基于WaveNet的预失真技术用于可穿戴微型扬声器的非线性失真补偿

《Applied Acoustics》：WaveNet-based predistortion for nonlinear distortion compensation in wearable miniature loudspeakers

　　李佳明|黄阳|李蒙桐|林志斌•针对可穿戴微型扬声器，研究了一种基于两阶段WaveNet的预失真框架。•在硬件实验中，所提方法的平均总谐波失真值低于其他对比的预失真方法。•在提升语音和音乐保真度的同时，保持了线性频率响应。•还保持了适中的电压放大倍数，以便实际应用。引言微型扬声器广泛用于可穿戴及近耳式音频设备，如智能眼镜和开放式耳机，其中紧凑的尺寸、低功耗以及用户舒适度都是重要的设计约束条件[1]、[2]、[3]。在这样的系统中，为了达到足够的声压级，扬声器往往需要在接近其机械和热极限的情况下工作，这会导致明显的非线性失真[4]。这种失真通常表现为谐波失真和互调失真的增加，从而降低语音和音乐的感知质量，并影响后续的音频信号处理算法[5]、[6]。非线性失真的根源多种多样，包括非线性刚度、力系数、电感、机械阻力，以及多普勒效应和悬架蠕变[4]、[7]、[8]。其中，力系数、刚度和机械阻力中的非线性因素通常被认为是微型扬声器中主要的失真来源[1]。历史上，有一类研究是通过基于换能器物理特性的白盒建模来处理扬声器的非线性问题。经典的Thiele-Small模型通过引入非线性的电机和悬架特性，被扩展到大信号应用领域[4]、[9]、[10]、[11]。这些扩展通常被构建为描述锥体位移、速度和电气状态的非线性状态空间系统[12]，从而实现基于模型的控制和补偿。一种典型的前馈策略是设计一个逆向滤波器，也就是所谓的“镜像滤波器”，通过对输入信号进行预失真来抵消已知的静态非线性[13]。除了前馈逆向处理之外，控制理论中的反馈线性化方法也被应用于扬声器领域[14]、[15]。最近，Wave数字滤波器（WDF）建模作为一种受物理原理启发的离散时间框架，被用于扬声器的建模与仿真[16]、[17]。当物理模型足够精确时，这些白盒方法能够显著降低失真程度[18]。不过，它们的性能取决于相关非线性机制和参数是否得到了恰当的表征。在微型扬声器中，非线性阻尼和悬架蠕变等效应往往难以建模和测量，这可能限制纯粹基于物理原理的补偿方法[1]、[19]。此外，通常还需要为每个驱动单元进行准确的参数识别。老化、制造差异以及温度变化都可能导致参数漂移和残余误差。而传感需求则进一步制约了实际应用。由于无法直接测量音圈位移等内部状态，全状态反馈线性化在消费级微型扬声器中往往不可行。因此，像镜像滤波器这样的纯前馈实现方式不得不依赖于假设的参数值[20]、[21]。与基于物理原理的建模并行，人们还研究了用于数据驱动型扬声器识别和线性化的黑盒方法。一个典型的例子是Volterra级数展开，它将扬声器表示为一个多项式非线性系统[22]。在此基础上，诸如Hammerstein模型（先有静态非线性再经过线性滤波）和Wiener模型（先有线性滤波再经过静态非线性）之类的块结构模型被广泛采用[23]、[24]。这些模型能够捕捉与幅度相关的失真以及频率响应特性，已被用于仿真，有时也用于逆向滤波。相关的方法还包括NARMAX模型、多项式非线性回归，以及早期为近似输入输出关系而训练的神经网络回归器[25]、[26]。许多传统的黑盒模型随着非线性阶数和记忆深度的增加，其性能会急剧下降。基项的数量可能会以组合方式增长，而为便于处理而进行的截断可能会遗漏交叉项，从而导致残余失真，限制非线性建模的能力[26]。近年来，深度学习逐渐被视为音频系统建模的另一种替代方案。深度神经网络能够灵活地近似复杂的非线性映射，包括扬声器的行为特性[27]、[28]、[29]、[30]、[31]、[32]、[33]。在音频信号处理领域，最初为语音合成而开发的基于WaveNet的模型，已被用来模拟吉他放大器以及各种失真效果等非线性设备[27]、[31]。应用于扬声器时，深度模型可以直接从数据中学习整体的输入输出映射或その逆映射。这种数据驱动的建模方式无需完整的物理模型，即可呈现训练集中观察到的整体失真机制。例如，一项最新研究使用前馈WaveNet网络来识别并逆转参数阵列扬声器的非线性响应，结果显示其在减少总谐波失真和互调失真方面的效果优于Volterra级数逆向滤波器[35]。可穿戴微型扬声器的预失真处理与参数阵列扬声器的情况有所不同，因为它受到电磁非线性、近耳声学负载以及设备特定的运行约束的影响。因此，不仅需要研究所学到的预失真方法是否能够在真实的微型扬声器上降低失真，还需在统一的测试标准下，将其与常见的基于物理原理的方法以及数据驱动的方法进行比较。现有研究已经提出了多种用于非线性系统识别和音频建模的神经网络架构，包括通过多层感知器实现的带外部输入的非线性自回归模型（NARX-MLP）[36]、长短期记忆（LSTM）网络[33]，以及并行Wiener-Hammerstein（PWH）模型[37]。然而，这些方法作为可穿戴微型扬声器预失真器的表现尚未得到充分研究，尤其是在与基于物理原理的反馈线性化基准方法以及实测的扬声器响应一起评估时。本文研究了一种基于WaveNet的前馈预失真策略，用于集成在智能眼镜平台中的微型扬声器。所提出的框架采用两阶段流程：首先根据同步的电压响应测量数据训练一个可微分的前向系统模型，然后通过冻结该系统模型来优化一个因果性的WaveNet预失真器。为了使比较更具参考价值，所提方法还与反馈线性化预失真器以及三种神经网络预失真器，即NARX-MLP、LSTM和PWH模型进行了对比测试。评估指标包括系统模型识别精度、实际扬声器的总谐波失真降低程度、频率响应函数的保持情况、宽带信噪比、对数频谱距离，以及经预失真处理后的驱动电压的均方根放大倍数。这样的设计使得可以在相同的可穿戴微型扬声器测试条件下，评估补偿效果和实际电压需求。本文的其余部分结构如下：第2节介绍所提出的两阶段WaveNet框架以及对比用的基准方法；第3节描述微型扬声器平台及测试设置，包括信号链、数据集构建以及模型超参数；第4节定义评估指标并汇报系统模型识别和补偿结果；最后，第5节总结研究结果与局限性。方法部分本节首先阐述微型扬声器的前馈预失真问题，然后介绍所提出的两阶段WaveNet框架。随后，在统一的评估框架下，介绍了包括基于物理原理的反馈线性化预失真器以及其他神经网络模型在内的对比基准方法。我们将微型扬声器建模为一个未知的非线性动态系统S(?)，该系统将离散时间的输入电压序列u[n]转换为可测量的输出信号。系统描述与测试设置被测设备是一种集成在可穿戴智能眼镜平台中的微型扬声器。如图3(a)所示，该微型扬声器安装在一个紧凑的外壳中，通过眼镜框内的声学通道向听觉区域辐射声音。测试麦克风放置在距离扬声器5厘米处，用于采集近耳区域的声学输出信号。图3(b)展示了测试信号链。激励信号是在数字域中生成的。系统模型识别精度在用所识别的前向系统模型进行预失真器训练之前，我们首先评估其精度。通过比较实测的扬声器响应与系统模型输出在总谐波失真、时域波形、短时频谱特征以及频率响应函数等方面的差异，来判断该系统模型是否能够准确反映微型扬声器的主要非线性失真行为以及小信号下的线性特性。图6展示了实测与预测的总谐波失真曲线对比情况。结论本文提出了一种基于两阶段WaveNet的预失真框架，用于可穿戴微型扬声器中的非线性失真补偿。该框架首先通过同步的电压响应测量数据识别出一个可微分的前向系统模型，然后通过冻结该模型来训练一个具有因果关系且受范围限制的WaveNet预失真器。该方法在智能眼镜扬声器平台上进行了测试，并与反馈线性化预失真器以及三种神经网络预失真器进行了对比。CRediT作者贡献声明李佳明：撰写——初稿、验证、方法论、研究分析、正式分析、数据整理。黄阳：撰写——审阅与编辑、验证、数据整理。李蒙桐：撰写——审阅与编辑、验证、正式分析、数据整理。林志斌：撰写——审阅与编辑、监督、资源获取、资金筹集、概念构思。利益冲突声明作者声明没有已知的财务利益或个人关系可能影响本文的研究工作。