信息处理 - 使用 Scipy 模拟音频频率均衡器的系统识别/滤波器估计 - 吾爱随笔录

在我正在处理的当前问题中，我有两个信号：一个包含音频（语音）的“原始”信号。第二个信号是相同的音频文件，但使用频率均衡器进行了编辑，例如使之间的所有频率更响亮。 $649-677\textrm{ Hz}$

我现在想要实现的是“教”一个 SCIPY 过滤器来模仿这种行为。因此，我创建了一个带有两个巴特沃斯过滤器的函数，并尝试curve_fit将数据转换为数据。直觉是，像这样系统学习最佳频率间隔来模仿均衡器。显然它没有按预期工作（大多数时候没有曲线拟合。如果我实现曲线拟合并将过滤器应用于原始数据，它根本没有改变）。有什么建议么？ $x$ $y$

import numpy as np
from scipy.optimize import curve_fit
from scipy import signal

xdata = voice_1
ydata = voice_2

# Function to optimize, supposed that two bandpass filters are enough
def func(x, p1,p2,p3,p4):
    b, a = signal.butter(2,[p1,p2],btype="band")
    x = signal.lfilter(b,a,x)
    b, a = signal.butter(2,[p3,p4],btype="band")
    x = signal.lfilter(b,a,x)
    return x

# Optimize function to achieve a curve-fit and therefore get the right frequency response in p1,p2,p3,p4
popt, pcov = curve_fit(func, xdata, ydata,p0=(0.5,0.5,0.5,0.5))

我还尝试过创建一个xsignal包含白噪声的内容，创建一个ysignal我更改了一些频率级别的位置，并将传递函数计算H为FFT(ysignal)/FFT(xsignal). 一旦我将此函数应用于白噪声以外的其他数据，结果似乎也是错误的。

import numpy as np import scipy def learn_equalizer(signal_x, signal_y, detail_level): # Create Toeplitz Matrix padding = np.zeros(detail_level, signal_x.dtype) first_col = np.r_[signal_x, padding] first_row = np.r_[signal_x[0], padding] X = scipy.linalg.toeplitz(first_col, first_row) # Implement the formula for finding the optimal solution numerically X = X[0:len(X)-detail_level,] h = np.dot(X.T,X) h = scipy.linalg.inv(h) h = np.dot(h,X.T) equalizer = np.dot(h,signal_y) return equalizer