नोट्स दरम्यान वाचन: संगीताच्या आत डेटा ट्रान्समिशन सिस्टम

शब्द व्यक्त करू शकत नाहीत ते व्यक्त करा; भावनांच्या चक्रीवादळात गुंफलेल्या विविध प्रकारच्या भावनांचा अनुभव घ्या; पृथ्वी, आकाश आणि अगदी विश्वापासून दूर जाण्यासाठी, जेथे नकाशे नाहीत, रस्ते नाहीत, चिन्हे नाहीत; एक संपूर्ण कथा शोधा, सांगा आणि अनुभवा जी नेहमीच अद्वितीय आणि अतुलनीय राहील. हे सर्व संगीताद्वारे केले जाऊ शकते - एक कला जी हजारो वर्षांपासून अस्तित्वात आहे आणि आपल्या कानांना आणि हृदयांना आनंदित करते.

तथापि, संगीत, किंवा त्याऐवजी संगीत कार्ये, केवळ सौंदर्याचा आनंदच नव्हे तर त्यामध्ये एन्कोड केलेली माहिती प्रसारित करण्यासाठी देखील कार्य करू शकतात, जे काही डिव्हाइससाठी हेतू आहेत आणि श्रोत्याला अदृश्य आहेत. आज आपण एका अतिशय असामान्य अभ्यासाशी परिचित होऊ, ज्यामध्ये ETH झुरिचचे पदवीधर विद्यार्थी, मानवी कानाकडे लक्ष न देता, संगीताच्या कामांमध्ये विशिष्ट डेटा सादर करण्यास सक्षम होते, ज्यामुळे संगीत स्वतःच डेटा ट्रान्समिशन चॅनेल बनते. त्यांनी त्यांचे तंत्रज्ञान नेमके कसे अंमलात आणले, एम्बेडेड डेटासह आणि त्याशिवाय गाणे खूप वेगळे आहेत आणि व्यावहारिक चाचण्या काय दर्शवतात? संशोधकांच्या अहवालातून आपल्याला याची माहिती मिळते. जा.

संशोधनाचा आधार

संशोधक त्यांच्या तंत्रज्ञानाला ध्वनिक डेटा ट्रान्समिशन तंत्रज्ञान म्हणतात. जेव्हा एखादा स्पीकर सुधारित मेलोडी वाजवतो तेव्हा एखाद्या व्यक्तीला ते सामान्य समजते, परंतु, उदाहरणार्थ, स्मार्टफोन ओळींमधील किंवा त्याऐवजी नोट्स दरम्यान एन्कोड केलेली माहिती वाचू शकतो. शास्त्रज्ञ (हे लोक अद्याप पदवीधर विद्यार्थी आहेत हे त्यांना वैज्ञानिक होण्यापासून रोखत नाही) या पॅरामीटर्सची पातळी राखताना, निवडलेल्या ऑडिओ फाइलकडे दुर्लक्ष करून, अंमलबजावणीतील सर्वात महत्वाचा पैलू म्हणून प्रसारणाची गती आणि विश्वासार्हता म्हणतात. हे डेटा ट्रान्सफर तंत्र. मानसशास्त्र, जे ध्वनींच्या मानवी आकलनाच्या मानसिक आणि शारीरिक पैलूंचा अभ्यास करते, या कार्याचा सामना करण्यास मदत करते.

ध्वनिक डेटा ट्रान्समिशनच्या मुख्य भागाला OFDM (ऑर्थोगोनल फ्रिक्वेंसी डिव्हिजन मल्टिप्लेक्सिंग) म्हटले जाऊ शकते, ज्याने कालांतराने स्त्रोत संगीतासाठी सबकॅरियर्सच्या रुपांतरासह, माहिती प्रसारणासाठी प्रसारित वारंवारता स्पेक्ट्रमचा जास्तीत जास्त वापर करणे शक्य केले. याबद्दल धन्यवाद, 412 मीटरपर्यंत (त्रुटी दर < 24%) अंतरावर 10 bps ची प्रसारण गती प्राप्त करणे शक्य झाले. 40 स्वयंसेवकांचा समावेश असलेल्या व्यावहारिक प्रयोगांनी या वस्तुस्थितीची पुष्टी केली की मूळ राग आणि ज्यामध्ये माहिती एम्बेड केली गेली होती त्यामधील फरक ऐकणे जवळजवळ अशक्य आहे.

हे तंत्रज्ञान व्यवहारात कुठे लागू करता येईल? संशोधकांचे स्वतःचे उत्तर आहे: जवळजवळ सर्व आधुनिक स्मार्टफोन, लॅपटॉप आणि इतर हँडहेल्ड उपकरणे मायक्रोफोनने सुसज्ज आहेत आणि अनेक सार्वजनिक ठिकाणी (कॅफे, रेस्टॉरंट, शॉपिंग सेंटर इ.) पार्श्वभूमी संगीतासह स्पीकर आहेत. या पार्श्वभूमीच्या मेलडीमध्ये, तुम्ही एम्बेड करू शकता, उदाहरणार्थ, अतिरिक्त क्रिया न करता वाय-फाय नेटवर्कशी कनेक्ट करण्यासाठी डेटा.

ध्वनिक डेटा ट्रान्समिशनची सामान्य वैशिष्ट्ये आमच्यासाठी स्पष्ट झाली आहेत; आता या प्रणालीच्या संरचनेचा तपशीलवार अभ्यास करूया.

सिस्टम वर्णन

मेलडीमध्ये डेटाचा परिचय वारंवारता मास्किंगमुळे होतो. टाइम स्लॉटमध्ये, मास्किंग फ्रिक्वेन्सी ओळखल्या जातात आणि या मास्किंग घटकांजवळील OFDM उपवाहक डेटाने भरलेले असतात.

प्रतिमा #1: स्पीकरद्वारे प्रसारित केलेल्या संमिश्र सिग्नलमध्ये (मेलडी + डेटा) मूळ फाइलचे रूपांतर.

सुरुवातीला, मूळ ऑडिओ सिग्नल विश्लेषणासाठी सलग विभागांमध्ये विभागले गेले आहे. L = 8820 नमुन्यांचा असा प्रत्येक विभाग (Hi) 200 ms च्या बरोबरीने गुणाकार केला जातो. खिडकी* सीमा प्रभाव कमी करण्यासाठी.

खिडकी* स्पेक्ट्रल अंदाजांमध्ये साइडलोब्समुळे होणारे प्रभाव नियंत्रित करण्यासाठी वापरले जाणारे वेटिंग फंक्शन आहे.

पुढे, मूळ सिग्नलची प्रबळ फ्रिक्वेन्सी 500 Hz ते 9.8 kHz या श्रेणीत आढळली, ज्यामुळे या विभागासाठी fM,l मास्किंग फ्रिक्वेन्सी मिळवणे शक्य झाले. याव्यतिरिक्त, प्राप्तकर्त्यावर सबकॅरियर्सचे स्थान स्थापित करण्यासाठी 9.8 ते 10 kHz पर्यंत लहान श्रेणीमध्ये डेटा प्रसारित केला गेला. उच्च फ्रिक्वेन्सीवर स्मार्टफोन मायक्रोफोनच्या कमी संवेदनशीलतेमुळे वापरलेल्या वारंवारता श्रेणीची वरची मर्यादा 10 kHz वर सेट केली गेली.

प्रत्येक विश्लेषण केलेल्या विभागासाठी मास्किंग फ्रिक्वेन्सी स्वतंत्रपणे निर्धारित केल्या गेल्या. HPS (हार्मोनिक प्रॉडक्ट स्पेक्ट्रम) पद्धतीचा वापर करून, तीन प्रबळ फ्रिक्वेन्सी ओळखल्या गेल्या आणि नंतर हार्मोनिक क्रोमॅटिक स्केलवर जवळच्या नोट्समध्ये गोलाकार केल्या गेल्या. अशाप्रकारे C1 (3 Hz) आणि B0 (16.35 Hz) की मध्ये पडलेल्या fF,i = 0…30.87 या मुख्य नोट्स मिळाल्या. डेटा ट्रान्समिशनमध्ये वापरण्यासाठी मूलभूत नोट्स खूप कमी आहेत या वस्तुस्थितीवर आधारित, त्यांचे उच्च अष्टक 500kfF,i 9.8 Hz ... 2 kHz श्रेणीमध्ये मोजले गेले. यातील अनेक फ्रिक्वेन्सी (fO, l1) HPS च्या स्वरूपामुळे अधिक स्पष्ट होत्या.

प्रतिमा #2: सर्वात मजबूत टोनच्या मूलभूत नोट्स आणि हार्मोनिक्स fH,l1 साठी गणना केलेले अष्टक fO,l2.

परिणामी ऑक्टेव्ह आणि हार्मोनिक्सचा संच मास्किंग फ्रिक्वेन्सी म्हणून वापरला गेला, ज्यामधून OFDM सबकॅरियर फ्रिक्वेन्सी fSC,k प्राप्त केल्या गेल्या. प्रत्येक मास्किंग फ्रिक्वेंसीच्या खाली आणि वर दोन सबकॅरियर्स घातले गेले.

पुढे, हाय ऑडिओ विभागाचा स्पेक्ट्रम सबकॅरियर फ्रिक्वेन्सी fSC,k वर फिल्टर केला गेला. त्यानंतर, Bi मधील माहितीच्या बिट्सवर आधारित OFDM चिन्ह तयार केले गेले, ज्यामुळे संमिश्र विभाग Ci स्पीकरद्वारे प्रसारित केला जाऊ शकतो. सबकॅरियर्सचे परिमाण आणि टप्पे निवडले जाणे आवश्यक आहे जेणेकरून प्राप्तकर्ता प्रसारित डेटा काढू शकेल आणि ऐकणार्‍याला मेलडीमधील बदल लक्षात येत नाहीत.

प्रतिमा क्रमांक 3: मूळ मेलडीच्या हाय सेगमेंटच्या स्पेक्ट्रम आणि सबकॅरियर फ्रिक्वेन्सीचा भाग.

जेव्हा त्यामध्ये एन्कोड केलेल्या माहितीसह ऑडिओ सिग्नल स्पीकरद्वारे प्ले केला जातो, तेव्हा प्राप्त केलेल्या डिव्हाइसचा मायक्रोफोन ते रेकॉर्ड करतो. एम्बेडेड OFDM चिन्हांची सुरुवातीची पोझिशन्स शोधण्यासाठी, रेकॉर्ड प्रथम बँडपास फिल्टर करणे आवश्यक आहे. अशा प्रकारे, उच्च वारंवारता श्रेणी काढली जाते, जेथे सबकॅरियर्स दरम्यान कोणतेही संगीत हस्तक्षेप सिग्नल नाहीत. तुम्ही चक्रीय उपसर्ग वापरून OFDM चिन्हांची सुरुवात शोधू शकता.

OFDM चिन्हांचा प्रारंभ शोधल्यानंतर, प्राप्तकर्ता उच्च वारंवारता डोमेन डीकोडिंगद्वारे सर्वात प्रभावी नोट्सची माहिती प्राप्त करतो. याव्यतिरिक्त, OFDM अरुंद बँड हस्तक्षेप स्त्रोतांना जोरदार प्रतिरोधक आहे, कारण ते फक्त काही उपवाहकांवर परिणाम करतात.

व्यावहारिक चाचण्या

В качестве источника измененных мелодий выступил динамик KRK Rokit 8, а роль принимающей стороны сыграл смартфон Nexus 5X.

प्रतिमा #4: वास्तविक OFDM आणि सहसंबंध शिखरांमधील फरक स्पीकर आणि मायक्रोफोन दरम्यान 5m वर मोजले गेले.

बहुतेक OFDM पॉइंट्स 0 ते 25 ms च्या रेंजमध्ये असतात, त्यामुळे तुम्ही 66.6 ms चक्रीय उपसर्गामध्ये वैध प्रारंभ शोधू शकता. संशोधकांनी लक्षात घेतले की प्राप्तकर्ता (या प्रयोगात, स्मार्टफोन) हे लक्षात घेतो की OFDM चिन्हे वेळोवेळी वाजवली जातात, ज्यामुळे त्यांची ओळख सुधारते.

तपासण्याची पहिली गोष्ट म्हणजे बिट एरर रेट (BER) वर अंतराचा प्रभाव. हे करण्यासाठी, वेगवेगळ्या प्रकारच्या खोल्यांमध्ये तीन चाचण्या घेण्यात आल्या: कार्पेटसह कॉरिडॉर, मजल्यावरील लिनोलियम असलेले कार्यालय आणि लाकडी मजल्यासह सभागृह.

व्हॅन हॅलेनचे “अँड द क्रॅडल विल रॉक” हे गाणे चाचणी विषय म्हणून निवडले गेले.

ध्वनी आवाज समायोजित केला गेला जेणेकरून स्पीकरपासून 2 मीटर अंतरावर स्मार्टफोनद्वारे मोजली जाणारी ध्वनी पातळी 63 डीबी असेल.

प्रतिमा क्रमांक 5: स्पीकर आणि मायक्रोफोनमधील अंतरावर अवलंबून BER निर्देशक (निळी रेषा - प्रेक्षक, हिरवा - कॉरिडॉर, नारंगी - कार्यालय).

हॉलवेमध्ये, स्पीकरपासून 40 मीटर अंतरावर स्मार्टफोनद्वारे 24 डीबीचा आवाज उचलला गेला. 15 मीटर अंतरावर असलेल्या वर्गात आवाज 55 डीबी होता, आणि कार्यालयात 8 मीटर अंतरावर स्मार्टफोनद्वारे जाणवलेल्या आवाजाची पातळी 57 डीबीपर्यंत पोहोचली.

प्रेक्षागृह आणि कार्यालय अधिक प्रतिध्वनी असल्यामुळे, उशीरा OFDM चिन्ह प्रतिध्वनी चक्रीय उपसर्ग लांबी ओलांडतात आणि BER वाढवतात.

प्रतिध्वनी* - ध्वनीची तीव्रता त्याच्या एकाधिक प्रतिबिंबांमुळे हळूहळू कमी होते.

संशोधकांनी त्यांच्या प्रणालीची अष्टपैलुत्व तीन शैलींमधील 6 वेगवेगळ्या गाण्यांवर लागू करून दाखवली (खालील सारणी).

तक्ता क्रमांक 1: चाचण्यांमध्ये वापरलेली गाणी.

तसेच, टेबल डेटाद्वारे, आपण प्रत्येक गाण्यासाठी बिट दर आणि बिट त्रुटी दर पाहू शकतो. डेटा दर भिन्न आहेत कारण जेव्हा समान उपवाहक वापरले जातात तेव्हा भिन्नता BPSK (फेज शिफ्ट कीिंग) अधिक चांगले कार्य करते. आणि हे शक्य आहे जेव्हा समीप विभागांमध्ये समान मास्किंग घटक असतात. सतत मोठ्या आवाजातील गाणी डेटा लपवण्यासाठी इष्टतम आधार प्रदान करतात कारण मास्किंग फ्रिक्वेन्सी विस्तृत वारंवारता श्रेणीवर अधिक जोरदारपणे उपस्थित असतात. विश्लेषण विंडोच्या निश्चित लांबीमुळे वेगवान संगीत केवळ अंशतः OFDM चिन्हांना मास्क करू शकते.

पुढे, लोकांनी सिस्टमची चाचणी करण्यास सुरुवात केली, ज्यांना कोणते मेलडी मूळ आहे आणि त्यात अंतर्भूत केलेल्या माहितीद्वारे कोणते सुधारित केले गेले हे ठरवायचे होते. या हेतूने, टेबल क्रमांक 12 मधील गाण्यांचे 1-सेकंदांचे उतारे एका विशेष वेबसाइटवर पोस्ट केले आहेत.

पहिल्या प्रयोगात (E1), प्रत्येक सहभागीला ऐकण्यासाठी एक सुधारित किंवा मूळ तुकडा देण्यात आला होता आणि तो भाग मूळ होता की सुधारित होता हे ठरवायचे होते. दुसर्‍या प्रयोगात (E2), सहभागी दोन्ही आवृत्त्या त्यांना पाहिजे तितक्या वेळा ऐकू शकतात आणि नंतर कोणते मूळ आहे आणि कोणते सुधारित केले आहे हे ठरवू शकतात.

तक्ता क्रमांक 2: प्रयोग E1 आणि E2 चे परिणाम.

पहिल्या प्रयोगाच्या परिणामांमध्ये दोन निर्देशक आहेत: p(O|O) - मूळ राग आणि p(O|M) योग्यरित्या चिन्हांकित केलेल्या सहभागींची टक्केवारी - ज्यांनी रागाची सुधारित आवृत्ती मूळ म्हणून चिन्हांकित केली आहे अशा सहभागींची टक्केवारी.

विशेष म्हणजे, काही सहभागींनी, संशोधकांच्या मते, काही बदललेल्या धुनांना मूळपेक्षा अधिक मूळ मानले. दोन्ही प्रयोगांची सरासरी असे सूचित करते की सरासरी श्रोत्याला नियमित राग आणि ज्यामध्ये डेटा एम्बेड केलेला होता त्यात फरक जाणवणार नाही.

साहजिकच, संगीत तज्ञ आणि संगीतकार बदललेल्या धुनांमध्ये काही अयोग्यता आणि संशयास्पद घटक शोधण्यात सक्षम असतील, परंतु हे घटक अस्वस्थता आणण्यासाठी इतके लक्षणीय नाहीत.

आणि आता आम्ही स्वतः प्रयोगात भाग घेऊ शकतो. खाली एकाच रागाच्या दोन आवृत्त्या आहेत - मूळ आणि सुधारित. तुम्ही फरक ऐकू शकता का?

मेलडीची मूळ आवृत्ती
vs
मेलडीची सुधारित आवृत्ती

अभ्यासाच्या बारकाव्यांबद्दल अधिक तपशीलवार परिचित होण्यासाठी, मी पहाण्याची शिफारस करतो अहवाल संशोधन गट.

तुम्ही येथे अभ्यासात वापरलेल्या मूळ आणि सुधारित ट्यूनच्या ऑडिओ फाइल्सचे झिप संग्रहण देखील डाउनलोड करू शकता हा दुवा.

एपिलोग

या कामात, ETH झुरिचमधील पदवीधर विद्यार्थ्यांनी संगीतातील एक अद्भुत डेटा ट्रान्समिशन सिस्टमचे वर्णन केले. हे करण्यासाठी, त्यांनी वारंवारता मास्किंग वापरली, ज्यामुळे स्पीकरद्वारे वाजवलेल्या मेलडीमध्ये डेटा एम्बेड करणे शक्य झाले. ही चाल डिव्हाइसच्या मायक्रोफोनद्वारे समजली जाते, जी लपविलेले डेटा ओळखते आणि ते डीकोड करते, तर सरासरी श्रोत्याला फरक देखील लक्षात येणार नाही. भविष्यात, मुले ऑडिओमध्ये डेटा सादर करण्यासाठी अधिक प्रगत पद्धती निवडून त्यांची प्रणाली विकसित करण्याची योजना आखत आहेत.

जेव्हा एखादी व्यक्ती काहीतरी असामान्य आणि सर्वात महत्त्वाचे म्हणजे कार्य करते, तेव्हा आपण नेहमी आनंदी असतो. पण त्याहूनही आनंदाची गोष्ट म्हणजे हा आविष्कार तरुणांनी घडवला आहे. विज्ञानाला वयाचे बंधन नसते. आणि जर तरुणांना विज्ञान कंटाळवाणे वाटत असेल तर ते चुकीच्या कोनातून मांडले जात आहे. शेवटी, जसे आपल्याला माहित आहे, विज्ञान हे एक आश्चर्यकारक जग आहे जे कधीही आश्चर्यचकित होत नाही.

शुक्रवारी ऑफ-टॉप:

आम्ही संगीत किंवा त्याऐवजी रॉक संगीताबद्दल बोलत असल्याने, येथे रॉकच्या विस्तारातून एक अद्भुत प्रवास आहे.

राणी, "रेडिओ गा गा" (1984).

वाचल्याबद्दल धन्यवाद, उत्सुक रहा आणि मित्रांनो एक चांगला शनिवार व रविवार जावो! 🙂

आमच्यासोबत राहिल्याबद्दल धन्यवाद. तुम्हाला आमचे लेख आवडतात का? अधिक मनोरंजक सामग्री पाहू इच्छिता? ऑर्डर देऊन किंवा मित्रांना शिफारस करून आम्हाला समर्थन द्या, एंट्री-लेव्हल सर्व्हरच्या अनन्य अॅनालॉगवर Habr वापरकर्त्यांसाठी 30% सवलत, ज्याचा शोध आम्ही तुमच्यासाठी लावला आहे: VPS (KVM) E5-2650 v4 (6 Cores) 10GB DDR4 240GB SSD 1Gbps बद्दल संपूर्ण सत्य $20 पासून किंवा सर्व्हर कसा शेअर करायचा? (RAID1 आणि RAID10 सह उपलब्ध, 24 कोर पर्यंत आणि 40GB DDR4 पर्यंत).

Dell R730xd 2 पट स्वस्त? फक्त इथेच 2 x इंटेल टेट्राडेका-कोर Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 टीव्ही $199 पासून नेदरलँड मध्ये! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99 पासून! बद्दल वाचा इन्फ्रास्ट्रक्चर कॉर्पोरेशन कसे तयार करावे. डेल R730xd E5-2650 v4 सर्व्हरचा वापर करून 9000 युरो किमतीचा वर्ग?

स्त्रोत: www.habr.com