基于深度学习的无条件阵列音箱非线性失真识别与补偿方法
音频与语音处理
2025-07-11 v1 声音
系统与控制
系统与控制
摘要
与传统电动声阀音箱相比, 参数阵列音箱 (PAL) 对于音频应用具有卓越的定向性, 但因其固有的解调过程而产生显著的非线性失真。Volterra 滤波器方法已广泛用于减少这些失真，但其有效性受限于反滤波器的能力。具体而言, 其 p 次阶反滤波器只能补偿 p 次阶以内的非线性, 而更高阶的非线性仍会产生较低阶的谐波失真。相反, 本文首次引入现代深度学习方法来解决 PAL 系统的非线性识别与补偿。具体而言, 本文采用 WaveNet 的一种前馈变体神经网络, 该方法因在音频非线性系统建模方面的成功而被广泛使用, 用于识别和补偿基于双侧带幅度调制 (DSB-AM) 的 PAL 系统。实验测量显示, 在 250 Hz 至 8 kHz 的频率范围内, 我们提出的方法显著减少了 PAL 产生的总谐波失真和互调失真, 平均降低至 4.55% 和 2.47%。该性能显著优于当前基于 Volterra 滤波器的方法。我们的工作为改善 PAL 的声音再现性能开辟了新的可能性。
引用
@article{arxiv.2412.01092,
title = {Deep Learning-Based Approach for Identification and Compensation of Nonlinear Distortions in Parametric Array Loudspeakers},
author = {Mengtong Li and Tao Zhuang and Kai Chen and Jia-Xin Zhong and Jing Lu},
journal= {arXiv preprint arXiv:2412.01092},
year = {2025}
}
备注
5 pages, 7 figures