Данная работа посвящена моделированию обратной акустической связи. Представлен обзор существующих методов ее оценки и подавления. Создана модель обратной связи, на основе которой производится симуляция и генерация данных из искаженных ей звуков. Разработан и обучен на полученных данных алгоритм машинного обучения на основе сверточной нейронной сети, который является составным звеном алгоритмов подавления, оценивающий акустический тракт обратной связи. Приведены результаты работы алгоритма на тестовых данных.

This work is devoted to modeling acoustic feedback. An overview of the existing methods for its assessment and suppression is presented. A feedback model has been created, on the basis of which simulation and data generation from sounds distorted by it is performed. A machine learning algorithm based on a convolutional neural network has been developed and trained on the data obtained, which is a constituent link of suppression algorithms that evaluates the acoustic feedback path. The results of the algorithm's operation on test data are presented.

• ВВЕДЕНИЕ
• ГЛАВА 1. Обратная акустичская связь
  • 1.1 Математическое определение АОС
  • 1.2 Обзор методов подавления обратной связи
  • 1.3 Обзор методов оценки составляющей обратной связи
• ГЛАВА 2. ПРОСТАЯ МОДЕЛЬ ПОВЕДЕНИЯ СИГНАЛА В СИСТЕМЕ С ОБРАТНОЙ СВЯЗЬЮ
  • 2.1 Уравнение связи сигнала громкоговорителя и входного сигнала
  • 2.2 Модель входного и выходного сигнала
  • 2.3 Критерий уровня искажений
• ГЛАВА 3. ВИРТУАЛЬНАЯ СИМУЛЯЦИЯ СИСТЕМЫ С ОБРАТНОЙ СВЯЗЬЮ
  • 3.1 Алгоритм генерации частотных характеристик акустических трактов обратной связи
  • 3.2 Алгоритм реализации симуляции обратной связи
  • 3.3 Генерация датасета
• ГЛАВА 4. АЛГОРИТМ ГЛУБОКОГО ОБУЧЕНИЯ
  • 4.1 Обучающаяся модель. Входные данные
  • 4.2 Обучающаяся модель. Алгоритм и архитектура нейронной сети
  • 4.3 Результаты обучения и тестов обучающейся модели
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ