回声消除实验数据的产生与分离

本篇介绍如何使用matlab产生一套回声消除所需要的实验数据，以及验证数据

（本博文只是为了验证回声消除，假设了一个经过处理的信号时回声，标准的回声模型见另一篇博文G.168 标准回声模型）

实验数据产生思路：

1】首先要有一个原始的哈利路亚语音信号，这个信号用来模拟MIC端讲话人的语音

2】建立一个带通滤波器用来模拟SPK到MIC的传输过程，因为带通滤波器是一个是不变系统，所以在后续回声消除的实验中只需要开始时候权值收敛，后续不需要跟踪回声通道的变化

3】一个随机的杂波，用来模拟喇叭播放的声音

4】喇叭的原声经过带通滤波器后产生一个模拟的回声，这个回声与哈利路亚语音信号相加，得到一个MIC端采集的期望信号

具体实现代码如下

clear all
close all
clc

[voice,fs1]=audioread('handel.wav');
Sspk=randn(1,73113)/5;

% 回声通道设计
Fs2=fs1/2;                            % 奈奎斯特频率
wp=[800 1200]/Fs2; 
ws=[600 1400]/Fs2;      % 通带和阻带
Rp=1; Rs=40;                         % 通带波纹和阻带衰减
[M,Wn]=ellipord(wp,ws,Rp,Rs);        % 求原型滤波器阶数和带宽
[B,A]=ellip(M,Rp,Rs,Wn);             % 求数字滤波器系数
% 产生回声开始
SspkBypass=filter(B,A,Sspk);
SspkBypassFlipud=flipud(SspkBypass);
SspkBypassFlipudByPass=filter(B,A,SspkBypassFlipud);
Secho=flipud(SspkBypassFlipudByPass)*3;       % 模拟实际产生的回声
% 产生回声结束


MICin=voice+Secho';                         % 模拟MIC采集到的期望信号

audiowrite('哈利路亚原声.wav',voice,fs1,'BitsPerSample',16);
audiowrite('喇叭原声.wav',Sspk,fs1,'BitsPerSample',16);
audiowrite('喇叭回声.wav',Secho,fs1,'BitsPerSample',16);
audiowrite('MICin的期望信号.wav',MICin,fs1,'BitsPerSample',16);

figure
subplot(2,1,1)
plot(Sspk)
hold on
plot(Secho);
legend('SPK播放声音','回声');

subplot(2,1,2);
plot(MICin);
title('MICin=语音+回声')

sound(Secho,fs1);
pause(10);

sound(voice,fs1);
pause(10);


sound(MICin,fs1);
pause(10);

执行结果，产生四个语音文件存放于Matlab的数据存放路径、播放生成的声音文件、绘制音频的波形

运行以上代码完毕后，产生实验所需要的准备数据，使用前面博客中提到的LMS滤波器对MICin中的数据进行分离，期望将MICin中的哈利路亚语音提取出来

clc
clear all
close all

[voice,fs1]=audioread('哈利路亚原声.wav');
[Sspk,fs2]=audioread('喇叭原声.wav');
[Secho,fs3]=audioread('喇叭回声.wav');
[MICin,fs4]=audioread('MICin的期望信号.wav');

figure;
subplot(2,1,1);
plot(Sspk);
axis([0 inf -1.5 1.5]);
title('输入参考信号');
subplot(2,1,2);
plot(MICin);
axis([0 inf -1 1]);
title('混合回声后的期望信号');

n=max(size(Sspk));  % 信号中的1000个时间点   
P=2;   % LMS算法重复运算5次，用于评估五次运算产生的误差的平均水平
e=zeros(1,n);   % 用于存放误差
ep=zeros(1,n);  % 用于存放五十次运算累积的误差
ee=zeros(1,n);  % 用于存放平方差
% x=zeros(1,n)';  % 滤波器产生的输出信号，为什么不用randn直接产生一个随机信号呢？效果应该是一样的 
w=randn(1,n)';  % 产生一个随机信号用作参考，然后用x来拟合这个信号，并用前两个点初始化滤波器第一组权向量 
%算法
h=waitbar(0,'计算进度');
steps = P;
for p=1:P 

    L=200;     % 滤波器阶数，考虑到两个信号之间没有延时，且这里只是用来分离出输入的x信号，而且误差不做要求，因此不需要设置太高的阶数 
    u=0.0022;   % 增益常数 
    wL=zeros(L,n);  % 产生一个权向量矩阵
    
    for i=(L+1):n   % 计算权向量矩阵中第三组权向量到最后一组权向量相关的变量，根据x和e=x-y求下一个y,没有d（n）
        X=Sspk(i-L:1:(i-1));   % 更新滤波器的参考矢量X（n）
        y(i)=X'*wL(:,i);    % 根据x计算i时刻输出信号 
        e(i)=MICin(i)-y(i);     % 计算i时刻误差信号 
        wL(:,(i+1))=wL(:,i)+2*u*e(i)*X;     % 更新i时刻滤波器的权向量 
        ee(i)=e(i)^2;   % 更新平方差
    end 
    
    ep=ep+ee;  % 平方差累积
    waitbar(p/steps);
end
close(h);
eq=ep/P;    % 五十次重复计算平方差求均值
a1L=-wL(2,1:n);   % a1在LMS算法下值的变化，wL矩阵中第一行的1到n个数，权向量矩阵第一行 
a2L=-wL(1,1:n);   % a2在LMS算法下值的变化 ，wL矩阵中第二行的1到n个数，权向量矩阵第二行 

%画图
figure;
subplot(3,2,1);
plot(Sspk); 
hold on
plot(y); 
axis([0 inf -1.5 1.5]);
legend('喇叭原声','合成回声');
title('喇叭原声');    % 根据w产生的随机信号x

subplot(3,2,2);
plot(MICin);
axis([0 inf -1 1]);
title('MICin的期望信号');   

subplot(3,2,3);
plot(Secho); 
hold on
plot(y); 
legend('喇叭回声','合成回声');
title('喇叭回声与合成回声的对比');    % 根据w产生的随机信号x

subplot(3,2,4);
plot(e);
title('还原出的语音信号');   % 五十次运算误差求均值


subplot(3,2,5);
plot(Secho);
hold on
plot(y);
legend('SPK回声信号','合成SPK回声信号')

subplot(3,2,6);
plot(voice);
hold on;
plot(e);
legend('哈利路亚原声','还原出来的哈利路亚');

sound(MICin,fs1)
pause(10)
sound(e,fs1);

执行以上代码，播放回声消除后的音频文件、绘制音频数据波形

回声消除实验数据的产生与分离

猜你喜欢