چکیده
در طراحی beamformer، مکان میکروفون ها اغلب ثابت می باشد و تنها ضرایب فیلترها برای بهبود عملکرد کاهش نویز تغییر می کنند. با این حال، موقعیت اجزای میکروفون در عملکرد کلی نقش مهمی ایفا می کند و باید به صورت همزمان بهینه سازی شود. با این حال، این مسئله بهینه سازی غیر خطی از نوع غیر واگرا است و تکنیک های جستجو محلی ممکن است بهترین نتایج را به دست ندهند. این مساله در این مقاله مورد توجه قرار گرفته است. یک روش تبادلی ترکیبی پیشنهاد شده است که شامل یک الگوریتم ژنتیکی همراه با یک روش مبتنی بر شیب است. روش مبتنی بر گرادیان می تواند به یافتن راه حل مطلوب با سرعت زیاد در اطراف نقطه شروع کمک کند ، در حالی که از الگوریتم ژنتیک برای خروج از حداقل ضروریات استفاده شده است. این روش ترکیبی دارای ویژگی نزولی است و می تواند به ما در پیدا کردن جای گذاری مطلوب برای طراحی بهتر beamformer ها کمک کند. مثالهای عددی برای نشان دادن اثربخشی روش ارائه شده است.
-1مقدمه
beamformer های باند پهن به علت کاربرد وسیع شان در ارتباطات بی سیم، سونار، رادار، گفتار و آکوستیک [1-4]، به شدت مورد مطالعه قرار گرفته اند. امروزه بسیاری از مدل های مبتنی بر مدل برای طراحی ضرایب فیلتر beamformer ها در مقالات وجود دارد [5-11]. علاوه بر ضرایب فیلتر مطلوب، قرار دادن عناصر آرایه میکروفون نیز نقش مهمی در عملکرد کلی beamformer ها دارد و تنظیمات آرایه های مختلف میکروفون به طور قابل ملاحظه ای متفاوت عمل می کنند. بنابراین، پیدا کردن یک موقعیت خوب برای پیکربندی آرایه میکروفون در بهبود عملکرد beamformer های باند پهن مهم است…
Abstract
In beamformer design, the microphone locations are often fixed and only the filter coefficients are varied in order to improve on the noise reduction performance. However, the positions of the microphone elements play an important role in the overall performance and should be optimized at the same time. However, this nonlinear optimization problem is non-convex and local search techniques might not yield the best result. This problem is addressed in this paper. A hybrid descent method is proposed which consists of a genetic algorithm together with a gradient-based method. The gradient-based method can help to locate the optimal solution rapidly around the start point, while the genetic algorithm is used to jump out from local minima. This hybrid method has the descent property and can help us to find the optimal placement for better beamformer design. Numerical examples are provided to demonstrate the effectiveness of the method