【语音处理】使用块反射器的基于DFT的系统中用于旁瓣抑制的正交预编码（Matlab代码实现）

最新推荐文章于 2024-11-09 23:02:52 发布

@橘柑橙柠桔柚

最新推荐文章于 2024-11-09 23:02:52 发布

阅读量892

点赞数 27

文章标签：预编码算法 matlab 语音识别

本文链接：https://blog.csdn.net/weixin_61181717/article/details/139918657

版权

👨‍🎓个人主页：研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

基于离散傅里叶变换的系统，如正交频分复用（OFDM）和单载波频分多址（SC-FDMA），特别容易发生带外漏电。尽管已经提出了许多技术来抑制基于DFT的系统中的旁瓣，但计算复杂性和带外功率泄漏之间的令人满意的平衡仍然难以实现。正交预编码是一种很有前途的线性技术，其中具有正交列的预编码矩阵的零空间旨在抑制旁瓣。特别是，Xu 和 Chen [1]、van de Beek [2] 和 Ma 等人 [3] 提出了产生出色带外抑制的正交预编码器。然而，它们的算术复杂性高---有源子载波数量的二次---这限制了它们的应用。在本文中发现，如果使用块反射器而不是非结构化的酉变换来执行预编码，则算术复杂度可以变为线性而不是二次。实现的误码率无需支付任何惩罚。通过数值模拟表明，OFDM在峰均功率比方面的损失也非常小。

在语音处理领域，块反射器和离散傅里叶变换（DFT）结合使用的系统中，通过正交预编码技术可以有效抑制旁瓣，提升信号处理效果。以下是对这一技术的详细介绍：

基于DFT的块反射器系统

原理
块反射器是一种在频域上操作的装置，可以改变信号的相位和幅度。结合DFT，可以实现信号从时域到频域的转换，便于进行频域上的处理。具体来说，DFT将时域信号转换为频域信号，使其分解为不同频率成分，便于对不同频率分量进行独立处理。

#### 应用
- **语音增强**：利用频域处理的优势，通过块反射器调整频率成分，从而实现对语音信号的增强。
- **噪声抑制**：在频域上进行噪声估计和抑制，提高语音信号的质量。

旁瓣抑制的挑战

旁瓣是指在频域处理过程中，信号在主要频率成分之外的部分能量泄漏。旁瓣的存在会影响信号的处理质量，导致干扰和噪声。尤其在语音处理应用中，旁瓣抑制是一个关键问题。

正交预编码技术

原理
正交预编码技术通过在信号进入DFT处理之前进行预编码，使得经过DFT转换后的频率成分之间相互正交，减少能量泄漏，从而抑制旁瓣。正交预编码的核心思想是利用数学上的正交性，使得频率成分之间的相互干扰最小化。

实施步骤
1. **信号预处理**：对原始语音信号进行分帧和窗函数处理。
2. **预编码矩阵设计**：构建一个正交矩阵，用于对每一帧信号进行预编码。
3. **DFT变换**：将预编码后的信号进行DFT变换，得到频域信号。
4. **频域处理**：在频域上进行噪声抑制和增强处理。
5. **反DFT变换**：将处理后的频域信号通过逆DFT变换回时域。

优势
- **旁瓣抑制**：有效减少频率成分之间的能量泄漏，提高信号处理质量。
- **信号保真度**：在抑制旁瓣的同时，保持信号的原始特性，避免过多的失真。
- **处理效率**：通过矩阵运算实现预编码，计算复杂度较低，适合实时处理应用。

应用实例

- **语音通信**：在VoIP和移动通信中，通过正交预编码抑制旁瓣，提高语音通话质量。
- **语音识别**：在语音识别系统中，减少旁瓣干扰，提高识别率和准确性。
- **音频处理**：在音乐和音频处理领域，通过频域处理提高音频的清晰度和质量。

未来研究方向

1. **优化预编码矩阵**：进一步研究和优化预编码矩阵的设计，使其在不同应用场景中更加高效。
2. **结合机器学习**：利用机器学习算法，根据不同的噪声环境自适应调整预编码矩阵，提升旁瓣抑制效果。
3. **实时处理优化**：提高正交预编码技术在实时处理系统中的效率和性能，满足更高的实时性要求。

通过正交预编码技术，在基于DFT的块反射器系统中实现有效的旁瓣抑制，可以显著提高语音处理的质量和效果，为各种应用场景提供更优质的解决方案。

📚2 运行结果

部分代码：

figure(2);

PtotdBm = 46; % Total downlink power in dBm
Ptot = 1e-3 * 10^(PtotdBm/10); % same in W
S = [-300:-297, 297:300, -296:-1, 1:296]; % set of active sub-carriers (permuted!)
Psub = Ptot / length(S); % power per subcarrier (W)
Ts = 1e-3/15; % data length (in seconds)
Tg = 9*Ts/128; % cyclic prefix length (s)
T = Ts + Tg;

f = -10e6:0.005e6:40e6; % array of sample frequencies for plotting

kfTs = S' * ones(size(f)) - ones(size(S))' * f * Ts; % k - f Ts
a = sqrt(Psub) * T * exp(j*pi*(1-Tg/Ts)*kfTs) .* sinc((1+Tg/Ts)*kfTs);
% (11) but not forgetting the scaling factors

plot(f, 10*log10(sum(abs(a).^2)/(1e-3*T)), 'DisplayName', 'Standard OFDM');
grid on;
hold on;

M = [-6101, -6099, -5101, -5099, 5099, 5101, 6099, 6101] * 1e3; % nulling frequencies
R = length(M);
kMTs = S' * ones(size(M)) - ones(size(S))' * M * Ts; % k - M Ts
A2 = exp(j*pi*(1-Tg/Ts)*kMTs)' .* sinc((1+Tg/Ts)*kMTs)'; % (15)
% [~, ~, V] = svd(A2); % (7)
Gvdb = blockreflector2(A2');
V = eye(length(S)) - Gvdb*Gvdb';
Go = V(:, (R+1):length(S)); % (8)
plot(f, 10*log10(sum(abs(Go'*a).^2)/(1e-3*T)), ...
'DisplayName', 'Precoded OFDM (van de Beek)');

% Skipping N-continuous OFDM that was originally a part of Fig. 3(a)...

% Now add the comparison with Ma et al. technique

phi = [-40e6:0.2e6:-5e6, 5e6:0.2e6:40e6]; % spectral leakage frequencies
kpTs = S' * ones(size(phi)) - ones(size(S))' * phi * Ts; % k - phi Ts
C = exp(j*pi*(1-Tg/Ts)*kpTs)' .* sinc((1+Tg/Ts)*kpTs)';
[~, ~, Vma] = svd(C);
Gma = blockreflector2(Vma(:, 1:R));
V = eye(length(S)) - Gma*Gma';
Popt = V(:, (R+1):length(S));

plot(f, 10*log10(sum(abs(Popt'*a).^2)/(1e-3*T)), ...
'DisplayName', 'Precoded OFDM (Ma et al.)');
hold off;
ylim([-120, -20]);
xlabel('Frequency (Hz)');
ylabel('Power spectral density (dBm/Hz)');
legend(gca, 'show');

% added for Code Ocean output
% save the resulting plot to an HTML file using Plotly.js
% fig2plotly(gcf, 'offline', true, 'filename', 'figure1');

% finally, save the resulting plot to a PNG file (note the output directory)
saveas(gcf, 'figure1.fig');

% Figure 3. Now move on to PAPR calculations.

figure(3);
ie = 4; % use ie = 7 to get the same quality of results as in the paper
numiter = 10^ie; % number of Monte Carlo iterations for PAPR calculations
subsamp = unique(round(numiter+1-10.^(ie:-0.01:0))); % for subsampling
numsub = 2048; % number of subcarriers available
prefix = numsub * Tg / Ts; % number of samples in the cyclic prefix
X = zeros(1, numsub);
papr = zeros(1, numiter);

% Standard OFDM with QPSK

l=8; % oversampling factor for PSD estimation (min value = 2)
Y1 = zeros(1, l*numsub);
Y2 = zeros(1, l*numsub);
Y3 = zeros(1, l*numsub);
Y5 = zeros(1, l*numsub);
Y6 = zeros(1, l*numsub);
Y7 = zeros(1, l*numsub);
timing = zeros(1, 7);

tic;
for i=1:numiter
d = sqrt(Psub/2) * (2*randi(2, size(S)) + 2*j*randi(2, size(S)) - 3 - 3*j); % QPSK data vector
X(S+numsub/2) = d;
x = numsub*ifft(ifftshift(X));
% Y = [zeros(1, (l/2-1)*numsub/2), X, zeros(1, (l/2-1)*numsub/2)];
% y = l*numsub*ifft(ifftshift(Y))/2;
% y1 = [y((l*(numsub-prefix)/2+1):l*numsub/2), y, zeros(1, l*(numsub-prefix)/2)];
% Y1 = Y1 + 4*Ts^2*abs(fft(y1)/(l*numsub)).^2/(Ts+Tg);
papr(i) = numsub * max(abs(x).^2) / norm(x)^2;
end;
timing(1) = toc;
Y1 = Y1 / numiter;
papr = sort(papr);
semilogy(10*log10(papr), 1-(1:numiter)/numiter);
papr1 = papr(subsamp);
grid on;
hold on;