Theory and Applications of Spherical Microphone Array Processing

این کتاب الگوریتم‌های پردازش سیگنال را ارائه می‌کند که برای پردازش سیگنال‌های بدست‌آمده توسط یک آرایه میکروفون کروی ایجاد شده‌اند. آرایه‌های میکروفون کروی را می‌توان برای ثبت میدان صوتی به صورت سه بعدی استفاده کرد و مورد توجه محققان و مهندسان صدا قرار گرفته است. الگوریتم‌های پردازش آرایه‌های کروی با الگوریتم‌های متناظر که قبلاً در ادبیات آرایه‌های خطی و مسطح شناخته شده‌اند، متفاوت هستند، زیرا می‌توان از هندسه کروی برای تأثیرات مفید زیادی بهره‌برداری کرد.

هدف نویسندگان این است که زمینه پردازش آرایه‌های کروی را با کمک به افراد تازه وارد در این زمینه برای مطالعه کارآمد و از یک منبع واحد، و همچنین با ارائه راهی برای پژوهشگران و مهندسان با تجربه‌تر برای ادغام، پیشرفت دهند. درک آنها، افزودن یک یا هر دو به وسعت و عمق. سطح ارائه مطابق با تحصیلات تکمیلی در سطح کارشناسی ارشد و دکترا است.

این کتاب با ارائه برخی از نظریه‌های ریاضی و فیزیکی ضروری مربوط به آرایه‌های میکروفون کروی و یک شبیه‌سازی پاسخ ضربه‌ای صوتی آغاز می‌شود. روشی که می‌تواند برای ارزیابی جامع الگوریتم‌های پردازش آرایه‌های کروی در محیط‌های پژواک مورد استفاده قرار گیرد.

فصل تخمین پارامترهای صوتی، روشی را توضیح می‌دهد که از طریق آن می‌توان توصیف‌های مفید صحنه‌های صوتی را پارامتر کرد، و الگوریتم‌های پردازش سیگنال را توصیف می‌کند. می توان برای تخمین مقادیر پارامترها با استفاده از آرایه های میکروفون کروی استفاده کرد. فصل‌های بعدی از این پارامترها از جمله معیارهای خاص جهت رسیدن و انتشار میدان صوتی بهره‌برداری می‌کنند.

الگوریتم های پردازش آرایه سپس به دو کلاس اصلی طبقه بندی می شوند که هر کدام در یک فصل جداگانه توضیح داده می شوند. اینها الگوریتم های شکل دهی پرتوی وابسته به سیگنال و مستقل از سیگنال هستند. اگرچه الگوریتم‌های شکل‌دهی پرتو وابسته به سیگنال در تئوری قادر به ارائه عملکرد بهتر در مقایسه با الگوریتم‌های مستقل از سیگنال هستند، در حال حاضر به ندرت در عمل استفاده می‌شوند. دلیل اصلی این امر این است که برآورد اطلاعات آماری مورد نیاز این الگوریتم ها دشوار است. در فصل بعدی نشان داده شده است که چگونه پارامترهای صوتی تخمینی را می توان در طراحی الگوریتم های شکل دهی پرتو وابسته به سیگنال استفاده کرد. این مرحله نهایی، حداقل تا حدی، شکاف بین تئوری و عمل را می‌بندد.

This book presents the signal processing algorithms that have been developed to process the signals acquired by a spherical microphone array. Spherical microphone arrays can be used to capture the sound field in three dimensions and have received significant interest from researchers and audio engineers. Algorithms for spherical array processing are different to corresponding algorithms already known in the literature of linear and planar arrays because the spherical geometry can be exploited to great beneficial effect.

The authors aim to advance the field of spherical array processing by helping those new to the field to study it efficiently and from a single source, as well as by offering a way for more experienced researchers and engineers to consolidate their understanding, adding either or both of breadth and depth. The level of the presentation corresponds to graduate studies at MSc and PhD level.

This book begins with a presentation of some of the essential mathematical and physical theory relevant to spherical microphone arrays, and of an acoustic impulse response simulation method, which can be used to comprehensively evaluate spherical array processing algorithms in reverberant environments.

The chapter on acoustic parameter estimation describes the way in which useful descriptions of acoustic scenes can be parameterized, and the signal processing algorithms that can be used to estimate the parameter values using spherical microphone arrays. Subsequent chapters exploit these parameters including in particular measures of direction-of-arrival and of diffuseness of a sound field.

The array processing algorithms are then classified into two main classes, each described in a separate chapter. These are signal-dependent and signal-independent beamforming algorithms. Although signal-dependent beamforming algorithms are in theory able to provide better performance compared to the signal-independent algorithms, they are currently rarely used in practice. The main reason for this is that the statistical information required by these algorithms is difficult to estimate. In a subsequent chapter it is shown how the estimated acoustic parameters can be used in the design of signal-dependent beamforming algorithms. This final step closes, at least in part, the gap between theory and practice.