| Abstract |
Reverberācija slēgtās telpās pasliktina runas saprotamību un samazina uztverto audio kvalitāti, jo rodas aizkavēti atspīdumi un spektrālā krāsošanās. Daudzpunktu akustiskā kanāla ekvalaizācija risina šo problēmu, pielietojot inversos filtrus avota signāliem tā, lai filtra un telpas akustikas kopējais efekts tuvinātos vēlamajai mērķa atbildei vairākās klausīšanās pozīcijās. Tradicionālās pieejas, piemēram, Multiple Input/Output Inverse Theorem (MINT), teorētiski var panākt precīzu inversiju, taču tās ir ļoti jutīgas pret troksni un prasa lielus skaitļošanas resursus, kas ierobežo to izmantošanu reāllaika lietojumos.
Šajā darbā tiek pētīti aktuālie izaicinājumi daudzpunktu akustiskā kanāla ekvalaizācijā un analizētas uz neironu tīkliem balstītas alternatīvas, lai uzlabotu robustumu un veiktspēju. Telpas impulsa raksturlielumi tika izmērīti mēbelētā telpā, izmantojot profesionālu audio aprīkojumu, savukārt simulācijas un modeļu apmācība tika veikta MATLAB, PyTorch un Google Colab vidē ar GPU paātrinājumu.
Galvenais ieguldījums ir jaunas neironu arhitektūras MultiScaleCNNv4 izstrāde, kas paralēli apstrādā informāciju laika un frekvenču domēnos, lai uzlabotu filtra koeficientu novērtēšanu. Papildu uzlabojumi ietver jaunu zudumu funkciju — Log Frequency Weighted Loss Function (LFWLF), kas izstrādāta, lai labāk līdzsvarotu spektrālo kļūdu dažādos frekvenču diapazonos, kā arī optimizētas apmācības stratēģijas, tostarp mācīšanās ātruma plānošanu un optimizatora izvēli.
Eksperimentālie rezultāti rāda, ka MultiScaleCNNv4 ievērojami pārspēj sākotnējo CNN modeli, samazinot zudumu vērtību aptuveni par 50% (no 2.26 × 10⁵ līdz 1.13 × 10⁵) identiskos apmācības apstākļos. Pie lielākiem filtru kārtas skaitļiem piedāvātais modelis sasniedz gandrīz plakanu frekvenču raksturlīkni, demonstrējot lielāku stabilitāti un precīzāku ekvalaizāciju. Šie rezultāti apstiprina dziļās mācīšanās metožu potenciālu kā efektīvu un mērogojamu risinājumu reāllaika daudzpunktu akustiskā kanāla ekvalaizācijai. |
