بخشی از مقاله
چکیده حذف اکو صوتی ، یکی از زمینه های در حال گسترش در عرصه سیستم های ارتباط گفتاری و چندرسانه ای می باشد. وجود اکو در مسیر مخابراتی امری اجتناب ناپذیر است و دلیل آن دوطرفه بودن کانال ها، وجود تاخیر در کانال و اعوجاج احتمالی سیگنال های بازگشتی می باشد. ایده اولیه حذف اکو تولید یک نسخه از اکو عینا مشابه آن است که از سیگنال خروجی میکروفن کم میگردد. به علت ایستان نبودن مسیر اکو، حذف اکو به صورت وفقی و به کمک فیلترهای وفقی با پاسخ ضربه محدود - FIR - صورت میگیرد.
الگوریتم های وفقی طراحی فیلترها در دو گروه الگوریتم های خانواده LMS یا Least Mean Square و خانواده RLS یا Recursive Least Square قرار می گیرند. فرم نرمالیزه شده الگوریتم LMS، الگوریتم NLMS نام دارد و الگوریتمی که متناسب با دامنه تخمین تپها ارائه شده است، PNLMS نامیده می شود. در این مقاله، ابتدا فیلترهای وفقی بررسی و تحلیل می شوند. سپس یکی از کاربردهای فیلترهای وفقی، یعنی حذف اکو بیان خواهد شد و نهایتا حذف اکو با الگوریتمی جدید بر مبنای تنک - Sparsity - صورت میگیرد. نتایج شبیهسازی مبین قدرت بالای روش جدید نمایش تنک می باشد.
-1 مقدمه
وجود اکو در مسیر مخابراتی امری اجتناب ناپذیر است و دلیل آن دوطرفه بودن کانال ها ، وجود تاخیر در کانال و اعوجاج احتمالی سیگنال های بازگشتی می باشد. اکوی صوتی نوعی از اکو است که به خاطر کوپلینگ صوتی بین گوشی و میکروفن ایجاد می گردد . شکل 5 این سیستم را نمایش می دهد.[1]
شکل :5 اکو تولید شده به دلیل کوپلینگ صوتی بین گوشی و
میکروفن
نوع دیگری از اکو در سوییچینگ خطوط تلفن یا همان PSTN وجود دارد که Hybrid echo نام دارد و دلیل اصلی آن عدم تطبیق امپدانس مبدل هیبرید در تبدیل سیمی دو به چهار می باشد. [2] این حالت نیز در شکل 2 نمایش داده شده است .
شکل : 2 مبدل هیبرید در تبدیل سیمی دو به چهار
ایده اولیه حذف اکو آن بود که یک نسخه از اکو عینا مشابه آن تولید کرده واز سیگنال خروجی میکروفن کم کنیم. به علت ایستان نبودن مسیر اکو، سیگنال گوینده در تمام طول مکالمه نباید قطع شود تا حذف اکو، درست صورت گیرد و این یک اشکال عمده در این روش محسوب می شود . به همین دلیل، ایده حذف اکو به صورت وفقی مطرح شد و امروزه تقریبا تمام الگوریتم های ارائه شده حذف اکو وفقی هستند که به کمک فیلترهای وفقی با پاسخ ضربه محدود یا FIR صورت می گیرد.
الگوریتم های مناسب برای طراحی این فیلترها LMS و NLMS می باشند که رفتار آن ها ساده و قابل پیش بینی است.[3] عملکرد بسیار خوب این الگوریتم ها به آن علت است که الگوریتم Steepest Descent به یک تابع درجه دو از ضرایب فیلتر اعمال می شود. حذف کننده اکو صوتی، نیاز به فیلترهای وفقی دو کاناله دارد. فیلترهای وفقی دو کاناله فیلترهایی هستند که هر یک دارای سیگنال ورودی منحصر به فرد بوده، اما از سیگنال خطای مشترکی استفاده می کنند.[4] شکل3 ساختار این نوع فیلترها را در کاربرد حذف اکو نشان داده است.
یکی از مهم ترین مسائل در این الگوریتم ها، همبستگی متقابل شدید بین سیگنال های ورودی دو کانال است که سبب کاهش سرعت همگرایی تپ های - taps - فیلتر وفقی می شود. دلیل سرعت کم همگرایی tapها، آن است که تعداد زیادی از ضرایب فیلتر نزدیک صفر هستند یا به عبارتی غیرفعال می باشند و در مرحله ای که ضرایب فیلتر در حال به روز رسانی می باشند، حجم زیادی از محاسبات صرف به روز کردن این ضرایب بی اهمیت می شوند . در این گزارش می خواهیم حذف اکو را با الگوریتم های نوین بر مبنای تنک انجام دهیم. مسئله مهم دیگری نیز در این نوع فیلترها وجود دارد و آن عدم انطباق بین وزن های تخمینی فیلتر و پاسخ های ضربه مسیرهای آکوستیکی دریافتی است که در مقایسه با فیلترینگ وفقی تک کاناله بسیار بیشتر است.
شکل : 9 فیلترهای وفقی دو کاناله در کاربرد حذف اکو
مسئله شناسایی وفقی سیستم در حالت کلی به صورت شکل 4 نمایش داده شده است.[5] هدف این است که ضرایب فیلتر را طوری بیابیم که خطای خروجی - یعنی خطای بین خروجی فیلتر و خروجی مطلوب - حداقل شود . قاعده کلی روش تنک آن است که یک پنالتی را که معیاری از تنک بودن ضرایب فیلتر است، به تابع هدف اضافه می کنند و با استفاده از این روش با ضرایب مختلف فیلتر به طور متفاوتی رفتار خواهد شد.
شکل : 4 بلوک دیاگرام شناسایی وفقی سیستم
با توجه به شکل اخیر، اکو زمانی تولید می شود که سیگنال گوینده دور - Far-End - ، مسیر اکو متغیر با زمان wo - n - را فعال کند . این سیگنال اکو ، به سیگنال گوینده نزدیک - Near-End - یعنی s - n - که به وسیله نویز - eo - n آلوده شده است، اضافه می گردد. هدف حذف کننده نویز آن است که نسخه مشابه با سیگنال اکو - y - n - - تولید کند ، که اکو را قبل از تحویل آن به خروجی FE، حذف نماید . هدف ما آن است که با مدل سازی کانال های اکو بر مبنای تنک یا شبه تنک ضرایب فعال - غیرصفر - پاسخ ضربه wo - n - را تعیین نماییم.
درجه اسپارسیتی یک کانال اکو خاص ، از قبل قابل شناسایی نیست ، و علاوه بر آن ممکن است با گذشت زمان تغییر کند ، بنابراین لازم است که برای سطوح مختلف اسپارسیتی در کانال اکو تدابیر مختلفی به کارگرفته شود . همان طور که پیش از این گفتیم الگوریتم های مناسب برای طراحی این فیلترها LMS و NLMS می باشند، اما در روش تنک، سرعت همگرایی این الگوریتم ها بسیار پایین است .
M در این رابطه طول فیلتر است. در این روش اندازه قدم * +به طور نمایی کاهش می یابد . اما در بحث عملی مشاهده می شود که این روش هم نیازمند ساختار خاصی است از جمله ، میزان تاخیر و کاهش دائمی وزن های فیلتر است که به طور معمول قابل دسترسی نیست.[6] بنابراین می توانیم از نوع دیگری حذف کننده اکو استفاده کنیم که PNLMS نامیده می شود . در این روش اندازه قدم با زمان تغییر می کند و در هر لحظه متناسب با قدر مطلق وزن تخمینی در آن لحظه است . روش های توسعه یافته این الگوریتم ها نیز در کانال های اکو پراکنده مورد استفاده قرار می گیرند که Improved - IPNLMS - PNLMS نام دارد.
