基于无噪声房间脉冲响应的反馈延迟网络滤波器学习

递归是滤波器和音频系统设计的基本概念。特别是使用延迟网络的人工混响系统依赖于递归路径来控制回声密度和模态分量的衰减率。可微分的数字信号处理框架已显示出通过基于感知或物理动机的损失函数（如能量衰减或语谱差异）进行梯度优化来自动调节递归和非递归元素的潜力。这些表示对模型不匹配极其敏感，可能导致不真实的损失最小值。特别是背景噪声的差异可能导致衰减估计不准确。本文解决了在目标数据含噪声时对反馈延迟网络递归衰减滤波器进行调谐的问题。我们分析了不同优化目标相关的损失轮廓，并提出一种显式建模噪声的方法，提高了在低信噪比条件下估计衰减滤波器的准确性。我们通过对合成和真实目标数据的统计分析展示了所提出方法的有效性。此外，我们识别出衰减滤波器参数调谋对频率无关参数扰动的敏感性。这些发现为更稳健和可重复的反馈延迟网络的梯度优化提供了实用指南。