Содержание к диссертации
Введение
ГЛАВА 1 Постановка задачи и обзор существующих алгоритмов "слепого" восстановления сигналов
1.1 Постановка задачи 11
1.2 Обзор наиболее часто используемых алгоритмов слепого выравнивания 13
1.2.1 Слепое выравнивание, основанное на критерии максимального правдоподобия 13
1.2.2 Метод с использованием статистик высокого порядка 19
1.2.3 Стохастические градиентные алгоритмы 21
ГЛАВА 2 Система эхоподавления на базе управляемого КИХ-фильтра
2.1 Компенсация эхосигналов с помощью инверсного адаптивного КИХ-фильтра 24
2.2 Алгоритмы адаптации, условие сходимости алгоритма поиска весовых коэффициентов инверсного КИХ-фильтра 27
2.3 Влияние аддитивной широкополосной помехи на степень слепого эхоподавления в системе с адаптивным инверсным КИХ-фильтром 30
2.4 Влияние нестационарности акустической обстановки на эхоподавление 33
ГЛАВА 3 Система эхоподавления на базе управляемого БИХ-фильтра
3.1 Компенсация эхосигналов с помощью инверсного адаптивного БИХ-фильтра 38
3.2 Сходимость алгоритма поиска коэффициентов инверсного БИХ-фильтра 47
ГЛАВА 4 Численное моделирование работы систем адаптивного "слепого" эхоподавления
4.1 Эхокомпенсация на гауссовом шуме 49
4.2 Эхокомпенсация на речевом сигнале 54
4.3 Использование нормализованных методов наименьших квадратов для восстановления сигналов малой длительности 58
4.4 Восстановление речевого сигнала при моделировании реального стационарного акустического окружения 66
4.5 Влияние аддитивного шума на степень эхоподавления 68
4.6 Выигрыш, создаваемый применением БИХ-фильтра при восстановлении исходного сигнала 72
4.7 Расчет ресурсов, необходимых для ослабления эхосигналов с помощью инверсного КИХ-фильтра 74
4.8 Заключение 80
Список литературы 81
Приложение 1 86
Приложение 2 90
- Слепое выравнивание, основанное на критерии максимального правдоподобия
- Компенсация эхосигналов с помощью инверсного адаптивного КИХ-фильтра
- Компенсация эхосигналов с помощью инверсного адаптивного БИХ-фильтра
- Эхокомпенсация на гауссовом шуме
Введение к работе
Во многих задачах обработки информации возникает необходимость ослабления эхосигналов, неизбежно возникающих в интерференционном канале передачи информации. Примером такой обработки может служить восстановление исходных двоичных последовательностей на приемной стороне в мобильных системах радиосвязи, где исходные двоичные последовательности искажены вследствие многолучевого распространения электромагнитных волн. Эта задача может быть решена, например, с помощью передачи тестирующего сигнала: по его искажению на приемной стороне можно определить свойства интерференционного канала передачи, а именно временные задержки отраженных сигналов и их уровни. С учетом этой информации можно избавиться от эхосигналов, внесенных интерференционным каналом передачи данных.
Помимо этого способа существует ряд способов так называемого "слепого" восстановления, когда передача тестирующего сигнала невозможна и доступным для наблюдения является только сигнал на приемной стороне. Эхоподавление в таких системах осуществляется посредством самого принимаемого сигнала с использованием некоторых априорных сведений об исходном сигнале, носящих статистический характер. Подобная задача успешно решается в цифровых системах связи, где восстанавливаемый сигнал является последовательностью с априори известной длительностью и числом уровней. Именно это априорное знание и породило большое число эффективных алгоритмов восстановления исходного сигнала.
Подобная же задача эхоподавления существует и в акустике, заключающаяся в улучшении разборчивости речи в записи, сделанной в гулком помещении. В качестве примеров можно привести репортажи, передаваемые с помощью электронных средств массовой информации, где запись речевого сигнала, сопровождаемого отзвуками помещения, становилась
совершенно неразборчивой на слух, оперативная звукозапись, проводимая правоохранительными органами. Решение этой задачи с помощью цифровой обработки позволило бы облегчить работу криминалистов, судебных экспертов, звукорежиссеров и прочих специалистов, связанных со звукозаписью. Сложность задачи заключается в том, что для речевого сигнала неприменимы те же методы, что и для цифровых сигналов. Следует отметить, что задача "слепого" выравнивания является частным одномерным случаем задачи разделения "вслепую" сигналов, создаваемых различными источниками. В рассмотренной литературе [19,22,24,26,27,51,53,54] "слепое" разделение акустических сигналов проводилось либо в помещении с небольшим временем реверберации (порядка десятков миллисекунд), либо вообще с использованием в качестве моделей каналов передачи цифровых фильтров с длительностью импульсной характеристики не более ста дискретных отсчетов. В этих работах не рассматривалось разделение акустических сигналов, записанных в гулких помещениях. В связи с этим исследование алгоритмов эхоподавления именно в гулких помещениях с большим (порядка единиц-десятков секунд) временем реверберации является актуальной на сегодняшний день задачей.
Цель работы
Целью работы является исследование и разработка эффективных алгоритмов управления эхоподавителем в системе цифровой обработки речевых сигналов для устранения отзвуков или эхосигналов, вносимых гулкими акустическими пространствами.
Основные задачи работы:
1. Исследование особенностей систем адаптивного эхоподавления, применяемых для качественного восстановления речевых сигналов.
Использование наиболее простых, с точки зрения программной реализации, алгоритмов восстановления информации. Экспериментальная проверка на пригодность LMS (Least Mean Square) и NLMS (Normalized Least Mean Square) алгоритмов для решения задачи адаптивного "слепого" эхоподавления.
Оценка влияния широкополосной помехи на качество восстановления.
Исследование влияния нестационарности во времени акустической обстановки (перемещение источника исходного сигнала, изменение геометрии помещения и т.п.) на эхоподавление.
Расчет ресурсных затрат на реализацию алгоритмов.
Общая методика исследования
При разработке теоретических результатов диссертации использовались: аппарат линейной алгебры, методы статистической радиотехники, теория адаптивной фильтрации. Экспериментальные исследования базировались на программных реализациях рассматриваемых алгоритмов и экспериментальных данных об акустике замкнутых акустических пространств.
Научная новизна
Предложен нормализованный к энергии выходного сигнала алгоритм адаптивного управления коэффициентами инверсного фильтра, позволяющий ослабить отзвуки (эхосигналы) окружающего акустического пространства.
Установлены зависимости качества эхоподавления от порядка фильтра и времени реверберации.
Получено выражение, позволяющее оценить потенциальное эхоподавление при заданных корреляционных свойствах сигнала и широкополосной помехи.
Выполнен анализ влияния нестационарности акустической обстановки на работу системы эхоподавления для предельного случая нестационарности акустической обстановки (т.е. любой из отсчетов импульсной характеристики акустического пространства рассматривался как стационарный эргодический 8-коррелированный случайный процесс).
Проведен сравнительный анализ эффективности адаптивных БИХ-фильтров и КИХ-фильтров для решения задачи эхоподавления.
Практическая ценность
В работе получены выражения, позволяющие определить оптимальное число коэффициентов адаптивного трансверсального фильтра для наиболее эффективного эхоподавления. Предложен эффективный (с точки зрения программной реализации и качества эхоподавления) алгоритм, реализующий адаптацию весовых коэффициентов фильтра. Получено выражение для оценки потенциальной степени эхоподавления в случае воздействия широкополосной помехи. Разработана компьютерная программа для выполнения адаптивного эхоподавления в записях речевых сигналов. Полученные результаты могут найти применение при акустических экспертизах, обработке звукозаписей на телевидении и радио, а также при дальнейших исследованиях в области разделения сигналов, записанных в гулких помещениях.
Апробация работы
Основные результаты работы были представлены на:
научно-технической конференции факультета информационных систем и технологий ФИСТ-2000 (г. Н. Новгород, 2000);
региональном молодежном научно-техническом форуме «Будущее технической науки нижегородского региона» (г. Н. Новгород, 2002);
всероссийской научно-технической конференции ИСТ-2002, ИСТ-2003 (г. Н. Новгород, 2002, 2003).
Публикации
Основное содержание диссертации отражено в восьми печатных работах.
Положения, выносимые на защиту
Алгоритм адаптивного управления весовыми коэффициентами линейного предсказателя, служащего для эхоподавления в гулких помещениях с временем реверберации порядка единиц секунд.
Экспериментально определенные соотношения для расчета оптимального (с точки зрения эхоподавления) порядка адаптивного КИХ-фильтра.
Соотношение, позволяющее оценить достижимое качество эхоподавления при воздействии широкополосной помехи.
Результаты теоретического анализа нестационарности акустической обстановки.
Неэффективность применения БИХ-фильтров для решения задачи адаптивного эхоподавления в гулких помещениях по сравнению с КИХ-фильтрами.
Результаты экспериментального сравнения, известных на сегодняшний день, алгоритмов адаптивного управления весовыми коэффициентами фильтров LMS и NLMS с предложенным в работе алгоритмом.
Структура и объем работы
Диссертация состоит из введения, четырех глав, заключения, двух приложений и списка литературы.
Основное содержание работы
Во введении обоснована актуальность диссертационной работы, сформулированы её цель и решаемые в работе задачи, определена новизна полученных результатов, их практическая значимость, сформулированы
основные положения, выносимые на защиту, кратко изложено содержание диссертации.
Первая глава диссертации посвящена обзору методов "слепого" выравнивания, наиболее часто используемых для восстановления исходных сигналов. Рассматриваются достоинства и недостатки метода максимального правдоподобия, метода с использованием кумулянта четвертого порядка, стохостических градиентных методов, а также потенциальная возможность их применения к восстановлению информации в речевых сигналах.
Во второй главе доказывается возможность применения алгоритма адаптивного линейного предсказателя на основе трансверсального фильтра для восстановления сигналов с конечным интервалом корреляции. Получено соотношение для оценки потенциальной степени эхоподавления при наличии широкополосной помехи. Дается анализ влияния нестационарности акустической обстановки на восстановление сигнала.
В третьей главе рассматривается адаптивный фильтр - эхоподавитель на
основе БИХ-структуры, доказывается возможность его применения для
решения задачи восстановления исходного сигнала. Показаны
принципиальные для адаптации коэффициентов трудности, возникающие при переходе от БИХ-фильтра, выполненного по канонической структуре к решетчатой структуре фильтра.
Четвертая глава посвящена численному моделированию работы алгоритмов восстановления исходного сигнала и получению количественных оценок параметров системы его восстановления. В этой главе получены количественные соотношения, определяющие оптимальный порядок инверсного КИХ-фильтра на основе априорных знаниях о времени реверберации акустического пространства. Показана проблема "малой статистики" и её решение с помощью предлагаемого алгоритма адаптации весовых коэффициентов. С помощью численного моделирования доказывается справедливость соотношения, выведенного во второй главе, служащего для
вычисления потенциальной степени эхоподавления при наличии широкополосной помехи. С помощью численного моделирования продемонстрирована нецелесообразность применения адаптивных БИХ-фильтров для решения задач эхоподавления.
В приложении 1 приводятся акты о внедрении результатов диссертационной работы.
В приложении 2 даны распечатки компьютерных программ, использованных для моделирования и получения экспериментальных результатов.
Слепое выравнивание, основанное на критерии максимального правдоподобия
В физике подобная задача известна под названием некорректной обратной задачи. Общие методы решения таких задач изложены в работах Тихонова А.Н., Арсенина В.Я. [4], Василенко Г.И. [2]. К настоящему моменту существует большое число публикаций, посвященных восстановлению сигналов с помощью численных методов.
Максимально близкая к Л(/со) КЧХ может быть реализована с помощью фильтра, коэффициенты которого являются адаптивными. Коэффициенты подбираются согласно некоторому критерию. Рассмотрим ряд критериев качества адаптации коэффициентов, наиболее часто используемых на сегодняшний день, а также возможности их применения к решению задачи эхоподавления или восстановления исходного сигнала.
Для того, чтобы показать работу алгоритма, в качестве модели сигнала, принимаемого микрофоном, примем следующую
Здесь модель, описанная формулой (1.1), дополнена шумом Г(л), который состоит из теплового шума, создаваемого, например, микрофоном, шума, создаваемого другими мешающими источниками акустических сигналов, находящимися в этом же помещении или вне его. Если рассматривать по отдельности сигналы, воспринимаемые микрофоном от каждого мешающего источника, то вследствие прохождения каждого сигнала через акустическое пространство должен увеличится интервал корреляции принимаемого сигнала. Однако, если рассматривать совокупность сигналов, воспринимаемых микрофоном, то интервал корреляции совокупной шумовой составляющей будет уменьшаться с ростом числа источников, так как для каждого мешающего источника амплитуды отраженных сигналов и их временные задержки носят случайный характер [12]. Плотность распределения вероятностей шума х\{п) с увеличением количества мешающих источников, будет стремиться к гауссовой в соответствии с центральной предельной теоремой. Для упрощения анализа алгоритмов "слепого" восстановления сигналов данного класса полагаем, что количество мешающих источников достаточно велико для того, чтобы считать шумовую составляющую 5-коррелированным гауссовым случайным процессом. В этом случае отсчеты шумовой составляющей статистически независимы.
В отсутствии исходного дискретного сигнала и(п) совместная плотность распределения вероятностей доступного для наблюдения фрагмента сигнала х{п),п є [0...;У], с учетом статистической независимости отсчетов шумовой составляющей, будет иметь вид Если же число мешающих источников невелико, то анализ метода максимального правдоподобия усложняется тем, что отсчеты шумовой составляющей не являются статистически независимыми, поэтому потребуется учитывать их взаимную корреляцию, а плотность распределения вероятностей шума г(«) может быть отличной от гауссовой, но по-прежнему унимодальной функцией [15]. Это свойство унимодальности используется в методе максимального правдоподобия для оценки импульсной характеристики акустического пространства с целью создания инверсного фильтра. Полагаем, что в принимаемой последовательности х{п) есть исходный сигнал и многочисленные эхосигналы, тогда совместная условная плотность распределения вероятностей вектора х при известном векторе импульсной характеристики акустического пространства а = [а0,а, ...а,] и известном векторе исходного сигнала и = [и(О),u(l),...u(N)]Г(где Т - знак транспонирования), будет равна Совместные максимально правдоподобные оценки а и и- это такие значения этих векторов, которые максимизируют совместную условную плотность распределения вероятностей или минимизируют показатель экспоненты в (1.6), т.е. Если коэффициенты импульсной характеристики известны (а их значения можно оценить, если источник сигнала будет передавать до начала передачи информации тестирующий, заранее известный сигнал), то последующее восстановление сигнала и, содержащего полезную информацию, не представляет особого труда.
Компенсация эхосигналов с помощью инверсного адаптивного КИХ-фильтра
Как наиболее актуальную задачу, исследуем эхокомпенсацию не на гауссовом шуме, а на речевом сигнале. В качестве исходного сигнала возьмем речевой сигнал длительностью десять секунд, продискретизированный с частотой 8 кГц, т.е. для адаптации коэффициентов использовался речевой сигнал, содержащий всего восемьдесят тысяч отсчетов.
Этот сигнал пропустим через эхоформирующий фильтр с импульсной характеристикой вида g(n) =8(«)+0.5 -5(/1- 2000). С учетом частоты дискретизации "отраженный" сигнал приходит с задержкой в двести пятьдесят мс. Ощущение гулкости в помещении создают отраженные сигналы, приходящие после основного, с задержкой более пятидесяти мс. Именно эти сигналы, называемые также поздними отражениями, необходимо ослабить. Ранние отражения - отраженные сигналы, приходящие в течение первых пятидесяти мс после основного, могут даже увеличить разборчивость речи [1]. Интервал корреляции речевого сигнала лежит в пределах хк = 20...30 мс [15], поэтому декоррелирующую задержку целесообразно брать в этих пределах, т.е. с учетом частоты дискретизации декоррелирующую задержку возьмем равной 240 отсчетов. Для адаптации коэффициентов итеративным способом до получения конечного результата на вход инверсного фильтра полученный информационный сигнал подавался многократно. Таким образом, общее число обработанных отсчетов составило 40-10б. Порядок адаптивного фильтра был взят фильтра, для того, чтобы алгоритм поиска коэффициентов был согласно выражению (4.4), равным 8000, коэффициент сходимости p. = 10"5. Обработка сигнала потребовала анализа такого большого количества отсчетов потому, что с увеличением порядка адаптивного устойчиво сходящимся, необходимо уменьшать коэффициент сходимости д.. В принципе, вектор весовых коэффициентов адаптивного фильтра может быть найден путем решения уравнения Винера-Хопфа (2.19) за одну итерацию, однако вычисление инверсной матрицы от матрицы автокорреляции доступного для наблюдения сигнала — это очень громоздкая задача. Поэтому с целью упрощения вычислений коэффициентов адаптивного фильтра использовался метод наименьших квадратов с фильтрацией оценки градиента (2.15), где за простоту программной реализации приходится платить временем, затрачиваемым на поиск вектора весовых коэффициентов.
В результате адаптации степень подавления эхосигнала, оцениваемая по формуле (4.2), составила 6 дБ. На рис. 4.3 показана результирующая импульсная характеристика каскадно соединенных эхоформирующего и эхоподавляющего фильтров.
Из рисунка видно, что эхосигнал, сформированный искусственным способом, был ослаблен, однако результирующая импульсная характеристика содержит большое число коэффициентов не равных нулю в тех местах, где они должны в идеальном случае обращаться в нуль. Этот факт приводит к тому, что исходный сигнал, будучи пропущенным через фильтр, характеризуемый результирующей импульсной характеристикой, дополняется отзвуками, которые создает восстанавливающий фильтр. Эти отзвуки воспринимались слушателями, как если бы исходный сигнал был записан в еще более гулком помещении. Именно неоптимальностью настройки коэффициентов адаптивного фильтра объясняется подавление эхосигнала, оцениваемое по формуле (4.2), всего на 6 дБ.
Предположим, что причиной этого явления служит малая длительность анализируемого фрагмента (для анализа использовался интервал всего лишь в десять секунд), что является недостаточным для нахождения оптимального вектора весовых коэффициентов. Докажем это с помощью следующего эксперимента.
Подадим на вход эхоформирующего фильтра, характеризуемого импульсной характеристикой (4.1), фрагмент гауссова случайного процесса длительностью F отсчетов. С помощью адаптивного инверсного фильтра попытаемся устранить эхосигнал. По окончании адаптации весовых коэффициентов оценим степень подавления согласно выражению (4.2). Далее размер фрагмента F увеличивался и моделирование повторялось уже для нового фрагмента. В результате эксперимента был получен график зависимости степени эхоподавления от длительности анализируемого фрагмента, рис. 4.4.
Как видно из графика, с увеличением длительности фрагмента анализируемого сигнала степень эхоподавления возрастает, что доказывает верность предположения. Недостаточная длительность анализируемого фрагмента для нахождения оптимальных весовых коэффициентов приводит нас к проблеме "малой статистики", так как выражения для расчета коэффициентов инверсного фильтра предполагают реализацию доступного для наблюдения сигнала бесконечной длительности. В реальной ситуации адаптацию коэффициентов фильтра приходится осуществлять на сигнале конечной длины, что вносит ощутимые на слух искажения в восстановленном сигнале.
Компенсация эхосигналов с помощью инверсного адаптивного БИХ-фильтра
В результате получим сигнал, показанный на рисунке 4.66 . На рисунке 4.6в показана реализация речевого сигнала, восстановленная с помощью канонического метода наименьших квадратов. На рисунке 4.6г показан сигнал, восстановленный с использованием нормализованного метода наименьших квадратов, на рисунке 4.6д показано применение алгоритма годартовского типа для восстановления исходного сигнала. Для моделирования процесса восстановления использовался трансверсальный фильтр порядка / = 8000. Адаптация коэффициентов фильтра прекращалась, как только переставала расти величина степени эхоподавления, оцениваемая по формуле (4.2), а уменьшение коэффициента сходимости ц. не приводило к увеличению степени эхоподавления. Из рисунков видно, что "размывание" восстановленного сигнала во время пауз речевого сигнала при использовании нормированных методов наименьших квадратов меньше по сравнению со случаем применения канонического метода наименьших квадратов.
Степень подавления, оцениваемая по формуле (4.2), для случая в) составила/, = -4.84 дБ, для случая г) L = -7.23 дБ, для случая d)L = —6,93дБ, что свидетельствует в пользу применения нормализованных алгоритмов наименьших квадратов для восстановления исходного сигнала с паузами "вслепую".
Субъективное прослушивание фрагментов восстановленных сигналов показало, что в фрагменте в) речевой сигнал сопровождается отзвуками, создаваемыми неточной настройкой коэффициентов инверсного фильтра. При прослушивании фрагмента г) речевой сигнал сопровождался слабыми остаточными отзвуками. Фрагмент д) характеризовался очень слабыми отзвуками, несмотря на меньшую степень подавления. Это явление связано с производимым слуховым аппаратом человека маскированием слабого сигнала более сильным сигналом [1]. Если представить восстановленный сигнал на выходе инверсного фильтра в виде суммы исходного сигнала и сигнала системной ошибки восстановления, то во время действия исходного сигнала системная ошибка, создаваемая фильтром, маскируется более сильным исходным сигналом. В случае же пауз исходного сигнала, когда слабые сигналы ничем не маскируются, слабый сигнал системной ошибки, значительно ослаблен в результате действия алгоритма годартовского типа. Предварительно слушателям демонстрировался исходный сигнал и сигнал с эхом.
Таким образом, в задачах адаптивного "слепого" выравнивания нормализованные алгоритмы приводят не только к увеличению скорости сходимости алгоритма (именно с этой целью используют нормализацию в задачах с доступным исходным сигналом), но и к повышению точности восстановления исходного сигнала в задачах с ненаблюдаемой исходной последовательностью, что не было отмечено в рассмотренных источниках информации.
Эхокомпенсация на гауссовом шуме
Из приведенных количественных оценок затрачиваемых ресурсов и времени выполнения поставленной задачи видно, что стохастический градиентный алгоритм годартовского типа требует большего числа опреаций с плавающей точкой на обработку одного отсчета входного сигнала по сравнению с LMS алгоритмом. Однако общее число FLOPS, и время, затрачиваемое на получение заданного эхоподавления,- меньше по сравнению с затратами LMS алгоритма. Следовательно, применение алгоритма с нормализацией к огибающей модуля выходного сигнала (АГТ), в конечном итоге, выгодней с точки зрения затрачиваемых ресурсов. Выводы 1. С помощью численного моделирования подтверждена возможность подавления эхосигналов с помощью алгоритма адаптивного линейного предсказания. 2. Получены зависимости степени эхоподавления от порядка трансверсального фильтра и коэффициента сходимости алгоритма. Обнаружены оптимальные соотношения, связывающие порядок адаптивного фильтра и время реверберации акустического пространства. 3. С помощью численного моделирования показана "проблема малой статистики". 4. Предложен алгоритм управления системой эхоподавления с нормализацией к энергии выходного сигнала применительно к речевым сигналам. Подтверждена его эффективность по сравнению с LMS и NLMS алгоритмами, в том числе при субъективном прослушивании восстановленных сигналов. 5. С помощью численного моделирования подтверждена возможность восстановления исходных речевых сигналов в случае реальной стационарной акустической обстановки. Получены количественные соотношения качества восстановления. 6. Подтвержена с помощью численного моделирования справедливость соотношения (2.24), определяющего достижимое качество эхоподавления для заданных корреляционных свойств доступного для наблюдения сигнала и помехи. 7. Выполнен анализ влияния нестационарности во времени акустической обстановки на работу эхоподавителя. 8. Показано с помощью численного моделирования, что выигрыш от применения управляемой БИХ-структуры в качестве эхоподавителя становится несущественным с ростом порядка адаптивного фильтра. 9. Выполнена оценка затрачиваемых ресурсов для реализации заданной степени эхоподавления -ЗдБ. Заключение В данной работе проведено исследование методов ослабления отзвуков акустических пространств с помощью алгоритмов адаптивных линейных предсказателей, построенных на основе КИХ и БИХ структур. Основными результатами работы являются: 1. Показана возможность использования алгоритмов адаптивных линейных предсказателей, построенных на основе КИХ и БИХ фильтров, для ослабления отзвуков помещений. 2. Получены соотношения, определяющие оптимальный порядок эхоподавителя, построенного на основе КИХ-фильтра для наилучшего восстановления исходного сигнала. 3. Предложен новый нормализованный алгоритм адаптации коэффициентов фильтра годартовского типа, позволяющий улучшить степень "слепого " эхоподавления при входных речевых сигналах малой длительности, по сравнению с наиболее часто используемыми на практике LMS и NLMS алгоритмами при восстановлении речевого сигнала. 4. Получено выражение для оценки максимально возможного качества эхоподавления при воздействии широкополосной аддитивной помехи. 5. Выполнен анализ влияния нестационарности акустической обстановки на степень эхоподавления.
