信息处理 - 快速和慢速时间加权对实时音频信号处理意味着什么？ - 吾爱随笔录

快速和慢速时间加权对实时音频信号处理意味着什么？

信息处理 matlab 声音的声音

2022-02-20 04:48:43

我有一个正在实时录制的流式音频信号。为了便于解释，假设我收到的信号经过校准并具有采样频率， $F_s = 44100\textrm{ Hz}$ .

然后我找到了这个信号的声压级。为此，我得到了一帧 t 秒的音频数据。

然后，RMS 声压级 (dB) 由下式给出：

A m p l i t u d e_{R M S} = \sqrt{m e a n (f r a m e^{2})}

$\rm Amplitude_{RMS} = \sqrt{mean\left(frame ^2\right)}$

这给出了一个瞬时 RMS $t$ -第二帧音频。然后，找一个 $\textrm{ dB}$ 等级，

L_{p} = 20 \log_{10} (A m p l i t u d e_{R M S})

$L_p = 20\log_{10}\left(\rm Amplitude_{RMS}\right)$

对于“快”或“慢”声压级的定义，这里的事情变得很棘手。正如这篇文章所指出的，对于时间加权指数平均，我创建了一个低通滤波器，其实极点位于 $1/\tau$ （在哪里 $\tau= 125\textrm{ ms}$ 对于“快速”或 $1\textrm{ s}$ 对于“慢”）

τ = 0.125; %fast
[b a] = bilinear(1, [1 1/τ], Fs);
frame_filtered = filter(b, a, frame.^2);
L_fast = 20*log10(sqrt(mean(frame_filtered)));

IEC 61672 将时间权重指定为快速和慢速，以确定仪器对不断变化的噪声水平的响应速度。

这对数字音频有何作用？
这是否意味着需要对固定的数据框架进行分析？
对于这个特定的例子，这个框架将是 $t\cdot F_s$ 样品？
```
慢：1*44100 = 441000 个样本
快速：0.125*44100 ~= 5513 个样本
```
如果是这样，我是否需要提前知道我需要快速还是慢速关卡？

1个回答

通过声学中的“时间加权”，我们将 RC（电阻-电容）电路应用于时间信号。

参见：维基百科上的RC 电路

FAST 的时间常数为 0,125 s，SLOW 的时间常数为 1 s。

您也可以使用下面的代码以数字方式将其应用于您的时间信号 - 它基本上是一个指数移动平均滤波器。我认为您只需查看下面代码中的注释即可理解这些步骤。

公共类 FilterTimeWeighting {

private int nBands = 29; //number of bands
private float initValue;

FilterTimeWeighting() {
    initValue=0;
}

/**
 * Apply the LAmax RC-filter on the signal. Valid for fsamp=44100 Hz.
 * Returns the signal in Volts after applying filter.
 * 
 * //y(n)=a*y(n-1)+(1-a)*x(n)
 *
 * 
 *
 * @param signalIn
 * @return
 */
public float[] applyLmaxFilter(float[] signal) {

    int n_samples = signal.length;

    float[] x_signal = new float[n_samples];
    float[] y_signal = new float[n_samples];
    float[] ret_signal = new float[n_samples];


    //Square the signal
    for (int i_sample = 0; i_sample < n_samples; i_sample++) {
        x_signal[i_sample] = signal[i_sample] * signal[i_sample];
    }

    //Exponential moving average parameters
    float tau=0.125f;
    float fs=44100f;
    float alpha=tau/(1f/fs+tau);

    //for the first sample 
    y_signal[0] = initValue*alpha+(1-alpha)*x_signal[0];

    //for the rest of the samples
    for (int i_sample = 1; i_sample < n_samples; i_sample++) {
        y_signal[i_sample] = y_signal[i_sample-1]*alpha+(1-alpha)*x_signal[i_sample];
    }

    //remember last sample for next time step;
    initValue=y_signal[n_samples-1];

    //Square root
    for (int i_sample = 0; i_sample < n_samples; i_sample++) {
        ret_signal[i_sample] = (float) Math.sqrt(y_signal[i_sample]);
    } 

    return ret_signal;
}

}

其它你可能感兴趣的问题

上一篇确定光流 - Horn 和 Schunck - 对……鲁棒/不敏感下一篇YCbCr 转 jpeg-YCbCr