Ipahayag ang dili mapasabot sa mga pulong; mobati sa usa ka halapad nga matang sa mga emosyon nga nalambigit sa usa ka bagyo sa mga pagbati; sa pagbulag gikan sa yuta, sa langit ug bisan sa Uniberso mismo, nga moadto sa usa ka panaw diin walay mga mapa, walay mga dalan, walay mga timailhan; pag-imbento, pagsulti ug pagsinati sa tibuok nga istorya nga kanunay magpabilin nga talagsaon ug dili masundog. Kining tanan mahimo pinaagi sa musika - usa ka arte nga naglungtad sulod sa daghang liboan ka tuig ug makapahimuot sa atong mga dalunggan ug kasingkasing.
Bisan pa, ang musika, o labi pa nga mga buhat sa musika, mahimoβg magsilbi dili lamang alang sa aesthetic nga kalipayan, apan alang usab sa pagpasa sa kasayuran nga gi-encode niini, nga gituyo alang sa pipila nga aparato ug dili makita sa tigpaminaw. Karon kita masinati sa usa ka talagsaon nga pagtuon diin ang mga estudyante sa graduate gikan sa ETH Zurich nakahimo, nga wala mamatikdi sa dalunggan sa tawo, nagpaila sa pipila ka mga datos ngadto sa mga musikal nga mga buhat, tungod niini ang musika mismo nahimong usa ka data transmission channel. Giunsa nila pag-implementar ang ilang teknolohiya, lahi ba ang mga melodies nga adunay ug wala ang naka-embed nga datos, ug unsa ang gipakita sa praktikal nga mga pagsulay? Nahibal-an namon kini gikan sa taho sa mga tigdukiduki. Lakaw.
Basihan sa panukiduki
Gitawag sa mga tigdukiduki ang ilang teknolohiya nga acoustic data transmission technology. Kung ang usa ka mamumulong nagpatugtog sa usa ka giusab nga melodiya, ang usa ka tawo nagtan-aw niini nga normal, apan, pananglitan, ang usa ka smartphone makabasa sa naka-encode nga impormasyon tali sa mga linya, o hinoon tali sa mga nota, ingnon ta. Ang mga siyentipiko (ang kamatuoran nga kini nga mga lalaki mga gradwado pa nga mga estudyante wala makapugong kanila nga mahimong mga siyentipiko) nagtawag sa katulin ug kasaligan sa transmission samtang nagpadayon sa lebel sa kini nga mga parameter, bisan unsa pa ang gipili nga audio file, ingon ang labing hinungdanon nga aspeto sa pagpatuman sa kini nga teknik sa pagbalhin sa datos. Psychoacoustics, nga nagtuon sa psychological ug physiological aspeto sa tawhanong panglantaw sa mga tingog, makatabang sa pagsagubang niini nga buluhaton.
Ang kinauyokan sa acoustic data transmission mahimong tawgon nga OFDM (orthogonal frequency division multiplexing), nga, uban sa pagpahiangay sa mga subcarrier sa tinubdan nga musika sa paglabay sa panahon, nagpaposible sa paghimo sa maximum nga paggamit sa transmitted frequency spectrum alang sa pagpasa sa impormasyon. Salamat niini, posible nga makab-ot ang gikusgon sa transmission nga 412 bps sa gilay-on nga hangtod sa 24 metros (error rate <10%). Ang praktikal nga mga eksperimento nga naglambigit sa 40 ka mga boluntaryo nagpamatuod sa kamatuoran nga halos imposible nga madungog ang kalainan tali sa orihinal nga melodiya ug sa usa diin ang impormasyon gilakip.
Asa kini nga teknolohiya magamit sa praktis? Ang mga tigdukiduki adunay kaugalingong tubag: halos tanang modernong mga smartphone, laptop ug uban pang mga handheld device adunay mga mikropono, ug daghang mga pampublikong lugar (mga cafe, restawran, shopping center, ug uban pa) adunay mga speaker nga adunay background nga musika. Kini nga melody sa background mahimo, pananglitan, maglakip sa data alang sa pagkonektar sa usa ka Wi-Fi network nga wala magkinahanglan og dugang nga mga aksyon.
Ang kinatibuk-ang bahin sa acoustic data transmission nahimong tin-aw kanato; karon magpadayon kita sa usa ka detalyado nga pagtuon sa istruktura niini nga sistema.
Deskripsyon sa Sistema
Ang pagpaila sa datos sa melody mahitabo tungod sa frequency masking. Sa mga time slot, giila ang mga frequency sa masking ug ang mga subcarrier sa OFDM nga duol niining mga masking elemento napuno sa datos.
Hulagway #1: Pag-convert sa orihinal nga file ngadto sa usa ka composite signal (melody + data) nga gipasa pinaagi sa mga speaker.
Sa pagsugod, ang orihinal nga signal sa audio gibahin sa sunud-sunod nga mga bahin alang sa pagtuki. Ang matag bahin (Hi) sa L = 8820 nga mga sample, katumbas sa 200 ms, gipadaghan sa bintana* aron maminusan ang mga epekto sa utlanan.
Bintana* usa ka function sa pagtimbang nga gigamit aron makontrol ang mga epekto tungod sa mga sidelobes sa spectral nga pagtantiya.
Sunod, ang nagpatigbabaw nga mga frequency sa orihinal nga signal nakit-an sa sakup gikan sa 500 Hz hangtod 9.8 kHz, nga nagpaposible nga makakuha mga masking frequency fM,l alang niini nga bahin. Dugang pa, ang datos gipasa sa gamay nga range gikan sa 9.8 hangtod 10 kHz aron matukod ang lokasyon sa mga subcarrier sa tigdawat. Ang taas nga limitasyon sa frequency range nga gigamit gitakda sa 10 kHz tungod sa ubos nga pagkasensitibo sa mga mikropono sa smartphone sa taas nga frequency.
Ang mga frequency sa masking gitino alang sa matag gi-analisa nga bahin nga tinagsa. Gamit ang HPS (Harmonic Product Spectrum) nga pamaagi, ang tulo ka dominanteng frequency giila ug dayon gibilog ngadto sa pinakaduol nga nota sa harmonic chromatic scale. Ingon niini ang paagi nga nakuha ang mga nag-unang nota nga fF,i = 1β¦3, nga nahimutang taliwala sa mga yawe nga C0 (16.35 Hz) ug B0 (30.87 Hz). Pinasukad sa kamatuoran nga ang sukaranan nga mga nota gamay ra kaayo para magamit sa pagpadala sa datos, ang ilang mas taas nga octaves 500kfF,i gikalkula sa range 9.8 Hz ... 2 kHz. Daghan niini nga mga frequency (fO,l1) mas gipahayag tungod sa kinaiya sa HPS.
Hulagway #2: Gikalkulo ang mga octaves fO,l1 para sa sukaranang mga nota ug harmonics fH,l2 sa pinakakusganon nga tono.
Ang resulta nga set sa mga octaves ug harmonics gigamit isip masking frequency, diin ang OFDM subcarrier frequency fSC,k nakuha. Duha ka subcarrier ang gisulod sa ubos ug labaw sa matag masking frequency.
Sunod, ang spectrum sa Hi audio nga bahin gisala sa subcarrier frequency fSC, k. Pagkahuman niana, usa ka simbolo sa OFDM ang gihimo base sa mga tipik sa impormasyon sa Bi, tungod niini ang composite segment Ci mahimong mapasa pinaagi sa mamumulong. Ang mga magnitude ug mga hugna sa mga subcarrier kinahanglang pilion aron ang tigdawat makakuha sa gipasa nga datos samtang ang tigpaminaw dili makamatikod sa mga kausaban sa melody.
Hulagway No. 3: bahin sa spectrum ug subcarrier frequency sa Hi nga bahin sa orihinal nga melody.
Kung ang usa ka signal sa audio nga adunay kasayuran nga gi-encode niini gipatokar pinaagi sa mga speaker, ang mikropono sa aparato nga nakadawat nagrekord niini. Aron makit-an ang pagsugod nga mga posisyon sa na-embed nga mga simbolo sa OFDM, ang mga rekord kinahanglan una nga masala sa bandpass. Niining paagiha, ang taas nga frequency range makuha, diin walay mga signal sa interference sa musika tali sa mga subcarrier. Makita nimo ang sinugdanan sa mga simbolo sa OFDM gamit ang cyclic prefix.
Human mahibal-an ang pagsugod sa mga simbolo sa OFDM, ang tigdawat makakuha og impormasyon bahin sa labing dominanteng mga nota pinaagi sa high frequency domain decoding. Dugang pa, ang OFDM medyo makasugakod sa narrowband interference nga mga tinubdan, tungod kay kini makaapekto lamang sa pipila sa mga subcarrier.
Praktikal nga mga pagsulay
Ang KRK Rokit 8 nga mamumulong naglihok isip tinubdan sa giusab nga mga melodies, ug ang Nexus 5X nga smartphone nagdula sa papel sa nakadawat nga partido.
Hulagway #4: Ang kalainan tali sa aktuwal nga OFDM ug correlation peak gisukod sa sulod sa 5m tali sa speaker ug mikropono.
Kadaghanan sa mga puntos sa OFDM anaa sa han-ay gikan sa 0 hangtod 25 ms, aron makit-an nimo ang usa ka balido nga pagsugod sa sulod sa 66.6 ms cyclic prefix. Namatikdan sa mga tigdukiduki nga ang tigdawat (sa kini nga eksperimento, usa ka smartphone) nag-isip nga ang mga simbolo sa OFDM gidula matag karon ug unya, nga nagpauswag sa ilang pagkakita.
Ang una nga butang nga susihon mao ang epekto sa distansya sa bit error rate (BER). Aron mahimo kini, tulo ka mga pagsulay ang gihimo sa lainlaing mga lahi sa mga kwarto: usa ka koridor nga adunay karpet, usa ka opisina nga adunay linoleum sa salog, ug usa ka awditoryum nga adunay salog nga kahoy.
Ang kanta nga βAnd The Cradle Will Rockβ ni Van Halen maoy napili nga test subject.
Ang gidaghanon sa tingog gi-adjust aron ang lebel sa tingog nga gisukod sa smartphone sa gilay-on nga 2 m gikan sa speaker maoy 63 dB.
Hulagway No. 5: BER indicators depende sa gilay-on tali sa speaker ug sa mikropono (asul nga linya - audience, green - corridor, orange - office).
Sa pasilyo, usa ka tingog nga 40 dB ang nakuha sa usa ka smartphone sa gilay-on nga hangtod sa 24 metros gikan sa mamumulong. Sa lawak-klasehanan sa gilay-on nga 15 m ang tingog mao ang 55 dB, ug sa opisina sa gilay-on nga 8 metros ang lebel sa tingog nga nasabtan sa smartphone nakaabot sa 57 dB.
Tungod kay ang awditoryum ug opisina mas lanog, ang ulahi nga simbolo sa OFDM milabaw sa cyclic prefix nga gitas-on ug nagdugang sa BER.
Reverberation* - anam-anam nga pagkunhod sa intensity sa tingog tungod sa daghang mga pamalandong niini.
Ang mga tigdukiduki dugang nga nagpakita sa versatility sa ilang sistema pinaagi sa paggamit niini ngadto sa 6 lain-laing mga kanta gikan sa tulo ka genres (talaan sa ubos).
Talaan No. 1: mga kanta nga gigamit sa mga pagsulay.
Usab, pinaagi sa datos sa lamesa, atong makita ang bit rate ug bit error rates sa matag kanta. Ang mga rate sa datos lahi tungod kay ang differential BPSK (phase shift keying) mas mogana kung parehas nga subcarrier ang gigamit. Ug kini posible kung ang kasikbit nga mga bahin adunay parehas nga mga elemento sa maskara. Ang padayon nga kusog nga mga kanta naghatag usa ka labing maayo nga sukaranan alang sa pagtago sa datos tungod kay ang mga masking frequency labi ka kusog nga anaa sa usa ka halapad nga frequency range. Ang paspas nga musika mahimo ra nga mag-mask sa mga simbolo sa OFDM tungod sa gitakda nga gitas-on sa bintana sa pagsusi.
Sunod, gisugdan sa mga tawo ang pagsulay sa sistema, nga kinahanglan mahibal-an kung unsang melody ang orihinal ug kung diin gibag-o sa kasayuran nga nasulod niini. Alang niini nga katuyoan, ang 12-segundos nga mga kinutlo sa mga kanta gikan sa lamesa No. 1 gi-post sa usa ka espesyal nga website.
Sa una nga eksperimento (E1), ang matag partisipante gihatagan bisan usa ka giusab o orihinal nga tipik aron paminawon ug kinahanglan nga magdesisyon kung ang tipik orihinal o giusab. Sa ikaduhang eksperimento (E2), ang mga partisipante makapaminaw sa duha ka bersiyon sa makadaghang higayon nga gusto nila, ug dayon modesisyon kon hain ang orihinal ug hain ang giusab.
Talaan No. 2: resulta sa mga eksperimento E1 ug E2.
Ang mga resulta sa unang eksperimento adunay duha ka mga timailhan: p(O|O) - ang porsyento sa mga partisipante nga husto nga nagtimaan sa orihinal nga melody ug p(O|M) - ang porsyento sa mga partisipante nga nagtimaan sa giusab nga bersyon sa melody ingon nga orihinal.
Makaiikag, ang ubang mga partisipante, sumala sa mga tigdukiduki, nag-isip sa pipila nga giusab nga mga melodies nga mas orihinal kaysa sa orihinal mismo. Ang kasagaran sa duha ka mga eksperimento nagsugyot nga ang kasagaran nga tigpaminaw dili makamatikod sa kalainan tali sa usa ka regular nga melodiya ug sa usa diin ang datos gisulod.
Natural, ang mga eksperto sa musika ug mga musikero makahimo sa pag-ila sa pipila ka mga kasaypanan ug kadudahang mga elemento sa giusab nga mga melodies, apan kini nga mga elemento dili kaayo mahinungdanon nga makapahinabog kahasol.
Ug karon kita mismo makaapil sa eksperimento. Sa ubos mao ang duha ka bersyon sa parehas nga melodiya - ang orihinal ug ang giusab. Nadungog ba nimo ang kalainan?
vs
Alang sa usa ka mas detalyado nga kaila sa mga nuances sa pagtuon, girekomenda ko ang pagtan-aw grupo sa panukiduki.
Mahimo usab nimo i-download ang ZIP archive sa mga audio file sa orihinal ug giusab nga mga tono nga gigamit sa pagtuon sa .
Epilogo
Niini nga trabaho, ang mga estudyante sa graduate gikan sa ETH Zurich naghulagway sa usa ka talagsaon nga sistema sa pagpadala sa datos sulod sa musika. Aron mahimo kini, gigamit nila ang frequency masking, nga nagpaposible sa pag-embed sa datos sa melody nga gipatugtog sa mamumulong. Kini nga melody nahibal-an sa mikropono sa aparato, nga nag-ila sa tinago nga datos ug nag-decode niini, samtang ang kasagaran nga tigpaminaw dili gani makamatikod sa kalainan. Sa umaabot, ang mga lalaki nagplano sa pagpalambo sa ilang sistema, pagpili sa mas abante nga mga pamaagi alang sa pagpaila sa data ngadto sa audio.
Kung adunay usa nga adunay usa ka butang nga dili kasagaran, ug labing hinungdanon, usa ka butang nga molihok, kanunay kami malipayon. Apan ang labaw nga kalipay mao nga kini nga imbensyon gimugna sa mga batan-on. Ang siyensya walay mga pagdili sa edad. Ug kung ang mga batan-on nakakaplag sa siyensya nga makalaay, nan kini gipresentar gikan sa sayup nga anggulo, ingnon ta. Tuod man, sa atong nahibaloan, ang siyensiya maoy usa ka kahibulongang kalibotan nga dili gayod mohunong sa katingala.
Biyernes sa gawas:
Tungod kay naghisgot kami bahin sa musika, o labi pa nga musika sa rock, ania ang usa ka matahum nga pagbiyahe sa mga hawan sa bato.
Reyna, "Radio Ga Ga" (1984).
Salamat sa pagbasa, pabiling kuryoso, ug maayong semana guys! π
Salamat sa pagpabilin kanamo. Ganahan ka ba sa among mga artikulo? Gusto nga makakita og mas makapaikag nga sulod? Suportahi kami pinaagi sa pag-order o pagrekomenda sa mga higala, 30% nga diskwento alang sa mga tiggamit sa Habr sa usa ka talagsaon nga analogue sa mga entry-level server, nga giimbento namo alang kanimo: (anaa sa RAID1 ug RAID10, hangtod sa 24 ka mga core ug hangtod sa 40GB DDR4).
Dell R730xd 2 ka beses nga mas barato? Dinhi lang sa Netherlands! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - gikan sa $99! Basaha ang mahitungod sa
Source: www.habr.com