Adaptive beamforming in audio applications

Abstract

AB3:Sensoriryhmä ja signaaliprosessori muodostavat yhdessä keilanmuodostajan, joka tarjoaa mahdollisuuden spatiaaliseen suodatukseen. Sensoriryhmä tuottaa etenevästä aallosta spatiaalisia näytteitä, joista signaaliprosessori muodostaa keilanmuodostajan ulostulosignaalin.- Useimmat signaaleja vastaanottavat laitteistot toimivat häiriöllisissä ympäristöissä, joissa haluttu signaali on häiriösignaalien vääristämä. Keilanmuodostaja tarjoaa mahdollisuuden erotella toisistaan haluttu ja häiriösignaali, vaikka niiden taajuusalueet olisivatkin päällekkäin. Tämä edellyttää sitä, että halutun ja häiriösignaalin lähteet sijaitsevat eri kohdissa.- Tämän työn tarkoituksena on selvittää nykyisten keilanmuodostusmenetelmien soveltuvuutta audiosignaalien vastaanottoon. Työn alkuosassa esitellään useita eri menetelmiä, mm. usean sivukeilan kumoaminen, referenssisignaalimenetelmä, signaali-kohinasuhteen maksimointi ja lineaarisesti rajoitettu minimivarianssikeilanmuodostus. Käytettävät adaptiiviset algoritmit ovat pienimmän neliösumman, normalisoitu pienimmän neliösumman, rekursiivinen pienimmän neliösumman sekä rekursiivinen pienimmän neliösumman algoritmi valikoivalla unohduksella. Eri algoritmien toiminnan arvioimiseksi suoritettiin lukuisia tietokonesimulaatioita käyttäen puhenäytteitä haluttuina ja häiriösignaaleina. Algoritmin kompleksisuuden kasvaessa paranee myös sen häiriönvaimennuskyky.

A beamformer is a signal processor used together with an array of sensors to provide the capability of spatial filtering. The sensor array produces spatial samples of the propagating wave, which are then manipulated by the signal processor to produce the beamformer output signal.- Most signal receiving systems operate in noisy environments, where the desired signal is corrupted by interfering signals. A beamformer offers the possibility to separate desired and noise signals even with overlapping frequency ranges, provided that they have different spatial source locations. Often the noise statistics are nonstationary, and thus adaptive beamforming techniques must be employed.- The purpose of this thesis is to investigate the usefulness of modern beamforming techniques in audio signal receiving systems. Several beamforming methods are discussed, among which are the multiple sidelobe canceller, reference signal method, maximization of signal-to-noise ratio, and linearly constrained minimum variance beamforming method. The adaptive algorithms used in this thesis are least mean squares, normalized least mean squares, recursive least squares, and recursive least squares algorithm with selective forgetting. Extensive computer simulations with speech data samples are employed to evaluate the performance of different algorithms. As the complexity of the adaptive algorithm increases, its capability to attenuate disturbance signals increases.