Gedistribueerde signaalverwerking algoritmen voor gecombineerde ruisonderdrukking en akoestische echo- en feedback onderdrukking

De kwaliteit van een spraaksignaal dat via meerdere microfoons wordt opgenomen, kan aangetast worden door verschillende ongewenste signalen, waaronder ruis en galm, wat leidt tot verminderde verstaanbaarheid. Sommige van deze ongewenste signalen kunnen gegenereerd worden door luidsprekers in dezelfde akoestische omgeving, waardoor akoestische echo’s en/of feedback kunnen ontstaan. Spraakverbeteringssystemen met meerdere microfoons zijn gericht op het onderdrukken of compenseren van deze interferentiesignalen terwijl het gewenste spraaksignaal onvervormd blijft. De groeiende tendens om meerdere microfoons en luidsprekers op verschillende apparaten te integreren, heeft de mogelijkheden van audio- en spraakverwerkingstechnologieën aanzienlijk vergroot. Intensieve digitale signaalverwerking (DSV) taken kunnen vrijwel moeiteloos worden uitgevoerd op kleine, draagbare apparaten. Wanneer meerdere van dit soort apparaten met elkaar worden verbonden, ontstaan er nieuwe mogelijkheden op het gebied van signaalverwerkingsalgoritmen, waarbij samenwerking tussen de apparaten een sleutelrol speelt. Wanneer meerdere apparaten of knooppunten met microfoons en luidsprekers via draadloze verbindingen met elkaar verbonden zijn, ontstaat er een zogenaamde wel draadlooze akoestische sensor- en actuatornetwerken (’wireless acoustic sensor and actuator networks’ of WASANs). WASANs hebben dan toegang tot meerdere ruimtelijk verdeelde microfoons en luidsprekers, en knooppunten kunnen profiteren van het onderling uitwisselen van parameters of signalen om hun prestaties in een specifieke DSV-taak te verbeteren.

Dit proefschrift zal zich richten op de ontwikkeling en evaluatie van algoritmen voor akoestische signaalverwerking in WASANs. In het bijzonder worden, in tegenstelling tot het verzamelen van alle sensor- (microfoon) en actuator- (luidspreker) signalen op één gemeenschappelijke plaats, bijvoorbeeld in een fusiIn dit soort algoritmen comprimeren of fuseren knooppunten hun lokale sensor- en actuatorsignalen. Vervolgens wisselen ze uit met de andere knooppunten in het netwerk om de rekenlast van gecentraliseerde verwerking met behulp van in-netwerkverwerking te delen.

In dit proefschrift wordt eerst een vergelijking gegeven tussen de meerkanaals Wiener filter (MWF) implementaties voor geluidsreductie (’noise reduction’ of NR) met behulp van overlappend opslaan (’overlap save’ of OLS) en gewogen overlap toevoegen (’weigthed overlap add’ of WOLA) filterbanken. Dit dient als een introductie tot de gecentraliseerde MWF en rechtvaardigt het typische gebruik van WOLA filterbanken voor NR in spraaktoepassingen. Vervolgens worden gedistribueerde algoritmen voor de gecombineerde akoestische echo- onderdrukking (’acoustic echo cancellation’ of AEC) en NR in WASANs gepresenteerd, waarbij elk knooppunt meerdere microfoons en meerdere luidsprekers kan hebben, en het gewenste signaal een spraaksignaal is. Gecentraliseerde cascade- en geïntegreerde algoritmen worden gepresenteerd om de gecombineerde AEC en NR op te lossen. De gedistribueerde cascade en geïntegreerde algoritmen voor de gecombineerde AEC en NR worden vervolgens verkregen uit hun overeenkomstige gecentraliseerde implementaties. De MWF en de gedistribueerde implementatie ervan, d.w.z. het op gegeneraliseerde eigenwaarde-ontleding (’generalized eigenvalue decomposition’ of GEVD) gebaseerde gedistribueerde adaptieve knooppuntspecifieke signaalschatting (’distributed adaptive node-specific signal estimation’ of DANSE) algoritme, dienen als rode draad door de DSV-taken in dit en de overige hoofdstukken. De gecentraliseerde en gedistribueerde oplossingen worden vergeleken met stand- alone oplossingen, namelijk een knooppunt dat alleen gebruik maakt van zijn lokale microfoon- en luidsprekersignalen.

Ten tweede worden gecentraliseerde en gedistribueerde algoritmen voor de gecombineerde akoestische feedback-annulering (’acoustic feedback cancellation’ of AFC) en NR gepresenteerd. In dit deel worden de signaalverwerkingstaken uitgevoerd binnen een gesloten-lussysteem. Er worden drie cascade-algoritmen gepresenteerd voor de gecombineerde AFC en NR, waarven één gebaseerd is op een uitgebreid datamodel dat het luidsprekersignaal in de MWF-formulering omvat. Dit maakt het mogelijk een cascade-algoritme te ontwerpen dat bestaat uit een NR-trap, gevolgd door een enkelkanaals AFC-trap in een scenario met meerdere microfoons en één luidspreker. Gebaseerd op deze gecentraliseerde implementatie is een gedistribueerd algoritme voor de gecombineerde AFC en NR ontworpen om knooppuntspecifieke schattingen te verkrijgen in een WASAN.

Tenslotte wordt in het laatste hoofdstuk het proefschrift afgesloten, worden de bijdragen van dit proefschrift samengevat en worden mogelijke toekomstige onderzoeksrichtingen gegeven.