Файл: Лабораторная работа 1 Неизвестная передаточная функция системы. Адаптивная фильтрация Цель работы.pdf

1
Лабораторная работа № 1
Неизвестная передаточная функция системы. Адаптивная фильтрация
Цель работы
Лабораторная работа направлена на формирование умения анализировать процессы и прогнозировать поведение сигналов и системы с помощью программного обеспечения.
Задания для лабораторной работы
Пилотам в кабине самолѐта необходимо общаться со своими коллегами в шумной обстановке. Источники шума включают окружающий фоновый шум, а также шум двигателей и ветра. Для правильной передачи этих источников шума необходимо отфильтровать. Для этих целей используется высококачественная авиационная гарнитура, в которой есть два микрофона, которые можно использовать для удаления шума (рисунок 1).
Рисунок 1 – Гарнитура, которую используют пилоты
В первой части этой лабораторной работы Вам нужно импортировать источник шума в Python/Matlab и назначить его переменной microphone_2. Затем Вам

2 необходимо создать передаточную функцию, которая действует как задержка.
Задержка должна примерно соответствовать разнице расстояний между двумя микрофонами в авиационной гарнитуре (рисунок 2). Затем пропустите сигнал через передаточную функцию и сохраните его в переменной microphone_1. При формировании задержки исходить из предположения, что скорость звука составляет
343 м/с, а частота дискретизации сигнала составляет - 44100 Гц.
Рисунок 2 – Воздействие шума на оба микрофона в гарнитуре
На основе задержки Вам необходимо определить a- и b-коэффициенты вашего фильтра, используйте scipy.signal.lfilter, чтобы применить задержку.
Запишите свою речь и добавьте ее в свою переменную microphone_1. Эта переменная должна содержать вашу речь плюс (задержанный) шум.
Следующей задачей будет устранение шума для связи из кабины путем обнаружения неизвестной передаточной функции.
При выполнении первой части задания в микрофон 1 поступает речь пилота и окружающий шум с задержкой, в микрофон 2 поступает только окружающий шум.
Записи шума для микрофона 1 и 2 немного отличаются из-за разного положения микрофонов. Разница в обнаруженном окружающем шуме между двумя микрофонами

3 из-за разных точек обнаружения может быть описана черным ящиком с передаточной функцией H. Речь пилота (источника сигнала) будет загрязнена источником шума.
Простое вычитание шума, обнаруженного вторым микрофоном, не сработает, поскольку микрофоны находятся в разных местах в комнате. Различие в шуме можно описать линейной динамической системой, например фильтр (обозначен передаточной функцией H на рисунке 3).
H
Шум
Шум
*
Рисунок 3 – Шум, вызванный изменением точек обнаружения
Адаптивный фильтр (рисунок 4) пытается сопоставить линейную динамическую систему путем сравнения y (n) и d (n). Когда шум второго микрофона претерпевает преобразование, возможно прямое вычитание. После вычитания речь пилота должна быть намного четче.
Пилот
Шум
H
+
Адаптивный фильтр
-
Алгоритм обработки
Шум с микрофона 2
Голос и шум с
микрофона 1
Голос пилота и
остаточный шум
О
це
нк
а
шу
м
а
с
м
ик
рофон
а
1
Рисунок 4 – Схема адаптивной фильтрации, применяемой в гарнитуре пилота
Таблица 1 – Варианты для выполнения заданий
№ варианта
*
Алгоритм обработки Адаптивный фильтр
1.
AP
Винера
2.
GNGD
Винера
3.
LMF
Винера
4.
LMS
Винера

4 5.
LS
Винера
6.
NLMF
Винера
7.
NLMS
Винера
8.
NSSLMS
Винера
9.
RLS
Винера
10.
SSLMS
Винера
11.
WRLS
Винера
12.
AP
Калмана
13.
GNGD
Калмана
14.
LMF
Калмана
15.
LMS
Калмана
16.
LS
Калмана
17.
NLMF
Калмана
18.
NLMS
Калмана
19.
NSSLMS
Калмана
20.
RLS
Калмана
21.
SSLMS
Калмана
22.
WRLS
Калмана
* - № варианта выбирается в соответствии с номером по списку в группе, или по любому другому принципу, предотвращающему пересечение заданий по варианту
Теоретическая часть
Для подготовки и выполнения лабораторных работ рекомендуется использовать литературу [1-6].
Для построения адаптивных фильтров необходимо воспользоваться разными методами: Affine Projection (AP) [7], Generalized Normalized Gradient Descent
(GNGD)[8], Least-mean-fourth (LMF)[9], Least-mean-squares (LMS)[10], Normalized
Least-mean-fourth (NLMF)[9], Normalized Least-mean-squares (NLMS)[11], Normalized
Sign-sign Least-mean-squares (NSSLMS) [12], Recursive Least Squares (RLS) [9], Sign-

5 sign Least-mean-squares (SSLMS) [12], Least Squares (LS) и Weighted Recursive Least
Squares (WRLS) [13].
Теория Винера описывает линейную динамическую систему с отношением ввода-вывода с соответствующей передаточной функцией в комплексной области.
Уравнения Винера-Хопфа можно использовать для найти оптимальный фильтр, но требовать стационарности стохастических сигналов. В отличие от теории Винера, теория Калмана описывает систему во временной области с использованием модели пространства состояний. Оптимизация с помощью фильтра Калмана намного проще в числовом смысле по сравнению с фильтром Винера [13].
Практическая часть
Порядок выполнения работы:
-импортируйте источник шума и сохраните его как переменный microphone_2
-импортируйте свою собственную речь и сохраните ее как переменный microphone_1
-создайте передаточную функцию, которая действует как задержка
-вычислите задержку в секундах между двумя микрофонами
-конвертируйте задержку из секунд в отсчѐты
- определить коэффициенты a и b, которые соответствуют этой задержке
- применить передаточную функцию к источнику шума
- добавить источник задержанного шума к microphone_1
- воспроизвести звук microphone_1
-вычтите microphone_2 напрямую из microphone_1 и послушайте результат (он все равно должен быть очень шумным)
-напишите сценарий для адаптивной фильтрации с использованием КИХ- фильтра (метод по варианту)
-примените сценарий с microphone_1 в качестве текущего сигнала и microphone_2 в качестве полезного сигнала. Минимизируйте разницу с помощью алгоритма по варианту

6
- сохраните ошибку, оставшуюся после работы Вашего алгоритма, как
«lab2_result» и воспроизведите звуковой файл.
Требования к оформлению отчета
Отчет оформляется в виде Jupyter Notebook или файла в формате Microsoft
Word. К отчету прикладываются все необходимые файлы проекта лабораторных работ
(рекомендуется предъявлять аудио файлы, отправленный на передачу и аудио файл, полученный после преобразований).
Требования к оформлению отчета в формате Jupyter Notebook:

Название ноутбука Jupiter Notebook должно описывать проект;

В начале файла опишите, что вы хотите сделать;

Используѐте заголовки и подзаголовки;

Пропишите импорт всех нужных вам для работы библиотек;

Пропишите, какие переменные и файлы у вас будут в качестве источников;

Пропишите, какие переменные и файлы у вас будут в качестве результата проекта;

При написании кода используйте стили программирования (делайте код удобным для прочтения) [14].
Требования к оформлению отчета в формате Microsoft Word:

Пользуйтесь правилами оформления лабораторных работ;

Используйте ГОСТ 7.32 для подготовки текстовых описаний;

При написании кода используйте стили программирования (делайте код удобным для прочтения).
Все отчетные материалы загружаются в домашние работы ОРИОКС.
Список рекомендуемой литературы
1.
Цифровая обработка сигналов в LabVIEW: Учебно-методическое пособие
/ К.С. Лялин, В.И. Орешкин, В.К. Цветков; Министерство образования и науки РФ,

7
Национальный исследовательский университет "МИЭТ". - М.: МИЭТ, 2020. - 72 с. -
Имеется электронная версия издания.
2.
Цифровая обработка сигналов [Электронный ресурс]: Учебное пособие по дисциплине "Цифровая обработка сигналов" / Ю.Н. Матвеев [и др.]. - СПб.:
СПбНИУ ИТМО, 2013. - 166 с. - URL: http://window.edu.ru/resource/718/79718 - (дата обращения: 21.12.2020).
3.
Основы теории цифровой обработки сигналов : учебное пособие / С. В.
Умняшкин. - 5-е изд., испр. и доп. - Москва : Техносфера, 2019. - 550 с. - (Мир цифровой обработки). - URL: https://e.lanbook.com/book/140543 (дата обращения:
21.12.2020).
4.
3GPP: Партнерский проект 3-го поколения: сайт. – URL: https://www.3gpp.org/ (дата обращения: 21.12.2020). - Режим доступа: свободный.
5.
Alexander
Kapitanov
Digital signal processing: сайт. – URL: https://github.com/capitanov/dsp-theory (дата обращения: 01.09.2021). - Режим доступа: свободный.
6.
Marc Lichtman PySDR: A Guide to SDR and DSP using Python: сайт. – URL: https://pysdr.org/ (дата обращения: 01.09.2021). - Режим доступа: свободный.
7.
A. Gonzalez, M. Ferrer, F. Albu and M. de Diego, "Affine projection algorithms: Evolution to smart and fast algorithms and applications," 2012 Proceedings of the 20th European Signal Processing Conference (EUSIPCO), 2012, pp. 1965-1969.
8.
D. P. Mandic, "A generalized normalized gradient descent algorithm," in IEEE
Signal Processing Letters, vol. 11, no. 2, pp. 115-118, Feb. 2004, doi:
10.1109/LSP.2003.821649.
9.
A. Zerguine, "Convergence behavior of the normalized least mean fourth algorithm," Conference Record of the Thirty-Fourth Asilomar Conference on Signals,
Systems and Computers (Cat. No.00CH37154), 2000, pp. 275-278 vol.1, doi:
10.1109/ACSSC.2000.910958.
10.
Paulo
S.R.
Diniz:
Adaptive
Filtering:
Algorithms and
Practical
Implementation, Kluwer Academic Publishers, 1997, ISBN 0-7923-9912-9

8 11.
S. D. Peters and A. Antoniou, "Environment estimation for enhanced NLMS adaptation," Proceedings of IEEE Pacific Rim Conference on Communications Computers and Signal Processing, 1993, pp. 342-345 vol.1, doi: 10.1109/PACRIM.1993.407155.
12.
M. Z. U. Rahman, R. A. Shaik and D. V. R. K. Reddy, "Noise cancellation in
ECG signals using normalized Sign-Sign LMS algorithm," 2009 IEEE International
Symposium on Signal Processing and Information Technology (ISSPIT), 2009, pp. 288-292, doi: 10.1109/ISSPIT.2009.5407510.
13.
Kovačević, B., Banjac, Z., & Milosavljević, M. (2013). Adaptive Digital
Filters. doi:10.1007/978-3-642-33561-7 14.
Guido van Rossum, Barry Warsaw, Nick Coghlan Style Guide for Python
Code: сайт. – URL: https://www.python.org/dev/peps/pep-0008/ (дата обращения:
01.09.2021). - Режим доступа: свободный.
15.
Python
Adaptive
Signal
Processing сайт.
–
URL:
http://matousc89.github.io/padasip/index.html
(дата обращения: 01.09.2021). - Режим доступа: свободный.