一种基于时域信号的扬声器失真分析方法及装置

技术领域

本申请属于信号处理技术领域，特别的涉及一种基于时域信号的扬声器失真分析方法及装置。

背景技术

“失真”是衡量扬声器指标的一个重要参数，失真一般分为线性失真和非线性失真，线性失真指的是在振幅或相位上有变化但不会增加新频率的失真，而当有新的频率分量被激发时的失真是非线性失真。需要注意的是，并非所有失真都是令人难以接受且需要修复的，比如真空电子管功放产生的偶次谐波失真会产生令人愉悦的声音。

因此，如何正确地在扬声器制造中进行失真分析变得尤为重要，传统的失真测量方法通过将时域信号转成频域信号的方法来分离基波、谐波以及互调分量，这种做法只考虑了分析区间中信号的平均功率而忽略了相位信息，无法保障失真的测量准确性以及有效性。

发明内容

本申请为解决上述提到的传统的失真测量方法通过将时域信号转成频域信号的方法来分离基波、谐波以及互调分量，这种做法只考虑了分析区间中信号的平均功率而忽略了相位信息，无法保障失真的测量准确性以及有效性等技术问题，提出一种基于时域信号的扬声器失真分析方法及装置，其技术方案如下：

第一方面，本申请实施例提供了一种基于时域信号的扬声器失真分析方法，包括：

基于待测扬声器获取与激励信号对应的被测输出信号，并将激励信号输入至等效电路模型，得到期望输出信号；其中，等效电路模型基于理想扬声器内部元器件的工作参数建模得到；

对被测输出信号以及期望输出信号进行差值计算，得到残差失真信号，并根据残差失真信号以及被测输出信号，计算出瞬时失真信号；

将与瞬时失真信号对应的曲线图像输入至训练好的第一卷积神经网络，得到曲线图像中每个幅值点的偏移量特征以及置信度特征；其中，第一卷积神经网络由已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像以及第二卷积神经网络训练得到；

在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理；

在经过剔除处理后的所有幅值点中，根据每个幅值点的偏移量特征计算出任意两个相邻的幅值点之间的斜率，并基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理；

计算出经过剔除处理后的所有幅值点的连线与被测输出信号的曲线之间的相似性，并当检测到相似性高于预设相似性阈值时，确定待测扬声器没有过度相位失真。

在第一方面的一种可选方案中，基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理之后，还包括：

当检测到任意相邻的两个斜率之间的差值未超过预设第一差值阈值时，对两个斜率对应的幅值点连线进行平滑处理。

在第一方面的又一种可选方案中，在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理之后，还包括：

分别确定出每个幅值点对应的频率，并在被测输出信号的曲线中筛选出与每个频率对应的能量值；

分别计算出在同一频率下幅值点的幅值与能量值之间的差值，并当检测到差值未超过预设第二差值阈值时，确定待测扬声器没有过度幅度失真。

在第一方面的又一种可选方案中，方法还包括：

确定出残差失真信号在第k时刻至第k+1时刻内的峰值；其中，k为正整数；

计算出被测输出信号在第k时刻至第k+1时刻内的有效值，并根据峰值以及有效值，得到失真峰值；

当检测到失真峰值处于预设峰值区间时，确定待测扬声器没有过度幅度失真。

在第一方面的又一种可选方案中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像训练得到。

第二方面，本申请实施例提供了一种基于时域信号的扬声器失真分析装置，包括：

数据采集模块，用于基于待测扬声器获取与激励信号对应的被测输出信号，并将激励信号输入至等效电路模型，得到期望输出信号；其中，等效电路模型基于理想扬声器内部元器件的工作参数建模得到；

数据计算模块，用于对被测输出信号以及期望输出信号进行差值计算，得到残差失真信号，并根据残差失真信号以及被测输出信号，计算出瞬时失真信号；

模型输出模块，用于将与瞬时失真信号对应的曲线图像输入至训练好的第一卷积神经网络，得到曲线图像中每个幅值点的偏移量特征以及置信度特征；其中，第一卷积神经网络由已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像以及第二卷积神经网络训练得到；

第一处理模块，用于在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理；

第二处理模块，用于在经过剔除处理后的所有幅值点中，根据每个幅值点的偏移量特征计算出任意两个相邻的幅值点之间的斜率，并基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理；

数据分析模块，用于计算出经过剔除处理后的所有幅值点的连线与被测输出信号的曲线之间的相似性，并当检测到相似性高于预设相似性阈值时，确定待测扬声器没有过度相位失真。

在第二方面的一种可选方案中，装置还包括：

在基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理之后，

当检测到任意相邻的两个斜率之间的差值未超过预设第一差值阈值时，对两个斜率对应的幅值点连线进行平滑处理。

在第二方面的又一种可选方案中，装置还包括：

在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理之后，

分别确定出每个幅值点对应的频率，并在被测输出信号的曲线中筛选出与每个频率对应的能量值；

分别计算出在同一频率下幅值点的幅值与能量值之间的差值，并当检测到差值未超过预设第二差值阈值时，确定待测扬声器没有过度幅度失真。

在第二方面的又一种可选方案中，装置还包括：

确定出残差失真信号在第k时刻至第k+1时刻内的峰值；其中，k为正整数；

计算出被测输出信号在第k时刻至第k+1时刻内的有效值，并根据峰值以及有效值，得到失真峰值；

当检测到失真峰值处于预设峰值区间时，确定待测扬声器没有过度幅度失真。

在第二方面的又一种可选方案中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像训练得到。

第三方面，本申请实施例还提供了一种基于时域信号的扬声器失真分析装置，包括：

包括处理器以及存储器；

处理器与存储器连接；

存储器，用于存储可执行程序代码；

处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现本申请实施例第一方面或第一方面的任意一种实现方式提供的基于时域信号的扬声器失真分析方法。

第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，可实现本申请实施例第一方面或第一方面的任意一种实现方式提供的基于时域信号的扬声器失真分析方法。

在本申请实施例中，在对扬声器进行失真分析时，基于待测扬声器获取与激励信号对应的被测输出信号，并将激励信号输入至等效电路模型，得到期望输出信号；对被测输出信号以及期望输出信号进行差值计算，得到残差失真信号，并根据残差失真信号以及被测输出信号，计算出瞬时失真信号；将与瞬时失真信号对应的曲线图像输入至训练好的第一卷积神经网络，得到曲线图像中每个幅值点的偏移量特征以及置信度特征；在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理；在经过剔除处理后的所有幅值点中，根据每个幅值点的偏移量特征计算出任意两个相邻的幅值点之间的斜率，并基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理；计算出经过剔除处理后的所有幅值点的连线与被测输出信号的曲线之间的相似性，并当检测到相似性高于预设相似性阈值时，确定待测扬声器没有过度相位失真。通过结合扬声器实际输出的信号以及理论输出信号得到瞬时失真信号，并利用卷积神经网络的预测精度对该瞬时失真信号进行多角度分析，以有效区分扬声器的过度失真。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于时域信号的扬声器失真分析方法的整体流程图；

图2为本申请实施例提供的一种等效电路模型的示意图；

图3为本申请实施例提供的一种卷积神经网络的训练结构示意图；

图4为本申请实施例提供的一种瞬时失真信号对应的曲线图像的示意图；

图5为本申请实施例提供的一种基于时域信号的扬声器失真分析装置的结构示意图；

图6为本申请实施例提供的又一种基于时域信号的扬声器失真分析装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。

下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。

请参阅图1，图1示出了本申请实施例提供的一种基于时域信号的扬声器失真分析方法的整体流程图。

如图1所示，该基于时域信号的扬声器失真分析方法至少可以包括以下步骤：

步骤102、基于待测扬声器获取与激励信号对应的被测输出信号，并将激励信号输入至等效电路模型，得到期望输出信号。

在本申请实施例中，基于时域信号的扬声器失真分析方法可应用于通过人工耳获取扬声器所发出的信号的控制终端，该控制终端在获取扬声器所发出的信号之前，还可但不局限于向扬声器发出一个激励信号，以便于该扬声器根据接收到的激励信号进行发声。控制终端在获取到扬声器所发出的信号之后，还可将激励信号输入至预设的等效电路模型，以通过该等效电路模型输出与激励信号所对应的期望信号，并可对扬声器所发出的信号以及该期望信号进行信号分析，进而准确判断出扬声器的失真情况。

具体地，在对待测扬声器进行失真分析时，控制终端可向该待测扬声器发出激励信号，待测扬声器在接收到该激励信号之后可发出相应的被测输出信号，接着由人工耳对该被测输出信号进行采集并传递至控制终端。可以理解的是，控制终端在获取到待测扬声器所发出的被测输出信号之后，还可以但不局限于通过音频分析仪对该被测输出信号进行处理，以得到该被测输出信号对应的能量曲线示意图。

接着，控制终端在向待测扬声器发出激励信号之后，还可将该激励信号输入至理想的等效电路模型，以通过该等效电路模型输出激励信号所对应的期望输出信号，其中，等效电路模型可理解为一种预设的数学模型，其目的是为了对扬声器的线性输出成分进行建模，该数学模型中的模型参数可根据理想扬声器的各个内部元器件的工作参数建模得到，其建模的过程可简化为获取扬声器内部各个元器件的工作时的等效电路，此处可以但不局限于可参阅图2示出的本申请实施例提供的一种等效电路模型的示意图。如图2所示，根据图2所示的等效电路可建立出如下微分方程：

在上述提到的微分方程中，

需要注意的是，在本申请实施例中，还可以但不局限于将激励信号输入至其他类型的深度学习神经网络，以将深度学习神经网络所输出的结果作为期望输出信号，其中，该深度学习神经网络可由已知输出信号的样本激励信号训练得到，且此处不限定于此。

步骤104、对被测输出信号以及期望输出信号进行差值计算，得到残差失真信号，并根据残差失真信号以及被测输出信号，计算出瞬时失真信号。

具体地，在分别得到被测输出信号以及期望输出信号之后，控制终端可对该被测输出信号以及期望输出信号进行差值计算，以得到残差失真信号，其可以但不局限于表示如下：

上式中，

接着，为了便于从时域角度分析信号的失真情况，控制终端可先计算出被测输出信号在不同信号时间段内的有效值，其可以但不局限于表示如下：

并将该有效值以及上述提到的残差失真信号代入至如下公式中，以计算出不同时段内的瞬时失真信号：

可以理解的是，此处瞬时失真信号保留了失真的内在结构，也即反映了失真的相位以及幅度信息，进而可根据该瞬时失真信号来判断扬声器是否过度失真。

步骤106、将与瞬时失真信号对应的曲线图像输入至训练好的第一卷积神经网络，得到曲线图像中每个幅值点的偏移量特征以及置信度特征。

具体地，在计算出瞬时失真信号之后，控制终端可以但不局限于通过音频分析仪对该瞬时失真信号进行处理，以得到该瞬时失真信号对应的曲线图像，并可将该曲线图像输入至训练好的第一卷积神经网络中，以由该第一卷积神经网络输出该曲线图像中每个幅值点的偏移量特征以及置信度特征。其中，每个幅值点的偏移量特征可理解为每个幅值点在曲线中的坐标，例如但不局限于可表示为（X，Y），其横坐标可对应为每个幅值点的频率，纵坐标可对应为每个幅值点的能量值（也即可理解为分贝值）；每个幅值点的置信度特征可以但不局限于表示为处于0至1之间的数值，数值越大表明该幅值点的可信度越高。

可以理解的是，本申请实施例中提到的第一卷积神经网络可由已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像以及第二卷积神经网络训练得到，该第一卷积神经网络包括有一个沙漏结构（也可理解为卷积神经网络结构中的hourglass模块），该第二卷积神经网络包括有相同的四个沙漏结构（也可理解为卷积神经网络结构中的hourglass模块），在第一卷积神经网络的训练过程中，先基于上述提到的已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像对第二卷积神经网络进行训练，并再基于该已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像对第一卷积神经网络进行训练时加入训练后的第二卷积神经网络中的损失参数，进而得到训练后的第一卷积神经网络。此处，在第二卷积神经网络中前一个沙漏结构输出的置信度特征可作为后一个沙漏结构的输入，该第二卷积神经网络仅用来提升第一卷积神经网络的性能，使得第一卷积神经网络可以使用1/4的参数就达到逼近第二卷积神经网络的性能。此处可参阅图3示出的本申请实施例提供的一种卷积神经网络的训练结构示意图，该图3中上半部分可表示为第二卷积神经网络的训练过程，该图中下半部分可表示为第一卷积神经网络的训练过程。

在本申请实施例中，第一卷积神经网络相较于其他的常见卷积神经网络，在训练过程所需要的样本集更少，且在训练过程中结合有其他卷积神经网络的损失函数，以保障预测结果的准确性，进而可使曲线图像中确定出的所有幅值点的精度更高。

步骤108、在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理。

具体地，在通过第一卷积神经网络得到曲线图像中所有幅值点的置信度特征之后，控制终端可在所有幅值点中确定出置信度高于预设置信度阈值的部分幅值点，该部分幅值点被检测出来作为幅值点的可行度更高，接着可将剩余置信度低于预设置信度阈值的部分幅值点进行剔除处理，以保障在曲线图像中所标注出的所有幅值点的准确性。

步骤110、在经过剔除处理后的所有幅值点中，根据每个幅值点的偏移量特征计算出任意两个相邻的幅值点之间的斜率，并基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理。

具体地，在对曲线图像中所标注的幅值点进行剔除处理之后，控制终端可根据每个幅值点的偏移量特征，分别计算出任意相邻的两个幅值点之间的斜率，其计算公式可以但不局限于为后者幅值点的偏移量特征中纵坐标与前者幅值点的偏移量特征中纵坐标之间的差值，除以后者幅值点的偏移量特征中横坐标与前者幅值点的偏移量特征中横坐标之间的差值，接着可结合该每任意两个相邻的幅值点之间的斜率对所对应的两个幅值点之间进行连线处理，进而得到所有幅值点之间的连线段。

作为本申请实施例的一种可选，基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理之后，还包括：

当检测到任意相邻的两个斜率之间的差值未超过预设第一差值阈值时，对两个斜率对应的幅值点连线进行平滑处理。

具体地，在计算出任意相邻的两个幅值点之间的斜率的过程中，当检测到任意相邻的两个斜率数值比较接近，且该两个斜率的差值未超过预设第一差值阈值时，表明该两个斜率所分别对应的连线段可近似为一个连线段，可对该两个斜率所分别对应的连线段进行平滑处理，以使该两个连线段可视为一个连线段，进而提升整体连线的平整性。

可以理解的是，在本申请实施例中还可以但不局限于当检测到任意至少三个斜率中，每任意相邻的两个斜率之间的差值均未超过预设第一差值阈值时，可对该任意至少三个斜率所分别对应的连线段统一进行平滑处理，以提升整体连线的平整性。

此处可参阅图4示出的本申请实施例提供的一种瞬时失真信号对应的曲线图像的示意图。如图4所示，该曲线图像中包含多个波峰以及多个波谷的曲线可理解为瞬时失真信号所对应的曲线，连线段可理解为瞬时失真信号所对应的曲线中所有幅值点的连线，该曲线图像中横坐标可对应为频率（Hz），纵坐标可对应为能量值（dB）。

步骤112、计算出经过剔除处理后的所有幅值点的连线与被测输出信号的曲线之间的相似性，并当检测到相似性高于预设相似性阈值时，确定待测扬声器没有过度相位失真。

具体地，在得到经过剔除处理后的所有幅值点的连线之后，控制终端还可以但不局限于通过音频分析仪得到与被测输出信号对应的曲线，并计算出该与被测输出信号对应的曲线以及所有幅值点的连线之间的轮廓相似性，其中，控制终端可以但不局限于将与被测输出信号对应的曲线，和所有幅值点的连线进行重叠处理，以通过两个曲线的重叠部分计算出该两个曲线之间的相似性，相似性越高则说明该两个曲线的重叠部分越多，并当检测到相似性高于预设相似性阈值时，可确定待测扬声器没有过度相位失真。可能的，当检测到相似性低于预设相似性阈值时，表明该两个曲线的重叠部分较少，进而可确定出待测扬声器存在过度相位失真。

可以理解的是，在本申请实施例中控制终端还可将被测输出信号对应的曲线以及所有幅值点的连线输入至神经网络，以通过神经网络来预测该两个曲线的相似性，此处不限定于此。

作为本申请实施例的又一种可选，在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理之后，还包括：

分别确定出每个幅值点对应的频率，并在被测输出信号的曲线中筛选出与每个频率对应的能量值；

分别计算出在同一频率下幅值点的幅值与能量值之间的差值，并当检测到差值未超过预设第二差值阈值时，确定待测扬声器没有过度幅度失真。

具体地，在根据置信度特征对曲线图像中的幅值点进行剔除处理之后，控制终端还可根据每个幅值点的偏移量特征分别确定出每个幅值点所对应的频率以及幅值，并在被测输出信号的曲线中与每个频率所对应的能量值，通过分别计算处于同一频率下幅值点的幅值与能量值之间的差值的方式来判断待测扬声器是否存在过度幅度失真。可以理解的是，当检测到任意一个频率下幅值点的幅值与能量值之间的差值均未超过预设第二差值阈值时，可确定出待测扬声器没有过度幅度失真；当检测到任意至少一个频率下幅值点的幅值与能量值之间的差值超过预设第二差值阈值时，可确定出待测扬声器存在过度幅度失真。

作为本申请实施例的又一种可选，方法还包括：

确定出残差失真信号在第k时刻至第k+1时刻内的峰值；其中，k为正整数；

计算出被测输出信号在第k时刻至第k+1时刻内的有效值，并根据峰值以及有效值，得到失真峰值；

当检测到失真峰值处于预设峰值区间时，确定待测扬声器没有过度幅度失真。

在本申请实施例中，控制终端还可通过计算出失真峰值来判断待测扬声器是否存在过度幅度失真。具体地，控制终端可先确定出残差失真信号在第k时刻至第k+1时刻内的峰值，其可以但不局限于表示如下：

接着，控制终端可结合上述计算出的有效值以及该峰值，计算出第k时刻至第k+1时刻内的失真峰值，其可以但不局限于表示如下：

可以理解的是，当检测到第k时刻至第k+1时刻内的失真峰值处于预设峰值区间时，可确定待测扬声器没有过度幅度失真；当检测到第k时刻至第k+1时刻内的失真峰值未处于预设峰值区间时，可确定待测扬声器存在过度幅度失真。

需要说明的是，在本申请实施例中，控制终端还可以但不局限于通过计算出波峰因子或是瞬时波峰因子的方式，来判断待测扬声器是否存在过度幅度失真，此处不再过多赘述。

请参阅图5，图5示出了本申请实施例提供的一种基于时域信号的扬声器失真分析装置的结构示意图。

如图5所示，该基于时域信号的扬声器失真分析装置至少可以包括数据采集模块501、数据计算模块502、模型输出模块503、第一处理模块504、第二处理模块505以及数据分析模块506，其中：

数据采集模块501，用于基于待测扬声器获取与激励信号对应的被测输出信号，并将激励信号输入至等效电路模型，得到期望输出信号；其中，等效电路模型基于理想扬声器内部元器件的工作参数建模得到；

数据计算模块502，用于对被测输出信号以及期望输出信号进行差值计算，得到残差失真信号，并根据残差失真信号以及被测输出信号，计算出瞬时失真信号；

模型输出模块503，用于将与瞬时失真信号对应的曲线图像输入至训练好的第一卷积神经网络，得到曲线图像中每个幅值点的偏移量特征以及置信度特征；其中，第一卷积神经网络由已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像以及第二卷积神经网络训练得到；

第一处理模块504，用于在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理；

第二处理模块505，用于在经过剔除处理后的所有幅值点中，根据每个幅值点的偏移量特征计算出任意两个相邻的幅值点之间的斜率，并基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理；

数据分析模块506，用于计算出经过剔除处理后的所有幅值点的连线与被测输出信号的曲线之间的相似性，并当检测到相似性高于预设相似性阈值时，确定待测扬声器没有过度相位失真。

在一些可能的实施例中，装置还包括：

在基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理之后，

当检测到任意相邻的两个斜率之间的差值未超过预设第一差值阈值时，对两个斜率对应的幅值点连线进行平滑处理。

在一些可能的实施例中，装置还包括：

在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理之后，

分别确定出每个幅值点对应的频率，并在被测输出信号的曲线中筛选出与每个频率对应的能量值；

分别计算出在同一频率下幅值点的幅值与能量值之间的差值，并当检测到差值未超过预设第二差值阈值时，确定待测扬声器没有过度幅度失真。

在一些可能的实施例中，装置还包括：

确定出残差失真信号在第k时刻至第k+1时刻内的峰值；其中，k为正整数；

计算出被测输出信号在第k时刻至第k+1时刻内的有效值，并根据峰值以及有效值，得到失真峰值；

当检测到失真峰值处于预设峰值区间时，确定待测扬声器没有过度幅度失真。

在一些可能的实施例中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像训练得到。

本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（Field－ProgrammableGate Array，FPGA）、集成电路（IntegratedCircuit，IC）等。

请参阅图6，图6示出了本申请实施例提供的又一种基于时域信号的扬声器失真分析装置的结构示意图。

如图6所示，该基于时域信号的扬声器失真分析装置600可以包括至少一个处理器601、至少一个网络接口604、用户接口603、存储器605以及至少一个通信总线602。

其中，通信总线602可用于实现上述各个组件的连接通信。

其中，用户接口603可以包括按键，可选用户接口还可以包括标准的有线接口、无线接口。

其中，网络接口604可以但不局限于包括蓝牙模块、NFC模块、Wi-Fi模块等。

其中，处理器601可以包括一个或者多个处理核心。处理器601利用各种接口和线路连接基于时域信号的扬声器失真分析装置600内的各个部分，通过运行或执行存储在存储器605内的指令、程序、代码集或指令集，以及调用存储在存储器605内的数据，执行路由基于时域信号的扬声器失真分析装置600的各种功能和处理数据。可选的，处理器601可以采用DSP、FPGA、PLA中的至少一种硬件形式来实现。处理器601可集成CPU、GPU和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器601中，单独通过一块芯片进行实现。

其中，存储器605可以包括RAM，也可以包括ROM。可选的，该存储器605包括非瞬时性计算机可读介质。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器605可选的还可以是至少一个位于远离前述处理器601的存储装置。如图6所示，作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及基于时域信号的扬声器失真分析应用程序。

具体地，处理器601可以用于调用存储器605中存储的基于时域信号的扬声器失真分析应用程序，并具体执行以下操作：

基于待测扬声器获取与激励信号对应的被测输出信号，并将激励信号输入至等效电路模型，得到期望输出信号；其中，等效电路模型基于理想扬声器内部元器件的工作参数建模得到；

对被测输出信号以及期望输出信号进行差值计算，得到残差失真信号，并根据残差失真信号以及被测输出信号，计算出瞬时失真信号；

将与瞬时失真信号对应的曲线图像输入至训练好的第一卷积神经网络，得到曲线图像中每个幅值点的偏移量特征以及置信度特征；其中，第一卷积神经网络由已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像以及第二卷积神经网络训练得到；

在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理；

在经过剔除处理后的所有幅值点中，根据每个幅值点的偏移量特征计算出任意两个相邻的幅值点之间的斜率，并基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理；

计算出经过剔除处理后的所有幅值点的连线与被测输出信号的曲线之间的相似性，并当检测到相似性高于预设相似性阈值时，确定待测扬声器没有过度相位失真。

在一些可能的实施例中，基于任意两个相邻的幅值点之间的斜率，对经过剔除处理后的所有幅值点进行连线处理之后，还包括：

当检测到任意相邻的两个斜率之间的差值未超过预设第一差值阈值时，对两个斜率对应的幅值点连线进行平滑处理。

在一些可能的实施例中，在曲线图像中筛选出置信度特征高于预设置信度阈值的所有幅值点，并对剩余的所有幅值点进行剔除处理之后，还包括：

分别确定出每个幅值点对应的频率，并在被测输出信号的曲线中筛选出与每个频率对应的能量值；

分别计算出在同一频率下幅值点的幅值与能量值之间的差值，并当检测到差值未超过预设第二差值阈值时，确定待测扬声器没有过度幅度失真。

在一些可能的实施例中，方法还包括：

确定出残差失真信号在第k时刻至第k+1时刻内的峰值；其中，k为正整数；

计算出被测输出信号在第k时刻至第k+1时刻内的有效值，并根据峰值以及有效值，得到失真峰值；

当检测到失真峰值处于预设峰值区间时，确定待测扬声器没有过度幅度失真。

在一些可能的实施例中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由已知多个样本幅值点的偏移量特征以及置信度特征的样本曲线图像训练得到。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器IC），或适合于存储指令和/或数据的任何类型的媒介或设备。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（RandomAccess Memory，RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（Read-Only Memory， ROM）、随机存取器（RandomAccessMemory，RAM）、磁盘或光盘等。

以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。