Triệt can nhiễu và nhiễu cho tín hiệu âm thanh sử dụng giải thuật lms và rls

Luận văn này nghiên cứu, khảo sát việc lọc can nhiễu trong hệ thống âm thanh băng rộng bằng phương pháp lọc thích nghi dựa trên giải thuật LMSLeast Mean Square và RLSRecursive Least Squ

Trang 1

ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-ZY -

PHAN THANH NGÀ

TRIỆT CAN NHIỄU VÀ NHIỄU CHO TÍN HIỆU

ÂM THANH SỬ DỤNG GIẢI THUẬT LMS VÀ RLS

Chuyên ngành: Kỹ thuật điện tử

Mã số: 14

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 12 năm 2012

Trang 2

Cán bộ hướng dẫn khoa học: Tiến sĩ Đỗ Hồng Tuấn

Cán bộ chấm nhận xét 1 :

Cán bộ chấm nhận xét 2 :

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày tháng năm

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: 1

2

3

4

5

Xác nhận của Chủ tịch Hội đồng đánh giá luận văn và Trưởng Khoa quản lý

chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)

CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA

Trang 3

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: Phan Thanh Ngà MSHV: 10140032

Ngày, tháng, năm sinh: 10-12-1972 Nơi sinh: Cần Thơ

Chuyên ngành: Kỹ thuật điện tử Mã số: 14

I TÊN ĐỀ TÀI: Triệt can nhiễu và nhiễu cho tín hiệu âm thanh sử dụng giải thuật

LMS và RLS

NHIỆM VỤ VÀ NỘI DUNG:

II NGÀY GIAO NHIỆM VỤ: 14/06/2012

III NGÀY HOÀN THÀNH NHIỆM VỤ: 25/12/2012

IV CÁN BỘ HƯỚNG DẪN: Tiến sĩ Đỗ Hồng Tuấn

Tp HCM, ngày … tháng … năm……

CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO

TRƯỞNG KHOA

Trang 4

Trước hết, em xin chân thành cảm ơn thầy-TS Đỗ Hồng Tuấn, đã gợi ý,

chỉ bảo cũng như cung cấp tài liệu quí báu của thầy đã giúp em hoàn thành luận

văn này Em cũng xin gửi lời cảm ơn đến các thầy, cô trường Đại học Bách

Khoa Thành Phố Hồ Chí Minh đã hướng dẫn, tạo mọi điều kiện cho em học

tập và nghiên cứu trong suốt thời gian học vừa qua Xin cảm ơn các bạn học viên và những người thân đã luôn giúp đỡ, động viên và chia sẻ những lúc khó khăn trong thời gian học tập và thực hiện đề tài

Do hạn chế trong việc tiếp cận các tài liệu kỹ thuật, thời gian nghiên cứu ngắn và cũng chịu nhiều yếu tố tác động nên luận văn sẽ không tránh khỏi sai sót Em rất mong nhận được những ý kiến đóng góp xây dựng của quý Thầy, Cô và tất cả các bạn để luận văn được hoàn thiện

TP Hồ Chí Minh, Tháng 01/2013

Phan Thanh Ngà

Trang 5

tử, trong kỹ thuật Phát Thanh, Truyền Hình môi trường nhiễu luôn luôn thay đổi

và xâm nhập vào tín hiệu âm thanh gốc Để giải quyết bài toán lọc nhiễu trên, mô hình lọc nhiễu thích nghi sử dụng thuật toán bình phương trung bình tối thiểu(LMS- Least Mean Square) được lựa chọn vì tính đơn giản và hiệu suất của thuật toán khi cài đặt Tuy nhiên việc thực hiện lọc nhiễu trong hệ thống âm thanh băng rộng đòi hỏi các phương pháp lọc như thế nào để thỏa mãn tính ổn định của thuật toán và tăng tốc độ hội tụ, cũng như sự đơn giản của phần cứng là vấn đề cần đặt ra Luận văn này nghiên cứu, khảo sát việc lọc can nhiễu trong hệ thống âm thanh băng rộng

bằng phương pháp lọc thích nghi dựa trên giải thuật LMS(Least Mean Square) và

RLS(Recursive Least Square) để gải quyết vấn đề nêu trên, cùng với một thuật toán thích nghi được thiết kế và thực hiện trong MATLAB

Trang 6

và RLS“ dưới sự hướng dẫn của tiến sĩ Đỗ Hồng Tuấn Tôi xin cam đoan rằng luận

văn này là do chính tôi thực hiện và chưa có phần nội dung hay kết quả nào của

luận văn này được công bố trên tạp chí, hoặc nộp để lấy bằng trên các trường đại

học nào đó, ngoại trừ các kết quả tham khảo đã được ghi rõ trong luận văn

Ngày tháng năm 2012

Người thực hiện

Trang 7

MỤC LỤC LỜI CẢM ƠN

TÓM TẮT LUẬN VĂN

MỤC LỤC 01

MỤC LỤC HÌNH 03

CÁC TỪ VIẾT TẮT 08

CHƯƠNG 1 ĐẶT VẤN ĐỀ 09

1.1 Tính cấp thiết của đề tàì 09

1.2 Hướng giải quyết vấn đề 10

1.3 Các công trình nghiên cứu liên quan đến đề tài 11

CHƯƠNG 2 LÝ THUYẾT CƠ SỞ 13

2.1 Lý thuyết lọc thích nghi 13

2.2 Đánh giá hiệu suất lọc thích nghi 15

2.3 Thuật toán LMS 16

2.4 Bộ lọc Kalman và thuật toán RLS 18

2.5 Tiêu chuẩn so sánh hiệu suất giải thuật 21

CHƯƠNG 3 TRIỆT NHIỄU THÍCH NGHI 24

3.1 Nguyên lý triệt nhiễu thích nghi 24

3.2 Triệt nhiễu thích nghi dùng thuật toán LMS/RLS 25

3.2.1 Lọc nhiễu và giảm nhiễu trong âm thanh cổ điển và hiện tại 25

3.2.2 Thực hiện triệt nhiễu thích nghi dùng thuật toán LMS/RLS 26

CHƯƠNG 4 KẾT QUẢ THỰC NGHIỆM 28

4.1 So sánh kết quả thuật toán LMS và RLS 28

4.1.1 Khảo sát tín hiệu băng tần 4khz 28

4.1.1.1 Trường hợp tín hiệu là tiếng nói, nhiễu là nhiễu hỗn hợp bên ngoài 28

4.1.1.2 Trường hợp tín hiệu là âm nhạc, nhiễu là nhiễu hỗn hợp bên ngoài 36

4.1.2 Khảo sát tín hiệu băng tần 8khz 42

4.1.2.1 Trường hợp tín hiệu là tiếng nói, nhiễu là nhiễu hỗn hợp bên ngoài 43

4.1.2.2 Trường hợp tín hiệu là âm nhạc, nhiễu là nhiễu hỗn hợp bên ngoài 50

Trang 8

4.2.1 Tín hiệu băng tần 4khz 56

4.2.1.1 Trường hợp tín hiệu là tiếng nói 57

4.2.1.2 Trường hợp tín hiệu là âm nhạc 61

4.2.2.1 Trường hợp tín hiệu là tiếng nói 64

4.2.2.2 Trường hợp tín hiệu là âm nhạc 68

4.2.3 Xét các trường hợp nhiễu tham khảo ở các giá trị khác 72

4.3 Khảo sát với nhiều loại nhiễu khác nhau trong từng thời điểm 75

CHƯƠNG 5 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 90

TÀI LIỆU THAM KHẢO 92

Trang 9

MỤC LỤC HÌNH STT Hình Trang

01 Hình 1.1: Mô hình bộ triệt nhiễu thích nghi thông thường 11

02 Hình 2.1: Lọc thích nghi tổng quát như là bộ nhận dạng hệ thống 13

03 Hình 2.2: Lọc thích nghi tổng quát không có tín hiệu tham khảo 14

04 Hình 2.3: Đồ thị đường cong lỗi của các giải thuật thích nghi 23

05 Hình 3.1: Hệ thống triệt nhiễu thích nghi điển hình 24

06 Hình 3.2: Hệ thống triệt nhiễu thích nghi dùng thuật toán LMS/RLS 27

07 Hình 4.1: Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa) và tín hiệu sau khi

được lọc bằng thuật toán LMS (dưới) -Tín hiệu là lời nói băng tần 4khz 29

08 Hình 4.2: Đồ thị phổ tín hiệu gốc (trên), phổ tín hiệu gốc bị nhiễu (giữa) và phổ tín hiệu sau khi lọc bằng thuật toán LMS (dưới)-Tín hiệu là lời nói băng tần 4khz 30

09

Hình 4.3: Đồ thị tín hiệu sau khi lọc thích nghi bằng thuật toán LMS được vẽ

chồng lên tín hiệu gốc (trên) và đồ thị tín hiệu gốc được vẽ chồng lên tín hiệu sau

khi lọc thích nghi bằng thuật toán LMS (dưới).-Tín hiệu là lời nói băng tần 4khz

30

10 Hình 4.4: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS thang đo dB-Tín

11 Hình 4.5: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS thang đo tuyến

tính-Tín hiệu là lời nói băng tần 4khz 31

12 Hình 4.6: Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa) và tín hiệu sau khi lọc bằng thuật toán RLS (dưới)- Tín hiệu là lời nói băng tần 4khz 32

13 Hình 4.7: Đồ thị phổ tín hiệu gốc (trên), phổ tín hiệu gốc bị nhiễu(giữa) và phổ

tín hiệu sau khi lọc bằng thuật toán RLS(dưới) -Tín hiệu là lời nói băng tần 4khz 32

14

Hình 4.8: Đồ thị tín hiệu sau khi lọc thích nghi bằng thuật toán RLS được vẽ

chồng lên tín hiệu gốc (trên) và Đồ thị tín hiệu gốc được vẽ chồng lên tín hiệu sau

khi lọc thích nghi bằng thuật toán RLS (dưới).-Tín hiệu là lời nói băng tần 4khz

33

15 Hình 4.9: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS thang đo dB - Tín hiệu là lời nói băng tần 4khz 33

16 Hình 4.10a, 4.10b: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS thang đo

tuyến tính- Tín hiệu là lời nói băng tần 4khz 34

17 Hình 4.11: Đồ thị so sánh MSE được lọc thích nghi bằng thuật toán LMS và RLS

theo thang đo dB - Tín hiệu là lời nói băng tần 4khz 35

18 Hình 4.12: Đồ thị so sánh MSE được lọc thích nghi bằng thuật toán LMS và RLS thang đo tuyến tính Tín hiệu là lời nói băng tần 4khz 35

19 Hình 4.13: Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa) và tín hiệu sau khi được lọc bằng thuật toán LMS (dưới) -Tín hiệu là âm nhạc băng tần 4khz 37

20

Hình 4.14: Đồ thị phổ tín hiệu gốc (trên), phổ tín hiệu gốc bị nhiễu (giữa) và phổ

tín hiệu sau khi lọc bằng thuật toán LMS (dưới)-Tín hiệu là âm nhạc băng tần

4khz

37

21 Hình 4.15: Đồ thị tín hiệu sau khi lọc thích nghi bằng thuật toán LMS được vẽ chồng lên tín hiệu gốc (trên) và đồ thị tín hiệu gốc được vẽ chồng lên tín hiệu sau 37

Trang 10

khi lọc thích nghi bằng thuật toán LMS (dưới)-Tín hiệu là âm nhạc băng tần 4khz

22 Hình 4.16: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS theo thang đo dB -Tín hiệu là âm nhạc băng tần 4khz 38

23 Hình 4.17: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS thang đo tuyến tính -Tín hiệu là âm nhạc băng tần 4khz 38

24 Hình 4.18: Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa) và tín hiệu sau

khi lọc bằng thuật toán RLS (dưới)- Tín hiệu là âm nhạc băng tần 4khz 39

25

tín hiệu sau khi lọc bằng thuật toán RLS(dưới) -Tín hiệu là âm nhạc băng tần

4khz

39

26

khi lọc thích nghi bằng thuật toán RLS (dưới)-Tín hiệu là âm nhạc băng tần 4khz

40

27 Hình 4.21: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS theo thang đo

dB - Tín hiệu là âm nhạc băng tần 4khz 40

28 Hình 4.22: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS thang đo tuyến

tính - Tín hiệu là âm nhạc băng tần 4khz 41

29 Hình 4.23: Đồ thị so sánh MSE được lọc thích nghi bằng thuật toán LMS và RLS theo thang đo dB - Tín hiệu là âm nhạc băng tần 4khz 41

30 Hình 4.24: Đồ thị so sánh MSE được lọc thích nghi bằng thuật toán LMS và RLS thang đo tuyến tính - Tín hiệu là âm nhạc băng tần 4khz 42

khi được lọc bằng thuật toán LMS (dưới) -Tín hiệu là lời nói băng tần 8khz 43

32 Hình 4.26: Đồ thị phổ tín hiệu gốc (trên), phổ tín hiệu gốc bị nhiễu (giữa) và phổ tín hiệu sau khi lọc bằng thuật toán LMS (dưới)-Tín hiệu là lời nói băng tần 8khz 44

33

khi lọc thích nghi bằng thuật toán LMS (dưới).-Tín hiệu là âm nhạc băng tần

8khz

44

34 Hình 4.28: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS thang đo dB-Tín

35 Hình 4.29: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS thang đo tuyến tính-Tín hiệu là lời nói băng tần 8khz 45

36 Hình 4.30: Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa) và tín hiệu sau khi lọc bằng thuật toán RLS (dưới)- Tín hiệu là lời nói băng tần 8khz) 46

37 Hình 4.31: Đồ thị phổ tín hiệu gốc (trên), phổ tín hiệu gốc bị nhiễu (giữa) và phổ

tín hiệu sau khi lọc bằng thuật toán RLS (dưới) -Tín hiệu là lời nói băng tần 8khz 46

38

khi lọc thích nghi bằng thuật toán RLS (dưới) - Tín hiệu là lời nói băng tần 8khz

47

39 Hình 4.33: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS thang đo dB - Tín hiệu là lời nói băng tần 8khz 47

40 Hình 4.34: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS thang đo tuyến

tính - Tín hiệu là lời nói băng tần 8khz 48

41 Hình 4.35: Đồ thị so sánh MSE được lọc thích nghi bằng thuật toán LMS và RLS

thang đo dB - Tín hiệu là lời nói băng tần 8khz 48

42 Hình 4.36a, 4.36b: Đồ thị so sánh MSE được lọc thích nghi bằng thuật toán LMS và RLS thang đo tuyến tính - Tín hiệu là lời nói băng tần 8khz 49

43 Hình 4.37: Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa) và tín hiệu sau khi được lọc bằng thuật toán LMS (dưới) -Tín hiệu là âm nhạc băng tần 8khz 50

44 Hình 4.38: Đồ thị phổ tín hiệu gốc(trên), phổ tín hiệu gốc bị nhiễu (giữa) và phổ

tín hiệu sau khi lọc bằng thuật toán LMS (dưới)-Tín hiệu là âm nhạc băng tần 50

Trang 11

8khz

45

khi lọc thích nghi bằng thuật toán LMS(dưới)-Tín hiệu là âm nhạc băng tần 8khz 51

46 Hình 4.40: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS thang đo dB-Tín hiệu là âm nhạc băng tần 8khz 51

47 Hình 4.41: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS tính theo độ

khi lọc bằng thuật toán RLS (dưới) - Tín hiệu là âm nhạc băng tần 8khz 52

49

tín hiệu sau khi lọc bằng thuật toán RLS (dưới) -Tín hiệu là âm nhạc băng tần

8khz

53

50

khi lọc thích nghi bằng thuật toán RLS (dưới) - Tín hiệu là âm nhạc băng tần

8khz

53

51 Hình 4.45: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS tính theo dB -

52 Hình 4.46: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS thang đo tuyến tính - Tín hiệu là âm nhạc băng tần 8khz 54

53 Hình 4.47: Đồ thị so sánh MSE được lọc thích nghi bằng thuật toán LMS và RLS thang đo dB - Tín hiệu là âm nhạc băng tần 8khz 55

54 Hình 4.48a, 4.48b: Đồ thị so sánh MSE được lọc thích nghi bằng thuật toán LMS

và RLS thang đo tuyến tính - Tín hiệu là âm nhạc băng tần 8khz 55,56

55 Hình 4.49: MSE/LMS ngõ ra tương ứng với sự thay đổi nhiễu đầu vào nin vẽ trên

cùng một đồ thị - Tín hiệu là lời nói băng tần 4khz 57

56 Hình 4.50a, 4.50b: MSE/LMS ngõ ra tương ứng với sự thay đổi nhiễu đầu vào nin

57 Hình 4.51: MSE/RLS ngõ ra tương ứng với sự thay đổi nhiễu đầu vào nin vẽ trên

58 Hình 4.52a, 4.52b: MSE/RLS ngõ ra tương ứng với sự thay đổi nhiễu đầu vào nin -

59 Hình 4.53: Tỷ số tín hiệu trên nhiễu RLS và MLS khi công suất nhiễu nin thay đổi

Nhiễu tham khảo nref =0dB - Tín hiệu là lời nói băng tần 4khz 60

60 Hình 4.54: MSE/LMS ngõ ra tương ứng với sự thay đổi nhiễu đầu vào nin trên

cùng một đồ thị - Tín hiệu là âm nhạc băng tần 4khz 61

- Tín hiệu là âm nhạc băng tần 4khz 61,62

62 Hình 4.56: MSE/RLS ngõ ra tương ứng với sự thay đổi nhiễu đầu vào nin trên

64 Hình 4.58: Tỷ số tín hiệu trên nhiễu RLS và LMS khi công suất nhiễu nin thay đổi

Nhiễu tham khảo n ref = 0dB - Tín hiệu là âm nhạc băng tần 4khz 64

- Tín hiệu là lời nói băng tần 8kh 65,66

Trang 12

Tín hiệu là lời nói băng tần 8khz

Nhiễu tham khảo nref = 0dB Tín hiệu là lời nói băng tần 8khz 68

- Tín hiệu là âm nhạc băng tần 8khz 69, 70

Nhiễu tham khảo nref = 0dB - Tín hiệu là âm nhạc băng tần 8khz 72

75 Hình 4.69: Tỷ số tín hiệu trên nhiễu RLS và LMS khi công suất nhiễu nin thay đổi,

nhiễu tham khảo n ref ~ -10dB Tín hiệu lời nói băng tần 4khz 73

76 Hình 4.70: Tỷ số tín hiệu trên nhiễu RLS và LMS khi công suất nhiễu nin thay đổi,

nhiễu tham khảo nref ~ -10dB Tín hiệu âm nhạc băng tần 4khz 73

77 Hình 4.71 Tỷ số tín hiệu trên nhiễu RLS và LMS khi công suất nhiễu nin thay đổi,

nhiễu tham khảo nref ~ - 9dB Tín hiệu lời nói băng tần 8khz 74

78 Hình 4.72 Tỷ số tín hiệu trên nhiễu RLS và LMS khi công suất nhiễu nin thay đổi,

nhiễu tham khảo n ref ~ - 9dB Tín hiệu âm nhạc băng tần 8khz 74

79

Hình 4.73 Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa) và tín hiệu sau

khi được lọc bằng thuật toán LMS (dưới) -Tín hiệu là âm nhạc, nhiễu nhiều loại

xuất hiện theo thời gian khác nhau, băng tần 4khz

76

80

tín hiệu sau khi lọc bằng thuật toán LMS (dưới) -Tín hiệu là âm nhạc, nhiễu nhiều

loại xuất hiện theo thời gian khác nhau, băng tần 4khz

76

81

khi lọc thích nghi bằng thuật toán LMS (dưới) -Tín hiệu là âm nhạc, nhiễu nhiều

77

82

Hình 4.76: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS theo thang đo

dB-Tín hiệu là âm nhạc, nhiễu nhiều loại xuất hiện theo thời gian khác nhau, băng

tần 4khz

77

83

Hình 4.77: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS thang đo tuyến

tính - Tín hiệu là âm nhạc, nhiễu nhiều loại xuất hiện theo thời gian khác nhau,

băng tần 4khz

78

84

Hình 4.78: Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa) và tín hiệu sau

khi lọc bằng thuật toán RLS (dưới)- Tín hiệu là âm nhạc, nhiễu nhiều loại xuất

hiện theo thời gian khác nhau, băng tần 4khz

78

85

tín hiệu sau khi lọc bằng thuật toán RLS (dưới) - Tín hiệu là âm nhạc, nhiễu nhiều

loại xuất hiện theo thời gian khác nhau, băng tần 4khz 79

86

khi lọc thích nghi bằng thuật toán RLS (dưới) - Tín hiệu là âm nhạc, nhiễu nhiều

79

87

Hình 4.81: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS theo thang đo dB

- Tín hiệu là âm nhạc, nhiễu nhiều loại xuất hiện theo thời gian khác nhau, băng

tần 4khz

80

88 Hình 4.82(a), 4.82(b): Đồ thị MSE được lọc thích nghi bằng thuật toán RLS thang đo tuyến tính - Tín hiệu là âm nhạc băng tần 4khz 80,81

Trang 13

89

Hình 4.83: Đồ thị so sánh MSE được lọc thích nghi bằng thuật toán LMS và RLS

theo thang đo dB - Tín hiệu là âm nhạc, nhiễu nhiều loại xuất hiện theo thời gian

khác nhau, băng tần 4khz

81

90

thang đo tuyến tính - Tín hiệu là âm nhạc, nhiễu nhiều loại xuất hiện theo thời

gian khác nhau, băng tần 4khz

82

91

Hình 4.85: Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa) và tín hiệu sau

khi được lọc bằng thuật toán LMS (dưới) -Tín hiệu là âm nhạc, nhiễu nhiều loại

xuất hiện theo thời gian khác nhau, băng tần 8khz

83

92

tín hiệu sau khi lọc bằng thuật toán LMS (dưới) -Tín hiệu là âm nhạc, nhiễu nhiều

83

93

khi lọc thích nghi bằng thuật toán LMS (dưới) -Tín hiệu là âm nhạc, nhiễu nhiều

84

94

Hình 4.88: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS thang đo dB

-Tín hiệu là âm nhạc, nhiễu nhiều loại xuất hiện theo thời gian khác nhau, băng tần

8khz

84

95

Hình 4.89: Đồ thị MSE được lọc thích nghi bằng thuật toán LMS thang đo tuyến

tính- Tín hiệu là âm nhạc, nhiễu nhiều loại xuất hiện theo thời gian khác nhau,

băng tần 8khz

85

96

Hình 4.90: Đồ thị tín hiệu góc (trên), tín hiệu góc bị nhiễu (giữa) và tín hiệu sau

khi lọc bằng thuật toán RLS (dưới)- Tín hiệu là âm nhạc, nhiễu nhiều loại xuất

hiện theo thời gian khác nhau, băng tần 8khz 85

97

tín hiệu sau khi lọc bằng thuật toán RLS (dưới) - Tín hiệu là âm nhạc, nhiễu nhiều

86

98

khi lọc thích nghi bằng thuật toán RLS (dưới) - Tín hiệu là âm nhạc, nhiễu nhiều

86

95

Hình 4.93: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS thang đo dB -

Tín hiệu là âm nhạc, nhiễu nhiều loại xuất hiện theo thời gian khác nhau, băng tần

8khz

87

96 Hình 4.94: Đồ thị MSE được lọc thích nghi bằng thuật toán RLS thang đo tuyến tính - Tín hiệu là âm nhạc băng tần 8khz 87

97

thang đo dB - Tín hiệu là âm nhạc, nhiễu nhiều loại xuất hiện theo thời gian khác

nhau, băng tần 8khz

88

98

thang đo tuyến tính - Tín hiệu là âm nhạc, nhiễu nhiều loại xuất hiện theo thời

gian khác nhau, băng tần 8khz

88

Trang 14

MỘT SỐ KÝ HIỆU VÀ CHỮ VIẾT TẮT

ANC Adaptive Noise Canceller(Triệt nhiễu thích nghi)

DSP Digital Signal Processor(Xử lý số tín hiệu)

FIR Finite Inpulse Reponse(đáp ứng xung vô hạn)

LMS Least Mean Square(bình phương trung bình tối thiểu)

MSE Mean Square Erorr(Độ sai bình phương trung bình)

NLMS Normal Least Mean Square

RLS Recursive Least Square(Bình phương tối thiểu đệ quy)

SNRIN Signal Interference Noise Ratio(Tỷ số tín hiệu trên nhiễu ngã vào) SNR Signal Noise Ratio(là tỉ số tín hiệu trên nhiễu)

ATNA Adaptive Threshold Nonlinear Algorithm (thuật toán phi tuyến

ngưỡng thích nghi)

µ Kích thước bước thích nghi

ps Công suất tín hiệu

pn Công suất nhiễu

d Tín hiệu gốc bị lẫn can nhiễu

s Tín hiệu gốc

e Tín hiệu ngõ ra sau khi lọc

Trang 15

CHƯƠNG 1 ĐẶT VẤN ĐỀ 1.1 Tính cấp thiết của đề tài

Nhiễu là một vấn đề phổ biến trong các ngành điện và điện tử, có thể hiểu nhiễu

là tất cả các tín hiệu không mong muốn tác động lên hệ thống, làm mất tính chính xác, tính toàn vẹn, tính rõ ràng của tín hiệu cần quan tâm đều được gọi là nhiễu Vấn đề nhiễu trong thực tế ngày càng được quan tâm nhiều hơn bởi nhiều nguyên nhân Các nguồn phát sinh nhiễu gia tăng nhanh chóng, nhất là các thiết bị phát sóng không dây, động cơ, và các nguồn gây nhiễu khác khi công nghiệp ngày càng phát triển Sự gia tăng dân số kéo theo gia tăng các phương tiện giao thông cũng làm cho nhiễu phát sinh thêm Ngoài ra các hệ thống vật lý khi nó hoạt động cũng sinh ra nhiễu vật lý

Trong hệ thống truyền thông, điện thoại, thông tin liên lạc, các cuộc phỏng vấn, thu âm…Tín hiệu gốc ban đầu đều lẫn can nhiễu Có những trường hợp biên độ nhiễu rất lớn so với tín hiệu, vì thế mà tai người hay các thiết bị máy móc không thể nhận biết được chính xác tín hiệu gốc ban đầu

Ví dụ một chương trình giao lưu truyền hình gồm một micro của phát thanh viên, một micro của diễn giả Trong hội trường khán giả có thể gây ồn Quạt, máy lạnh trong hội trường cũng có thể gây ồn Tiếng ồn đó nhiễu vào micro của phát thanh viên hoặc micro của diễn giả làm cho tiếng nói không còn trung thực ở đầu ra

Trang 16

Vấn đề đặt ra là làm sao triệt các tín hiệu gây nhiễu nêu trên đã nhiễu vào tín hiệu gốc để đầu ra của hệ thống không còn hoặc giảm thiểu các tiếng ồn đó

Vấn đề kiểm soát nhiễu, lọc khử nhiễu trong từng hệ thống cụ thể là đề tài của nhiều công trình nghiên cứu trong nhiều thập niên qua Việc nghiên cứu để xây dựng một thuật toán có khả năng tách hoàn toàn nhiễu ra khỏi tín hiệu ở đầu ra là điều không thể thực thi khi không có một hệ thống hoàn hảo

Từ các đặc tính nhiễu trong môi trường, ta có thể phân ra hai loại nhiễu để tiện nghiên cứu là nhiễu băng hẹp và nhiễu băng rộng Nhiễu băng hẹp là loại nhiễu có năng lượng tập trung tại những tần số đặc trưng, loại nhiễu này có tính chất là chu

kỳ gần như tuần hoàn Nhiễu băng rộng gây ra là nhiễu có tính chất là hoàn toàn ngẫu nhiên Loại nhiễu này có năng lượng phân bố trong dải tần rộng

Tín hiệu nhiễu xâm nhập vào dải tần âm thanh có nhiều loại khác nhau, để triệt nhiễu cho tín hiệu âm thanh bị các loại nhiễu trên, luận văn này thực hiện việc khảo sát mô phỏng một hệ thống triệt nhiễu thích nghi cho tín hiệu âm thanh, dựa trên thuật toán LMS và RLS để làm giảm nhiễu ở đầu ra nhiều nhất có thể Luận văn cũng nhằm mục đích đánh giá khả năng triệt nhiễu cũng như đáp ứng của hai giải thuật LMS và RLS trong việc triệt nhiễu cho âm thanh băng tần rộng, từ đó có hướng đề xuất một phương pháp cụ thể để đáp ứng được các yêu cầu thực tế

1.2 Hướng giải quyết đề tài

Đối tượng nghiên cứu của đề tài là khảo sát, mô phỏng một hệ thống triệt nhiễu thích nghi và sử dụng thuật toán LMS và RLS để cập nhật trọng số tối ưu So sánh đánh giá ưu và nhược điểm của từng thuật toán trong các điều kiện cụ thể Quá trình lọc được mô phỏng trên MATLAB với tín hiệu và can nhiễu đầu vào là các tín hiệu

âm thanh và nhiễu thu từ thực tế và được thực hiện với nhiều trường hợp tín hiệu khác nhau

Triệt nhiễu thích nghi sử dụng thuật toán LMS[1] được khảo sát như là một phương pháp xử lý tín hiệu kỹ thuật số quan trọng liên quan đến các hệ thống giao tiếp hiện đại, ở đó nó giao tiếp trong môi trường tạp nhiễu bên ngoài như tiếng xe hơi, tiếng ồn nhà máy, phòng tạp nhiễu, đèn huỳnh quang

Trang 17

Tất cả các loại nhiễu trên có thể xâm nhập vào tín hiệu âm thanh bằng nhiều cách khác nhau: xâm nhập trực tiếp vào dây dẫn, vào các kênh truyền, vào trực tiếp các thiết bị… Ngoài ra còn có các loại nhiễu nội sinh bản thân các thiết bị tạo ra như nhiễu nguồn, nhiễu do linh kiện điện tử tạo ra trong quá trình hoạt động

Trong phạm vi luận văn này, việc nghiên cứu được tập trung chủ yếu vào việc nghiên cứu phân tích mô hình triệt nhiễu thông thường (như hình 1.1) Trong đó ta giả thiết rằng nguồn nhiễu là biết trước nhưng có phổ rộng và biến đổi theo thời gian, nguồn tín hiệu gốc s được đưa vào ngõ vào chính, nhiễu nin cũng thâm nhập vào tín hiệu gốc ở ngõ vào chính, và ta thu nguồn nhiễu làm tín hiệu nhiễu tham chiếu nref để xử lý Không khảo sát các trường hợp nhiễu không tương quan(n1,n2 )

Hình 1.1- Mô hình bộ triệt nhiễu thích nghi thông thường

1.3 Các công trình nghiên cứu liên quan đến đề tài

Đã có nhiều công trình nghiên cứu, khảo sát của nhiều tác giả về vấn đề triệt nhiễu cho tín hiệu âm thanh Nhưng mỗi công trình nghiên cứu một vấn đề, một khía cạnh khác nhau Sau đây là một số công trình đã được thực hiện trước đây:

- Tác giả Thamer M.J Al-Anbaky trong bài “Acoustic Noise Cancellation

Using Sub-Band Decomposition and Multirate Techniques” Đề tài đưa ra kỹ thuật

triệt nhiễu băng con nhằm tăng tốc độ hội tụ của thuật toán NLMS Kết quả khảo sát của đề tài nhằm đánh giá chất lượng tín hiệu thông qua giá trị MSE (Mean Square Erorr)

Adaptive Algorithm

y-

s

nin

nref +

+

nref

n1

n2

Trang 18

- Tác giả Aarti Singh trong bài “Adaptive Noise Cancellation” February to May

2001.Tác giả đề tài đã khảo sát các vấn đề về nhiễu tương quan và không tương quan, nhưng kết quả khảo sát chỉ mang tính chung chung, vì tín hiệu mô phỏng và tín hiệu nhiễu là tín hiệu được tạo ra từ các hàm trong chương trình mô phỏng matlap

- Tác giả Drăghiciu Nicolae và Reiz Romulus trong bài “ Noise canceling in

audio signal with adaptive filter” Đề tài thực hiện triệt nhiễu trong tín hiệu âm

thanh bằng bộ lọc thích nghi dùng thuật toán LMS với nhiễu là nhiễu trắng, âm thanh là tín hiệu hình sin Cả hai tín hiệu đều được tạo ra từ các hàm trong matlab Kết quả sau khi lọc tín hiệu bị biến dạng

- Đề tài của các tác giả Huỳnh Anh Tuấn, Nguyễn Hữu Khương, Nguyễn Ngọc Long về hệ thống kiểm soát nhiễu ANC (Active Noise Control)…

Thời gian gần đây, sự phát triển nhanh chóng của nền công nghiệp điện tử đã tạo

ra các bộ vi xử lý tốc độ cao với giá thành thấp chẳng hạn như các bộ xử lý số tín hiệu (DSP - Digital Signal Processors) Do vậy, việc ứng dụng các bộ DSP trong hệ thống lọc và triệt nhiễu thích nghi ngày càng được chú ý vì khả năng thực hiện thuận lợi hơn

Đa số các công trình nghiên cứu đều quan tâm đến lý thuyết lọc thích nghi dùng thuật toán LMS hoặc cải tiến để tăng tốc độ hội tụ của thuật toán LMS Phần mô phỏng được thực hiện trên matlab

Trang 19

CHƯƠNG 2

LÝ THUYẾT CƠ SỞ 2.1 Lý thuyết lọc thích nghi

Lọc thích nghi là một công cụ mạnh mẽ với nhiều ứng dụng: Cân bằng kênh, nhận dạng hệ thống, dự đoán tuyến tính, triệt echo thích nghi, triệt nhiễu thích nghi,

hệ thống anten thông minh Các khái niệm cơ bản của bộ lọc thích nghi là một bộ lọc mà trong đó các hệ số không phải là hằng số theo thời gian mà thay đổi khi có thông tin phản hồi Các thuật toán sử dụng thông tin phản hồi để thay đổi trọng số các đại lượng để giảm thiểu hàm chi phí Một trong các ứng dụng phổ biến nhất cho

bộ lọc thích nghi là nhận dạng hệ thống (hình 2.1) Trong nhận dạng hệ thống, đầu

ra của một hệ thống chưa biết d(n) + v(n) được so sánh với đầu ra của bộ lọc thích nghi Các trọng số của bộ lọc thích nghi sau đó thay đổi tùy vào sự khác biệt của e(n) giữa hai kết quả đầu ra, và như vậy lỗi e(n) sẽ giảm trong bước lặp tiếp theo

Trang 20

Trong trường hợp này, hàm chi phí thường là một hàm của sự sai lệch, chẳng hạn như các lỗi bình phương trung bình (MSE -Mean Square Error)

Hình 2.1- Lọc thích nghi tổng quát như là bộ nhận dạng hệ thống

Để đơn giản hóa vấn đề lọc thích nghi, một số giả định được đưa ra Các giả định cơ bản nhất là bộ lọc tuyến tính, rời rạc theo thời gian , và có cấu trúc FIR Lý

do bộ lọc FIR được lựa chọn là bởi vì các bộ lọc FIR với hệ số là hằng số không có cực và do đó tự động ổn định Giả định thời gian rời rạc cho phép một sự linh hoạt lớn hơn quy định bởi tính chất có thể lập trình của các thuật toán Theo các giả định này, tồn tại một loạt các thuật toán thích nghi để thích ứng với hệ số bộ lọc để hội

tụ trên một số thiết lập tối ưu của các trọng số tap Hai thuật toán được sử dụng và nghiên cứu nhiều nhất là thuật toán LMS và RLS

Adaptive system

) ,

Leanear Filter

d(n) +

Trang 21

Hình 2.2- Lọc thích nghi tổng quát không có tín hiệu tham khảo

Sự khác biệt giữa các bộ lọc kỹ thuật số truyền thống và bộ lọc thích nghi:

- Bộ lọc kỹ thuật số cổ điển truyền thống chỉ có một đầu vào tín hiệu x(n) và một đầu ra tín hiệu y(n) Trong khi bộ lọc thích nghi đòi hỏi thêm một đầu vào tín hiệu d(n) và trả về đầu ra tín hiệu bổ sung e(n)

- Các hệ số bộ lọc truyền thống không thay đổi theo thời gian Còn các hệ số của

bộ lọc thích nghi thay đổi theo thời gian Vì vậy, các bộ lọc thích nghi có một khả năng tự học mà các bộ lọc kỹ thuật số truyền thống không thể thực hiện được

Ưu điểm của việc sử dụng bộ lọc thích nghi:

So với các bộ lọc cổ điển truyền thống, các bộ lọc thích nghi có những ưu điểm sau:

- Bộ lọc thích nghi có thể thực hiện một số nhiệm vụ xử lý tín hiệu nhưng bộ lọc truyền thống không thể Ví dụ, ta có thể sử dụng các bộ lọc thích ứng để loại bỏ tiếng ồn mà các bộ lọc kỹ thuật số truyền thống không thể loại bỏ, chẳng hạn như tiếng ồn có phổ công suất thay đổi theo thời gian

- Bộ lọc thích nghi có thể hoàn thành một số nhiệm vụ lập mô hình thời gian thực hoặc trực tuyến mà bộ lọc truyền thống kỹ thuật số không thực hiện được Ví

dụ, ta có thể sử dụng các bộ lọc thích nghi để xác định một hệ thống chưa biết trong chế độ trực tuyến Thông thường, các bộ lọc thích nghi là hữu ích khi thực hiện các ứng dụng xử lý tín hiệu thời gian thực hoặc trực tuyến

2.2 Đánh giá hiệu suất lọc thích nghi

- Để đánh giá hiệu suất một hệ thống thích nghi, ta có các tiêu chuẩn như sau: tốc độ hội tụ, lỗi bình phương trung bình MSE, sự phức tạp tính toán, độ ổn định thuật toán, tính mạnh mẽ, và chiều dài bộ lọc[10]

thái kết quả của nó Thông thường, tốc độ hội tụ nhanh là một đặc tính mong muốn của một hệ thống thích nghi Tuy nhiên, tốc độ hội tụ không độc lập với tất cả các đặc tính hiệu suất khác mà nó phải có một sự cân bằng Ví dụ, nếu tốc độ hội tụ được tăng lên, các đặc tính ổn định sẽ giảm, làm cho hệ thống có khả năng phân kỳ

Trang 22

cho hệ thống trở nên ổn định hơn Điều này cho thấy rằng tốc độ hội tụ chỉ có thể được xem xét trong mối quan hệ với các số liệu hiệu suất khác, vì nó có liên quan đến phần còn lại của hệ thống

là một chỉ số xác định một hệ thống có thể thích ứng với một giải pháp nhất định MSE nhỏ là một dấu hiệu cho hệ thống thích nghi chính xác MSE rất lớn thường chỉ ra rằng mô hình hệ thống đã cho không chính xác hoặc trạng thái ban đầu của các bộ lọc thích nghi không đủ để tạo ra bộ lọc hội tụ

ứng dụng bộ lọc thích nghi thời gian thực Khi một hệ thống thời gian thực đang được thực hiện, có những hạn chế phần cứng mà nó có thể ảnh hưởng đến hiệu suất của hệ thống Một thuật toán rất phức tạp đòi hỏi tài nguyên phần cứng lớn hơn nhiều so với một thuật toán đơn giản

thích nghi Bởi bản chất của hệ thống thích nghi, rất khó thực hiện một hệ thống ổn định hoàn toàn Trong hầu hết các trường hợp, các hệ thống được thực hiện ổn định tương đối, với sự ổn định được xác định bởi các điều kiện ban đầu, hàm truyền của

hệ thống và kích thước bước đầu vào

ổn định của một hệ thống Bền vững là một tiêu chuẩn tốt của hệ thống để có thể chống lại cả hai nhiễu đầu vào và nhiễu lượng tử

thể được mô hình hóa bằng các bộ lọc thích nghi Ngoài ra, chiều dài bộ lọc ảnh hưởng đến tốc độ hội tụ, bằng cách tăng hoặc giảm thời gian tính toán, nó có thể ảnh hưởng đến sự ổn định của hệ thống, với kích thước bước nhất định, và nó ảnh hưởng đến MSE tối thiểu Nếu chiều dài các bộ lọc của hệ thống được tăng lên, số lượng tính toán sẽ tăng lên, làm giảm tốc độ hội tụ tối đa Về sự ổn định, do sự gia tăng chiều dài của bộ lọc cho một hệ thống nhất định, nó thêm các cực hoặc zeroes

mà có thể nhỏ hơn so với những cực hoặc zeroes đã tồn tại Trong trường hợp này kích thước bước tối đa hoặc tốc độ hội tụ tối đa sẽ phải giảm để duy trì sự ổn định

Trang 23

Cuối cùng, nếu hệ thống đang được thiết lập, có nghĩa là không có đủ zeroes hoặc

để mô hình hóa hệ thống, thì MSE sẽ hội tụ tới một hằng số khác không Nếu hệ thống được thiết lập như trên, có nghĩa là nó có quá nhiều cực/zero cho mô hình hệ thống, nó sẽ có khả năng hội tụ tới zero, nhưng sự tính toán tăng sẽ ảnh hưởng đến tốc độ hội tụ tối đa

2.3 Thuật toán LMS (Least Mean Square) [2],[7],[8]

Nếu có thể thực hiện những phép đo chính xác véc tơ gradient tại mỗi lần lặp, và tham số μ được lựa chọn phù hợp, thì véc tơ trọng số tap được tính bằng cách sử dụng phương pháp steepest descent[8] sẽ hội tụ về giải pháp Wiener[2] tối ưu Tuy nhiên, trong thực tế các phép đo chính xác của véc tơ gradient là không thể, và nó phải được ước tính từ các dữ liệu có sẵn Nói cách khác, véc tơ trọng số tap w được cập nhật phù hợp với một thuật toán thích nghi với các dữ liệu đến

Một trong những thuật toán đó là thuật toán LMS Một tính năng quan trọng của LMS là sự đơn giản, nó không đòi hỏi các phép đo của các hàm tương quan thích nghi, cũng không yêu cầu đảo ngược ma trận

véc tơ gradient được xác định như sau:

)(22)(n =− p+ Rw n

Để ước lượng giá trị này, chúng ta ước lượng ma trận tương quan R và ma trận tương quan chéo p bởi các giá trị ước lượng tức thời

)()()(' n u n u n

)(

*)()(' n u n d n

Tương tự, ước lượng giá trị tức thời của vector gradient là

)()()(2)(

*)(2)(' n =− u n d n + u n u H n w n

Trang 24

(')()(

*)[

()(')1(

Phương trình cập nhật LMS tương đương có thể được viết dưới dạng sau:

)(')()(n u n w n

)()()(n d n y n

)]

(

*)[

()(')1(

Phương trình (2.7) xác định lỗi dự đoán e(n), việc tính toán dựa trên các giá trị

dự đoán hiện tại của vector w’(n) Thành phần µu(n)[e*(n)] trong phương trình (2.8)

đại diện cho sự điều chỉnh giá trị dự đoán hiện hành của vector trọng số Giá trị ban

đầu của vector trọng số được bắt đầu là w(0), w’(0) = 0

Các thuật toán được mô tả bởi phương trình (2.7) và (2.8), là dạng phức của thuật toán thích nghi LMS

Các giá trị tức thời của R và p có sự thay đổi tương đối lớn Do đó có vẻ thuật

toán LMS không có hiệu suất thực hiện tốt Tuy nhiên, các thuật toán LMS đệ quy

có hiệu quả trung bình trong suốt quá trình thích nghi

Lý tưởng nhất, độ sai lệch trung bình bình phương MSE tối thiểu Jmin đạt được

khi hệ số vector w(n) của bộ lọc đạt được giá trị tối ưu w 0 Thuật toán steepest descent[8] không nhận ra điều kiện lý tưởng này khi số lần lặp n tiến tới vô cùng, vì

nó sử dụng các phép đo chính xác của vector gradient tại mỗi lần lặp Mặt khác, LMS dựa trên dự đoán nhiễu của vector gradient, với kết quả là vector trọng số chỉ đạt đến giá trị tối ưu sau một số lượng lớn lần lặp lại và sau đó thực hiện biến động

i

M

λ μ

2 i=1,2, M (2.9)

µ : kích thước bước, bước điều chỉnh để w đạt tới trạng thái tối ưu w0

Trang 25

Tốc độ hội tụ của giải thuật LMS phụ thuộc vào giá trị của μ, và nó tỉ lệ nghịch với giá trị riêng của ma trận R, điều kiện để hội tụ là 0 < μ < 1 / λmax

λ i là giá trị riêng thứ i của R

2.4 Bộ lọc Kalman và thuật toán RLS [2],[7],[8]

Các bộ lọc RLS được dựa trên sự điều chỉnh đường cong bình phương tối thiểu (LS-Least Square) [2] Trong vấn đề LS, một đường cong được điều chỉnh với một tập hợp các điểm dữ liệu bằng cách giảm thiểu tổng bình phương của độ sai lệch

từ tất cả các điểm đường cong Hàm chi phí RLS để cực tiểu là:

][][])

[(

0

2 i e i n

số không nhớ (forgetting) và xác định theo hàm mũ ít quan trọng đối với giá trị độ

sai lệch trước đó Giá trị λ lớn làm cho thuật toán ít thích nghi với sự thay đổi nhanh

vì các lỗi trước đó rất quan trọng trong thời gian dài Bổ đề của ma trận nghịch đảo được sử dụng để tính toán các giải pháp để làm giảm thiểu tính đệ quy này Một cách thay thế để xem vấn đề lọc RLS như là một trường hợp đặc biệt của bộ lọc Kalman Bộ lọc Kalman thực hiện với một hệ thống động bao gồm một vector trạng thái nội không thể quan sát được xr [n], và vectơ nhiễu được đo lường quan sát được

]

[n

yr= Bộ lọc Kalman mô tả đặc điểm của hệ thống bằng cách tìm các ước lượng của vector trạng thái ẩn với lỗi bình phương trung bình nhỏ nhất (MMSE) Thiết lập hệ thống như sau:

][][],1[]

1

[n F n n x n v1 n

xr + = + r + r (2.11)

][][][]

[n C n x n v2 n

Phương trình (2.11) được gọi là phương trình xử lý và cập nhật trạng thái chưa biết xr[n] Phương trình đo đạt (2.12) sinh ra đại lượng quan sát được yr[n] Ở đây F[n+1,n] được gọi là ma trận chuyển trạng thái từ n đến n +1, C[n] là ma trận đo đạt

Trang 26

tại thời điểm n, và vr1[n],vr2[n] là quá trình xử lý ngẫu nhiên trắng thích nghi độc lập với ma trận hiệp phương sai Q1[n], Q2 [n] tương ứng Các phương trình được định nghĩa trong bộ lọc Kalman là:

][]1,[][n =K n n− C H n

2 [ ] ]

[ ] [ ](

[ ] , 1 [ ]

Giải thuật RLS sau đó có thể được xây dựng như là một trường hợp đặc biệt của

bộ lọc Kalman Trong đó:

2 / 1

][n =λ−

C[n]=urH[n] (2.20)

] [ ] [

Trang 27

yr[n]=urH[n]xr[n]+v[n] (2.24)

Việc chuyển đổi của các phương trình lọc Kalman sau đó như sau:

xr[n]→λ−n/ 2wr[0]

][]

[n / 2d n

][]

0 2 /

x[n+1|n]→λ− (n+ 1 ) / 2wr[n]

][]

] [ ] 1 [

n u n P n u

n u n P

Tổng sự phức tạp của phép tính của phương trình cập nhật RLS là 3K2+2K phép nhân trên mỗi lần lặp lại Mặc dù các thuật toán RLS có một sự gia tăng rất lớn độ phức tạp trong các phép tính so với các thuật toán LMS ở mỗi lần lặp lại, nhưng thời gian hội tụ được giảm thiểu đáng kể[9]

2.5 Tiêu chuẩn so sánh hiệu suất giải thuật

Với rất nhiều thuật toán lọc thích nghi, nó cần phải có phương pháp để so sánh hiệu suất của các giải thuật Các thuộc tính chính của một bộ lọc thích nghi có thể được so sánh thông qua hai giá trị là độ điều chỉnh sai lệch và tốc độ hội tụ

Trang 28

Khi một bộ lọc thích nghi hội tụ tới bộ lọc tối ưu, nó sẽ dao động và cuối cùng

về một giá trị ở trạng thái ổn định wr (∞ ) Lý do dao động xảy ra là do độ chính xác kích thước bước µ nên bộ lọc không thể hội tụ tới bộ lọc tối ưu chính xác Độ điều chỉnh sai lệch là một thước đo giá trị trạng thái ổn định gần với giá trị tối ưu theo lý thuyết wropt thông qua các giá trị hàm chi phí tối thiểu Jmin tương ứng

Giả sử J[∞] = limn→∞J[n] tồn tại, độ sai điều chỉnh M là:

min

] [

J

M = ∞

Phương trình này là tỷ số của hàm chi phí tại wr (∞ ) và wropt Khi Jmin là giá trị

tối thiểu tuyệt đối có thể đạt được, độ điều chỉnh sai lệch M nhỏ hơn, độ ổn định của

Mặc dù độ ổn định của một bộ lọc thích nghi là quan trọng, bộ lọc có thể mất một thời gian dài để hội tụ tới trạng thái ổn định Tốc độ hội tụ cung cấp một phép đo nhanh các bộ lọc thích nghi để đạt tới điều kiện ổn định trong giá trị trung bình Đại lượng này thường được đo như là sự thay đổi trung bình trong MSE so với thời gian Đại lượng này trở nên quan trọng khi thực hiện với các ứng dụng thời gian thực Trong những trường hợp như vậy, nó thuận lợi để sử dụng các thuật toán phức tạp hơn với tốc độ hội tụ nhanh hơn, chẳng hạn như các thuật toán RLS Thông thường, hai tham số này khó để xác định, cho nên chỉ quan sát trực quan

để so sánh những đặc điểm này đối với các thuật toán Đường cong lỗi là một trợ giúp trực quan cho phép quan sát đồng thời cả hai tốc độ hội tụ và độ điều chỉnh sai lệch Đường cong lỗi vẽ độ lớn của sai số bình phương lỗi d[n]- wrH[n]u[n] , hoặc các hàm chi phí tuyến tính theo thời gian hoặc bằng decibel (dB) Việc lựa chọn tỷ

Trang 29

lệ thang đo để xem các đường cong lỗi phụ thuộc vào sự đơn giản của dữ liệu được quan sát Tốc độ hội tụ có thể nhìn thấy bằng cách quan sát độ dốc gần đầu của đường cong, và độ điều chỉnh sai lệch có thể được tính bằng cách quan sát chiều cao của đường cong tại thời điểm n đủ lớn Để quan sát độ điều chỉnh sai lệch, thang đo decibel thường tối ưu, vì những thay đổi nhỏ trong độ điều chỉnh sai lệch rất dễ nhìn thấy Đối với sự hội tụ, tốc độ hội tụ lớn dễ phân biệt trên thang đo decibel, trong khi tốc độ hội tụ chậm là dễ nhìn thấy trên thang đo tuyến tính

Các đường cong lỗi có thể được quan sát như ngõ ra của một phép thử nghiệm đơn lẻ, hoặc là giá trị trung bình của một loạt các phép thử Phép thử nghiệm đơn miêu tả chính xác hơn sự dao động của trạng thái ổn định, trong khi phương pháp trung bình loại bỏ những dao động này để hiển thị tốt hơn tốc độ hội tụ và các lỗi trạng thái ổn định

Hình 2.3- Đồ thị đường cong lỗi của các giải thuật thích nghi

Một ví dụ được biểu diễn trong hình 2.3 Trong hình cho thấy đồ thị độ lớn lỗi, giá trị trung bình trên 100 phép thử của bốn loại mạch lọc: LMS, RLS, Normalized LMS (NLMS) và giải thuật phi tuyến ngưỡng thích nghi RLS (RLS-ATNA) Giản

đồ cho thấy thuật toán RLS có tốc độ hội tụ và điều chỉnh độ sai nhanh hơn so với các thuật toán LMS

Trang 30

CHƯƠNG 3 TRIỆT NHIỄU THÍCH NGHI

3.1 Nguyên lý triệt nhiễu thích nghi

Hình 3.1 mô tả một hệ thống triệt nhiễu điển hình Một tín hiệu được truyền qua một kênh truyền tới một hệ thống có hai đầu vào, đầu vào chính và đầu vào tham khảo Đầu vào chính nhận tín hiệu s cộng với tín hiệu nhiễu không tương quan n0

Hình 3.1- Hệ thống triệt nhiễu thích nghi điển hình

Reference Input

n

Primary Input +

Adaptive Filter

Adaptive Algorithm

P(z)

y

Trang 31

Đầu vào tham chiếu nhận tín hiệu nhiễu n không tương quan với tín hiệu s, nhưng tương quan một cách chưa xác định với n0 Nhiễu n được lọc và xử lý để đưa

ra tín hiệu y gần tương đương với n0 Đầu ra này được trừ từ đầu vào chính của s+

n0 để ngõ ra của hệ thống là (e = s + n0 – y ) Trong các hệ thống triệt nhiễu, mục tiêu thực tế là để tạo một tín hiệu ở đầu ra hệ thống e = s + n0 - y gần giống nhất với tín hiệu s Mục tiêu này được thực hiện bằng cách hồi tiếp đầu ra hệ thống trở lại bộ lọc thích nghi và điều chỉnh bộ lọc thông qua một thuật toán thích nghi để giảm thiểu tổng công suất ngõ ra của hệ thống Nói cách khác, đáp ứng ngõ ra hệ thống được xem như là tín hiệu lỗi cho quá trình thích nghi

Giả sử rằng s, n0, n và y được thống kê ổn định và có giá trị trung bình là zero Tín hiệu s không tương quan với n0 và n, và n tương quan với n0

y n s

Ö ( )2 2 ( 0 )

0 2

[minE e =E s + E n −y

Vì vậy, khi bộ lọc được điều chỉnh để giảm thiểu công suất nhiễu ngõ ra E[e 2],

thì công suất nhiễu ngõ ra E[(n - y)2] cũng được giảm thiểu.[1],[2]

3.2 Triệt nhiễu thích nghi dùng thuật toán LMS/RLS

3.2.1 Lọc nhiễu và giảm nhiễu cho âm thanh cổ điển và hiện tại

Nhiễu hay tiếng ồn là lỗi chính của âm thanh, có thể phân thành ba loại nhiễu: nhiễu xung, nhiễu có tần số cố định và nhiễu ngẫu nhiên trong những năm qua có nhiều nghiên cứu khác nhau đã được áp dụng để giải quyết vấn đề nhiễu trong âm thanh Các phương pháp lọc, giảm can nhiễu cổ điển ngoài việc dùng phương pháp thụ động, tức là dùng các vật liệu hấp thụ âm thanh, vật cản, thiết bị hãm thanh để giảm hoặc ngăn nhiễu xâm nhập vào hệ thống, thì tùy từng

Trang 32

loại nhiễu, phương pháp điện tử có cách lọc khác nhau, ví dụ đối với nhiễu xung có biên độ cao thường xuyên xâm nhập vào hệ thống người ta dùng phương pháp hạn biên để cắt bỏ xung đó, trong khi hệ thống hiện đại việc loại bỏ xung được thực hiện bằng cách quan sát lấy mẫu tín hiệu trước và sau đó và giá trị hiện tại là giá trị trung bình Phương pháp này thực hiện rất tốt nhưng làm suy hao thành phần tín hiệu tần

số cao Một kỹ thuật giảm nhiễu trong âm thanh tương tự được biết đến nhiều nhất

là hệ thống giảm nhiễu Dolby được phát triển bởi công ty Dolby Laboratories của Anh Nhưng hệ thống giảm nhiễu Dolby chủ yếu làm giảm tiếng “xì xì” tần số cao trên băng cassettes do bột từ tính trên băng gây ra Việc giảm nhiễu được thực hiện bằng cách mã hóa âm thanh, nâng thành phần tần số cao trước khi ghi lên băng để

‘đè’ thành phần nhiễu biên độ thấp trên băng, khi phát lại thành phần tầng số cao được nén lại về mức ban đầu của nó làm cho tiếng “xì xì” cũng giảm theo

Trong các phần mền xử lý âm thanh hiện tại, việc lọc nhiễu cũng có hiệu quả nhưng hiệu suất rất thấp chủ yếu là giảm can nhiễu đã lẫn vào trong tín hiệu Điểm mấu chốt trong kỹ thuật lọc nhiễu hiện nay là: không gỡ bỏ hết tín hiệu nhiễu mà chấp nhận một sự thay đổi nhỏ trong đoạn thu âm Các tín hiệu lớn hơn sẽ che đi các tiếng "xì xì" có thể nêu ra các phần mềm xử lý âm thanh chuyên dụng như: Sonar, Adobe audition, Audacity, DFX® Audio Enhancer, Sony SoundForge… Các phần mềm này cũng lọc nhiễu theo kiểu thích nghi, nhưng tín hiệu tham khảo được tách từ trong tín hiệu bằng cách xác định đoạn có mức nhiễu cao nhất, sau đó chúng được nén lại để thành phần tín hiệu gốc giảm đi đến mức thấp nhất Với cách này có thể giảm được nhiễu nhưng tín hiệu gốc cũng bị suy hao đáng kể do nhiễu tham khảo còn thành phần tín hiệu gốc Ngoài ra, cách này cũng như phương pháp

cổ điển chỉ giảm được tiếng “xì” chứ không thể loại bỏ được các tín hiệu không mong muốn bất chợt xâm nhập vào tín hiệu

3.2.2 Thực hiện triệt nhiễu thích nghi dùng thuật toán LMS/RLS

Lọc nhiễu được sử dụng để lọc trực tiếp có thể là cố định hoặc thích nghi

+ Bộ lọc cố định: Thiết kế các bộ lọc cố định đòi hỏi phải biết trước tín hiệu và nhiễu để chúng ta có thể thiết kế một bộ lọc cho qua thành phần tín hiệu và chặn thành phần nhiễu

Trang 33

+ Bộ lọc thích nghi: Bộ lọc thích nghi có khả năng điều chỉnh đáp ứng xung của

nó để lọc ra các tín hiệu có liên quan ở đầu vào Nó không cần biết các đặc điểm tín hiệu và tiếng ồn trước đó Nếu tín hiệu băng hẹp và tiếng ồn băng thông rộng, hoặc ngược lại Không có một thông tin cần thiết, nhưng nó yêu cầu một tín hiệu (đáp ứng mong muốn) là tương quan trong một nghĩa nào đó với các tín hiệu được ước tính Bộ lọc thích nghi có khả năng bám theo các tín hiệu trong điều kiện không

ổn định

Như đã đề cập trong phần 3.1, bộ triệt nhiễu thích nghi hoạt động trên nguyên tắc của sự triệt bỏ tương quan, tức là ngõ ra ANC (Adaptive Noise Canceller) có tín hiệu đầu vào chính với các thành phần ước lượng tương quan có sẵn tại đầu vào tham chiếu Vì vậy ANC chỉ có khả năng loại bỏ tiếng ồn tương quan với các đầu vào tham chiếu Mô hình triệt nhiễu thực tế được thực hiện và mô phỏng trong đề tài này như hình 3.2 [6]

Hình 3.2- Hệ thống triệt nhiễu thích nghi dùng thuật toán LMS/RLS

Sự cập nhật hệ số bộ lọc thích nghi có thể được thực hiện với bất kỳ loại thuật toán thích ứng nào Tuy nhiên, trong thực tế thuật toán LMS và RLS thường được

Noise

∑

Adaptive Filter

LMS/RLS Algorithm

y-

Trang 34

thích nghi sử dụng thuật toán LMS/RLS được phát triển và thử nghiệm Quá trình thích nghi được thực hiện như các phương trình (2.6), (2.7), (2.8) đối với thuật toán LMS và phương trình (2.27), (2.28) (2.29), (2.30) đối với thuật toán RLS Các trọng

số lọc được điều chỉnh bằng cách sử dụng tín hiệu lỗi ở các ngõ ra Để ngăn chặn các bộ lọc thích nghi dao động hoặc quá chậm, kích thước bước của thuật toán thích nghi được thực hiện tỷ lệ nghịch với công suất tín hiệu Một giá trị µ phù hợp được rút ra bằng thử nghiệm

CHƯƠNG 4 KẾT QUẢ THỰC NGHIỆM Cải thiện chất lượng tín hiệu

Ta định nghĩa tỷ số tín hiệu trên nhiễu ở đầu vào là:

SNR in =P s/P nin (4.1)

Tỷ số tín hiệu trên nhiễu ở đầu ra là:

nout s out P P SNR = / (4.2) Trong đó

2 0

1 ∑

=

k k

P : Công suất nhiễu đầu ra

nin=d −s : Nhiễu đầu vào

s e nout= − : Nhiễu đầu ra

Trang 35

Nhiễu đầu ra lớn, có thể đó là tín hiệu không mong muốn có biên độ lớn hơn tín hiệu thì SNRout nhỏ, nghĩa là chất lượng tín hiệu rất xấu

Khi ta thực hiện triệt nhiễu hoặc nén làm cho nhiễu giảm đến mức thấp nhất thì SNRout tăng, chất lượng tín hiệu tốt hơn

Kết quả thực hiện hệ thống triệt nhiễu bằng thuật toán LMS và RLS được khảo sát trong các trường hợp như sau

4.1 So sánh kết quả thuật toán LMS và RLS

4.1.1 Khảo sát tín hiệu băng tần 4khz

4.1.1.1 Trường hợp tín hiệu gốc là tiếng nói, nhiễu là nhiễu hỗn hợp bên ngoài Các thông số của tín hiệu tiếng nói và nhiễu để thử nghiệm như sau: Tín hiệu gốc là tiếng đọc của một phát thanh viên nữ bị lẫn can nhiễu là tiếng ồn hỗn hợp từ bên ngoài Thời gian khoảng 6 giây, tốc độ lấy mẫu tín hiệu 8khz, số kênh mono, số bit trên một mẫu là 16 bit Nhiễu tham khảo là tiếng ồn hỗn hợp được thu bên ngoài

có cùng các thông số như tín hiệu gốc Giá trị ban đầu cho thuật toán LMS với hệ số µ=0.12 Trong phần khảo sát của luận văn này không đi sâu vào việc khảo sát các

hệ số µ mà nó được lựa chọn một cách tối ưu thông qua các thử nghiệm trước đó

Hệ số λ của thuật toán RLS là 1

Tỷ số tín hiệu trên nhiễu ngã vào SNRin ≈2dB Lưu ý các đơn vị tín hiệu đã được chuẩn hóa để tiện đánh giá

Cả hai thuật toán RLS và LMS của cấu trúc lọc thích nghi được thực hiện để so sánh

Trang 36

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

x 104-0.5

Hình 4.1- Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa)

và tín hiệu sau khi được lọc thích nghi bằng thuật toán LMS (dưới)

Trang 37

và phổ tín hiệu sau khi lọc thích nghi bằng thuật toán LMS (dưới)

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

x 104-0.4

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

x 104-0.4

Hình 4.3- Đồ thị tín hiệu sau khi lọc thích nghi bằng thuật toán LMS được vẽ chồng lên tín hiệu gốc (trên) và đồ thị tín hiệu gốc được vẽ chồng lên tín hiệu sau khi lọc

thích nghi bằng thuật toán LMS (dưới)

x 104-180

Trang 38

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

x 1040

Mean Squared Error

Hình 4.5- Đồ thị MSE được lọc thích nghi bằng thuật toán LMS

thang đo tuyến tính

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

x 104-0.2

Hình 4.6- Đồ thị tín hiệu gốc (trên), tín hiệu gốc bị nhiễu (giữa)

và tín hiệu sau khi được lọc thích nghi bằng thuật toán RLS (dưới)

Trang 39

Hình 4.7- Đồ thị phổ tín hiệu gốc (trên), phổ tín hiệu gốc bị nhiễu (giữa)

và phổ tín hiệu sau khi lọc thích nghi bằng thuật toán RLS (dưới)

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

x 104-0.4

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

x 104-0.4

Trang 40

Hình 4.8- Đồ thị tín hiệu sau khi lọc thích nghi bằng thuật toán RLS được vẽ chồng lên tín hiệu gốc (trên) và đồ thị tín hiệu gốc được vẽ chồng lên tín hiệu sau khi lọc

thích nghi bằng thuật toán RLS (dưới)

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

x 104-180

Mean Squared Error

Hình 4.10a- Đồ thị MSE được lọc thích nghi bằng thuật toán RLS

thang đo tuyến tính

Định dạng
Số trang	99
Dung lượng	2,79 MB