Electrodynamic loudspeakers exhibit strong nonlinearities at high input amplitudes, causing large diaphragm excursions and audible distortion. Efficient models that capture these effects are essential for developing digital signal processing methods for distortion analysis and compensation. While lumped-element models (LEMs) are compact and physically interpretable, their accuracy depends on assumptions regarding the nonlinear components, which may become inadequate under large-signal operating conditions. To address this limitation, we propose a hybrid modeling approach in which a LEM is complemented with a data-driven neural model that captures the loudspeaker nonlinear behavior. The model is implemented as an explicit wave digital filter (WDF) architecture, where the displacement-dependent nonlinearities are encapsulated into a single two-port element represented by a recurrent neural network. This neural component is trained end-to-end within the differentiable WDF simulation using voltage-pressure signals. Numerical results show that the proposed hybrid LEM fully captures the nonlinear loudspeaker behavior directly from experimental data, while preserving the modularity and interpretability of physics-based models.
Gli altoparlanti elettrodinamici presentano forti non linearità ad elevate ampiezze d'ingresso, le quali causano ampie escursioni della membrana e distorsione udibile. Disporre di modelli efficienti in grado di catturare tali effetti è essenziale per lo sviluppo di algoritmi digitali di elaborazione del segnale, finalizzati all'analisi e alla compensazione della distorsione. Nonostante i modelli a elementi concentrati (LEM) siano compatti e fisicamente interpretabili, la loro accuratezza dipende da ipotesi sui componenti non lineari, che potrebbero rivelarsi inadeguate in regime di grande segnale. Per superare tale limitazione, si propone un approccio di modellazione ibrido, in cui il modello LEM è integrato con un modello neurale basato sui dati, incaricato di descrivere il comportamento non lineare dell'altoparlante. Il modello è implementato in forma esplicita mediante un'architettura a filtri digitali ad onda numerica (WDF), nella quale le non linearità dipendenti dallo spostamento sono concentrate in un singolo elemento biporta, rappresentato tramite una rete neurale ricorrente. Tale componente neurale viene addestrata sull'intera catena di simulazione differenziabile WDF, utilizzando segnali tensione-pressione. I risultati numerici mostrano che il modello ibrido proposto è in grado di catturare accuratamente il comportamento non lineare dell'altoparlante direttamente dai dati sperimentali, preservando la modularità e l'interpretabilità tipiche dei modelli basati sulla fisica.
Hybrid neural lumped-element modeling of nonlinear electrodynamic loudspeakers
Agazzi, Gabriele
2025/2026
Abstract
Electrodynamic loudspeakers exhibit strong nonlinearities at high input amplitudes, causing large diaphragm excursions and audible distortion. Efficient models that capture these effects are essential for developing digital signal processing methods for distortion analysis and compensation. While lumped-element models (LEMs) are compact and physically interpretable, their accuracy depends on assumptions regarding the nonlinear components, which may become inadequate under large-signal operating conditions. To address this limitation, we propose a hybrid modeling approach in which a LEM is complemented with a data-driven neural model that captures the loudspeaker nonlinear behavior. The model is implemented as an explicit wave digital filter (WDF) architecture, where the displacement-dependent nonlinearities are encapsulated into a single two-port element represented by a recurrent neural network. This neural component is trained end-to-end within the differentiable WDF simulation using voltage-pressure signals. Numerical results show that the proposed hybrid LEM fully captures the nonlinear loudspeaker behavior directly from experimental data, while preserving the modularity and interpretability of physics-based models.| File | Dimensione | Formato | |
|---|---|---|---|
|
2026_07_Agazzi_Tesi.pdf
non accessibile
Descrizione: Testo tesi
Dimensione
4.75 MB
Formato
Adobe PDF
|
4.75 MB | Adobe PDF | Visualizza/Apri |
|
2026_07_Agazzi_Executive_Summary.pdf
non accessibile
Descrizione: Testo executive summary
Dimensione
1.37 MB
Formato
Adobe PDF
|
1.37 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/261323