數(shù)量的房間沖激響應(yīng)函數(shù)測(cè)量方法，其 特征在于：所述的GMM中高斯分量個(gè)數(shù)Μ取值范圍為20?110。
【文檔編號(hào)】H04R29/00GK104105049SQ201410342826
【公開(kāi)日】2014年10月15日 申請(qǐng)日期:2014年7月17日 優(yōu)先權(quán)日:2014年7月17日
【發(fā)明者】陳喆, 殷福亮, 王建超 申請(qǐng)人:大連理工大學(xué)