何かあれば GitHub のリポジトリに issue を作るか ryukau@gmail.com までお気軽にどうぞ。
Update: 2024-04-20
Feedback Delay Network (FDN) は以下のブロック線図で表される、ディレイの接続方法です。
FDN は \(N\) 個のディレイの接続を一般化したものです。パラメータとしては、入力を分割するゲイン、出力を足し合わせるゲイン、ディレイ時間、 \(N \times N\) のフィードバック行列があります。
この文章では適当にフィードバック行列をランダマイズしてリバーブを作ります。
FDN
に使うディレイの実装については以下のリンク先にまとめています。ここではリンク先の「レートリミッタ」の節で紹介している
Delay
を使います。
以下は C++ による FDN の実装例です。
template<typename Sample, size_t length> struct FeedbackDelayNetwork {
size_t bufIndex = 0;
std::array<std::array<Sample, length>, 2> buf{};
std::array<std::array<Sample, length>, length> matrix{};
std::array<Delay<Sample>, length> delay;
std::array<RateLimiter<Sample>, length> delayTimeSample;
// feedback の範囲は [-1.0, 1.0] 。範囲外だと発散。
(Sample input, Sample feedback)
Sample process{
^= 1;
bufIndex auto &front = buf[bufIndex];
auto &back = buf[bufIndex ^ 1];
.fill(0);
frontfor (size_t i = 0; i < length; ++i) {
for (size_t j = 0; j < length; ++j) front[i] += matrix[i][j] * back[j];
}
/= Sample(length); // 例を簡単にするため、入力は均等に分配。
input for (size_t idx = 0; idx < length; ++idx) {
auto &&sig = input + feedback * front[idx];
[idx] = delay[idx].process(sig, delayTimeSample[idx].process());
front}
return std::accumulate(front.begin(), front.end(), Sample(0));
}
};
リセット関連のメソッドは省略しています。より完全な実装は以下のリンクを参照してください。
process
の最初の空行までがフィードバックを受け取るバッファの入れ替え、 2
つ目の空行までがフィードバック行列の計算、
残りがディレイへの入出力の計算です。
引数 feedback
はフィードバック行列の値をまとめて変更する係数 (スカラー)
です。 FDN が発振するようにフィードバック行列を設計できれば、
feedback
をコムフィルタのフィードバックと同じ感覚で扱うことができます。ただし
Delay
は線形補間を行っているのでディレイ時間がぴったり整数でなければ徐々に出力が減衰します。
テンプレートパラメータの length
が大きいときは
std::vector
を使うように書き換えてください。今回はプラグイン向けに書いているので
std::array
を使っていますが、 dim
が大きいとスタックに乗りきらなくなって、指定した値よりも配列の長さが短くなることがあります。今回のテスト環境では
dim=200
あたりが正しく動作する上限でした。
Schlecht と Habets の “On lossless feedback delay networks” によると、 FDN が発散しないためには、フィードバック行列をユニタリ行列か三角行列にするといいそうです。 FDN が発散しないフィードバック行列の中にはユニタリ行列でも三角行列でもないものがあるそうですが、安定性がディレイ時間に依存する、数値計算で行列を求めることが難しい、といった問題が論文中で示されているのでここでは扱っていません。
ユニタリ行列は複素数を含むことがありますが、今回の実装では複素数を使う意味がないので、直交行列が得られれば十分です。音は大して変わらないのですが、特殊直交行列のランダマイズもアルゴリズムを見つけたので掲載しています。また、値を \(\dfrac{1}{\sqrt{N}}\) に正規化したアダマール行列も使えます。 Rocchesso と Smith による “Circulant and Elliptic Feedback Delay Networks for Artificial Reverberation” では直交な巡回行列を生成する方法が紹介されています。
三角行列については対角成分の絶対値が 1 より小さければ発散はしないようです。対角成分を \(t_{ii}\) とすると \(|t_{ii}| < 1\) と書けます。ユニティゲインを得るためには “Circulant and Elliptic Feedback Delay Networks for Artificial Reverberation” の式 (23) 、 (24) と似たような計算が使えます。また、 Shroeder リバーブと呼ばれる構造も三角行列で表すことができます。
Schlecht と Habets による “Time-varying feedback matrices in feedback delay networks and their application in artificial reverberation” にはオールパスフィルタの入れ子を表すフィードバック行列が式 (10) に掲載されています。
Google Scholar で FDN について検索していると Sebastian J. Schlecht さんという方の名前を何度も見かけました。 FDN 関連のテクニックを探すときは Schlecht さんの名前で検索するといいかもしれません。
以下はテストに使ったコードへのリンクです。行列の値を JSON
形式で書き出して Python 3 で mat.dot(mat.T)
として生成した行列 mat
とその転地のドットプロダクトを計算することで直交行列であることを確認しています。
フィードバック行列 \(\mathbf{A}\) が直交行列なら FDN は安定です。 \(\mathbf{A}\) が直交行列のとき、以下の性質があります。
\[ \mathbf{A} \mathbf{A}^\mathrm{T} = \mathbf{I} \]
\(\mathbf{A}^\mathrm{T}\) は \(\mathbf{A}\) の転置、 \(\mathbf{I}\) は単位行列です。この計算はフィードバック行列の安定性の判定に使えます。ただし、直行行列でなくても安定なフィードバック行列とディレイの組は存在します。
scipy.stats.ortho_group.rvs()
に直交行列をランダマイズする Python 3
の実装があります。ドキュメンテーションでは Mezzadri による “How to generate random
matrices from the classical compact groups”
が参考文献としてあげられています。
以下の実装は scipy.stats.ortho_group.rvs()
を C++
に翻訳したものです。引数 H
にフィードバック行列を指定して使います。 pcg64
は PCG という種類の乱数生成器で、
C++ の標準ライブラリ <random>
の乱数生成器と同じように使えます。音の合成が目的なので
std::minstd_rand
などの LCG
でも十分そうですが、行列の生成なので念のために変えました。 PCG
を選んだのは NumPy の default_rng()
で使われていたからです。
template<size_t dim>
void randomOrthogonal(unsigned seed, std::array<std::array<Sample, dim>, dim> &H)
{
{};
pcg64 rng.seed(seed);
rngstd::normal_distribution<Sample> dist{}; // mean 0, stddev 1.
.fill({});
Hfor (size_t i = 0; i < dim; ++i) H[i][i] = Sample(1);
std::array<Sample, dim> x;
for (size_t n = 0; n < dim; ++n) {
auto xRange = dim - n;
for (size_t i = 0; i < xRange; ++i) x[i] = dist(rng);
= 0;
Sample norm2 for (size_t i = 0; i < xRange; ++i) norm2 += x[i] * x[i];
= x[0];
Sample x0
= x0 >= 0 ? Sample(1) : Sample(-1);
Sample D [0] += D * std::sqrt(norm2);
x
= std::sqrt((norm2 - x0 * x0 + x[0] * x[0]) / Sample(2));
Sample denom for (size_t i = 0; i < xRange; ++i) x[i] /= denom;
for (size_t row = 0; row < dim; ++row) {
= 0;
Sample dotH for (size_t col = 0; col < xRange; ++col) dotH += H[col][row] * x[col];
for (size_t col = 0; col < xRange; ++col) {
[col][row] = D * (H[col][row] - dotH * x[col]);
H}
}
}
}
以下の実装は scipy.stats.special_ortho_group.rvs()
を C++ に翻訳したものです。
template<size_t dim>
void randomSpecialOrthogonal(unsigned seed, std::array<std::array<Sample, dim>, dim> &H)
{
{};
pcg64 rng.seed(seed);
rngstd::normal_distribution<Sample> dist{}; // mean 0, stddev 1.
.fill({});
Hfor (size_t i = 0; i < dim; ++i) H[i][i] = Sample(1);
std::array<Sample, dim> x;
std::array<Sample, dim> D;
for (size_t n = 0; n < dim; ++n) {
auto xRange = dim - n;
for (size_t i = 0; i < xRange; ++i) x[i] = dist(rng);
= 0;
Sample norm2 for (size_t i = 0; i < xRange; ++i) norm2 += x[i] * x[i];
= x[0];
Sample x0
[n] = x0 >= 0 ? Sample(1) : Sample(-1);
D[0] += D[n] * std::sqrt(norm2);
x
= std::sqrt((norm2 - x0 * x0 + x[0] * x[0]) / Sample(2));
Sample denom for (size_t i = 0; i < xRange; ++i) x[i] /= denom;
for (size_t row = 0; row < dim; ++row) {
= 0;
Sample dotH for (size_t col = 0; col < xRange; ++col) dotH += H[col][row] * x[col];
for (size_t col = 0; col < xRange; ++col) H[col][row] -= dotH * x[col];
}
}
size_t back = dim - 1;
[back] = (back & 0b1) == 0 ? Sample(1) : Sample(-1);
Dfor (size_t i = 0; i < back; ++i) D[back] *= D[i];
for (size_t row = 0; row < dim; ++row) {
for (size_t col = 0; col < dim; ++col) H[col][row] *= D[row];
}
}
“What Is a Householder Matrix?” によると \(n \times n\) の Householder 行列 \(\mathbf{P}\) は以下の式で表されます。
\[ \mathbf{P} = \mathbf{I} - \frac{2}{\mathbf{v}^\mathrm{T} \mathbf{v}} \mathbf{v} \mathbf{v}^\mathrm{T}, \qquad \mathbf{0} \neq \mathbf{v} \in \mathbb{R}^n. \]
\(\mathbf{I}\) は単位行列、 \(\mathbf{v}\) は少なくとも 1 つの要素が 0 でない列ベクトルです。
Householder 行列の特徴は、 \(n\)
個の乱数から直行行列を組み立てられることと、対称行列 (\(\mathbf{P} = \mathbf{P}^\mathrm{T}\))
となることです。先に紹介した scipy.stats.ortho_group.rvs()
と scipy.stats.special_ortho_group.rvs()
では \(n\) についての三角数、つまり
\(n(n+1)/2\)
個の乱数が要りますが、対称行列になるとは限りません。
以下は実装です。
template<size_t dim>
void randomHouseholder(unsigned seed, std::array<std::array<Sample, dim>, dim> &matrix)
{
{};
pcg64 rng.seed(seed);
rngstd::uniform_real_distribution<Sample> dist{Sample(0), Sample(1)};
std::array<Sample, dim> vec{};
for (size_t i = 0; i < dim; ++i) vec[i] = dist(rng);
= 0;
Sample denom for (size_t i = 0; i < dim; ++i) denom += vec[i] * vec[i];
// Return identity matrix if `vec` is all 0.
if (denom <= std::numeric_limits<Sample>::epsilon()) {
for (size_t i = 0; i < dim; ++i) {
for (size_t j = 0; j < dim; ++j) {
[i][j] = i == j ? Sample(1) : Sample(0);
matrix}
}
return;
}
auto scale = Sample(-2) / denom;
for (size_t i = 0; i < dim; ++i) {
// Diagonal elements.
[i][i] = Sample(1) + scale * vec[i] * vec[i];
matrix
// Non-diagonal elements.
for (size_t j = i + 1; j < dim; ++j) {
auto value = scale * vec[i] * vec[j];
[i][j] = value;
matrix[j][i] = value;
matrix}
}
}
以下は “Circulant and elliptic feedback delay networks for artificial reverberation.” で紹介されていた FDN が発散しない巡回行列の式です。
\[ \mathbf{A} = \begin{bmatrix} \dfrac{2 \Gamma_1}{\Gamma_J} - 1 & \dfrac{2 \sqrt{\Gamma_1 \Gamma_2}}{\Gamma_J} & \dots & \dfrac{2 \sqrt{\Gamma_1 \Gamma_N}}{\Gamma_J} \\ \dfrac{2 \sqrt{\Gamma_2 \Gamma_1}}{\Gamma_J} & \dfrac{2 \Gamma_2}{\Gamma_J} - 1 & \dots & \dfrac{2 \sqrt{\Gamma_2 \Gamma_N}}{\Gamma_J} \\ \vdots & & \ddots & \vdots \\ \dfrac{2 \sqrt{\Gamma_N \Gamma_1}}{\Gamma_J} & \dfrac{2 \sqrt{\Gamma_N \Gamma_2}}{\Gamma_J} & \dots & \dfrac{2 \Gamma_N}{\Gamma_J} - 1 \end{bmatrix} ,\qquad \Gamma_J = \sum_{i=1}^N \Gamma_i. \]
\(\mathbf{A}\) はフィードバック行列、 \(N\) はフィードバック行列の大きさです。 \(\Gamma_i\) は \([0, 1)\) の範囲でランダムに生成すれば発散しません。
以下のコードはフィードバック行列に使えるランダムな巡回行列を生成します。パラメータ
band
で 0 要素の多さを変更できます。 band
が 1
のときは対角行列を 1 列だけ右にシフトした行列、 dim
以上のときは密な行列 (dense matrix)
になります。右シフトがないとコムフィルタになるのでショートディレイが目立つ金属的な音になります。
template<size_t dim>
void randomCirculantOrthogonal(
unsigned seed, size_t band, std::array<std::array<Sample, dim>, dim> &mat)
{
{};
pcg64 rng.seed(seed);
rngstd::uniform_real_distribution<Sample> dist{Sample(0), Sample(1)};
size_t left = 0;
if (band >= length) {
= length;
band } else {
= 1;
left }
std::array<Sample, length> source{};
= 0;
Sample sum do {
= 0;
sum for (size_t i = left; i < band; ++i) {
[i] = dist(rng);
source+= source[i];
sum }
} while (sum == 0); // Avoid 0 division.
= Sample(2) / sum;
Sample scale
std::array<Sample, length> squared;
for (size_t i = 0; i < length; ++i) squared[i] = std::sqrt(source[i]);
for (size_t row = 0; row < length; ++row) {
for (size_t col = 0; col < length; ++col) {
[row][col] = row == col ? scale * source[row] - Sample(1)
mat: scale * squared[row] * squared[col];
}
}
}
フィードバック行列が三角行列のとき、すべての対角要素の絶対値が 1 より小さければ発散はしません。ただしゲインがものすごいことになるので実用的にはユニティゲインとなるような値の正規化が必要です。試行錯誤したところ、以下の式で発散しなくなりました。
\[ \mathbf{A} = \begin{bmatrix} S_1 a_{11} - 1 & S_1 a_{12} & S_1 a_{13} & \dots & S_1 a_{1N} \\ 0 & S_2 a_{22} - 1 & S_2 a_{23} & \dots & S_2 a_{2N} \\ 0 & 0 & S_3 a_{33} - 1 & \dots & S_2 a_{3N} \\ \vdots & & & \ddots & \vdots \\ 0 & 0 & 0 & \dots & S_N a_{NN} - 1 \end{bmatrix} ,\qquad S_n = \frac{2}{\sum_{i=n}^N a_{ni}} \enspace \text{for}\enspace n \enspace \text{in} \enspace [1, N]. \]
以下は FDN
向けのランダムな上三角行列を生成するコードです。転置した下三角行列も FDN
に使えます。 low
と high
でランダマイズの範囲を変更できます。範囲は [0, 1]
と
[-1, 0]
なら発散しなかったのですが、 [-1, 1]
にすると発散しました。
template<size_t dim>
void randomUpperTriangular(
unsigned seed, Sample low, Sample high, std::array<std::array<Sample, dim>, dim> &mat)
{
{};
pcg64 rng.seed(seed);
rngif (low > high) std::swap(low, high);
std::uniform_real_distribution<Sample> dist{low, high};
.fill({});
mat
for (size_t row = 0; row < length; ++row) {
for (size_t col = row; col < length; ++col) mat[row][col] = dist(rng);
}
for (size_t col = 0; col < length; ++col) {
= 0;
Sample sum for (size_t row = 0; row < col + 1; ++row) sum += mat[row][col];
= Sample(2) / sum;
Sample scale [col][col] = scale * mat[col][col] - Sample(1);
matfor (size_t row = 0; row < col; ++row) mat[row][col] *= scale;
}
}
“On lossless feedback delay networks.” では Schroeder リバーブを再現するフィードバック行列 (Schroeder リバーブ行列) が紹介されています。 Schroeder リバーブ行列はディレイ時間の変更では発散しないのですが、 2 つの FDN を用意して、以下のブロック線図のようにフィードバックを互い違いにかけると発散することがあります。
以下の式は互い違いのフィードバックがかけられたときでも発散しないように変更した Schroeder リバーブ行列です。
\[ \mathbf{A} = \begin{bmatrix} g_1 & 0 & 0 & 0 & 0 & 0 \\ 0 & g_2 & 0 & 0 & 0 & 0 \\ 0 & 0 & g_3 & 0 & 0 & 0 \\ 0 & 0 & 0 & g_4 & 0 & 0 \\ s_5 & s_5 & s_5 & s_5 & s_5 g_5 & 0 \\ v_6 & v_6 & v_6 & v_6 & s_6 G_6 & s_6 g_6 \\ \end{bmatrix} ,\qquad \begin{aligned} s_5 &= \frac{2}{N - 2 + g_5},\\ s_6 &= \frac{2}{(N - 2) g_5 + G_6 + g_6},\\ v_6 &= -s_6 g_5,\\ G_6 &= 1 - g_5^2.\\ \end{aligned} \]
\(g_n\) の範囲は \((-1, 1)\) で発散しません。 -1 あるいは 1 を含めると発振します。
以下は C++ による実装です。
template<size_t dim>
void randomSchroeder(
unsigned seed, Sample low, Sample high, std::array<std::array<Sample, dim>, dim> &mat)
{
static_assert(
>= 2, "FeedbackDelayNetwork::randomSchroeder(): length must be >= 2.");
length
{};
pcg64 rng.seed(seed);
rngif (low > high) std::swap(low, high);
std::uniform_real_distribution<Sample> dist{low, high};
.fill({});
mat
for (size_t idx = 0; idx < length; ++idx) mat[idx][idx] = dist(rng);
auto &¶Gain = mat[length - 2][length - 2];
auto &&lastGain = Sample(1) - paraGain * paraGain;
auto scale2 = Sample(2) / (Sample(length - 2) + paraGain);
auto scale1 = Sample(2)
/ (Sample(length - 2) * paraGain + lastGain + matrix[length - 1][length - 1]);
for (size_t col = 0; col < length - 1; ++col) {
[length - 2][col] = scale2;
mat[length - 1][col] = -paraGain * scale1;
mat}
[length - 1][length - 2] = lastGain * scale1;
mat}
以下は “Time-varying feedback matrices in feedback delay networks and their application in artificial reverberation.” で紹介されている吸収オールパス行列 (absorbent allpass matrix) の式です。
\[ \mathbf{A}_{\mathrm{AP}} = \begin{bmatrix} - \mathbf{A} \mathbf{G} & \mathbf{A} \\ \mathbf{I} - \mathbf{G} & \mathbf{G} \end{bmatrix} ,\qquad \begin{array}{cl} \mathbf{A} & \enspace \text{is} \enspace M \times M \enspace \text{orthogonal matrix,}\\ \mathbf{I} & \enspace \text{is} \enspace M \times M \enspace \text{identity matrix,}\\ \mathbf{G} & \enspace \text{is} \enspace \mathrm{diag}([g_1, g_2, \dots, g_M]),\\\\ & \text{where} \enspace M = \dfrac{N}{2}. \end{array} \]
\(M = \dfrac{N}{2}\) です。 \(g_n\) はオールパスフィルタの係数なので \([-1, 1]\) の範囲なら収束します。
以下は C++ による実装です。 randomOrthogonal
に依存しています。
template<size_t dim>
void randomAbsorbent(
unsigned seed, Sample low, Sample high, std::array<std::array<Sample, dim>, dim> &mat)
{
static_assert(dim >= 2, "randomAbsorbent(): dim must be >= 2.");
static_assert(dim % 2 == 0, "randomAbsorbent(): dim must be even.");
{};
pcg64 rng.seed(seed);
rngif (low > high) std::swap(low, high);
std::uniform_real_distribution<Sample> dist{low, high};
std::uniform_int_distribution<unsigned> seeder{
0, std::numeric_limits<unsigned>::max()};
constexpr size_t half = length / 2;
.fill({});
mat
std::array<std::array<Sample, half>, half> A;
(seeder(rng), A);
randomOrthogonal
for (size_t col = 0; col < half; ++col) {
auto gain = dist(rng);
[half + col][half + col] = gain; // Fill lower right.
mat[half + col][col] = Sample(1) - gain * gain; // Fill lower left.
matfor (size_t row = 0; row < half; ++row) {
[row][half + col] = A[row][col]; // Fill top right.
mat[row][col] = -A[row][col] * gain; // Fill top left
mat}
}
}
ここでは Sylvester’s construction と呼ばれる手法でアダマール行列を作ります。
まず初期状態として以下の行列 \(\mathbf{H}_1\) があります。
\[ \mathbf{H}_1 = \begin{bmatrix} 1 \end{bmatrix}. \]
そして再帰的に \(\mathbf{H}_{n}\) をタイルすることで \(\mathbf{H}_{n^2}\) が作れます。
\[ \mathbf{H}_{n^2} = \begin{bmatrix} \mathbf{H}_{n} & \mathbf{H}_{n}\\ \mathbf{H}_{n} & -\mathbf{H}_{n} \end{bmatrix}. \]
この計算は \(\begin{bmatrix}1 & 1 \\ 1 & -1 \end{bmatrix}\) のクロネッカー積を繰り返すと説明されていることもあります。
タイリングは回転させても直行行列になります。ただし、アダマール行列ではなくなります。
\[ \overset{\tiny \triangle}{\mathbf{{H}}}_{n^2} = \begin{bmatrix} \overset{\tiny \triangle}{\mathbf{{H}}}_{n} & \overset{\tiny \triangle}{\mathbf{{H}}}_{n}\\ -\overset{\tiny \triangle}{\mathbf{{H}}}_{n} & \overset{\tiny \triangle}{\mathbf{{H}}}_{n} \end{bmatrix} ,\quad \text{or} \quad \overset{\tiny \checkmark}{\mathbf{{H}}}_{n^2} = \begin{bmatrix} \overset{\tiny \checkmark}{\mathbf{{H}}}_{n} & -\overset{\tiny \checkmark}{\mathbf{{H}}}_{n}\\ \overset{\tiny \checkmark}{\mathbf{{H}}}_{n} & \overset{\tiny \checkmark}{\mathbf{{H}}}_{n} \end{bmatrix} ,\quad \text{or} \quad \overset{\tiny \heartsuit}{\mathbf{{H}}}_{n^2} = \begin{bmatrix} -\overset{\tiny \heartsuit}{\mathbf{{H}}}_{n} & \overset{\tiny \heartsuit}{\mathbf{{H}}}_{n}\\ \overset{\tiny \heartsuit}{\mathbf{{H}}}_{n} & \overset{\tiny \heartsuit}{\mathbf{{H}}}_{n} \end{bmatrix} . \]
以下は C++ の実装です。初期値に 1 を使うとゲインが dim
倍になるので、代わりに 1 / sqrt(dim)
を使っています。
template<size_t dim>
void constructHadamardSylvester(std::array<std::array<Sample, dim>, dim> &mat)
{
static_assert(
&& ((dim & (dim - 1)) == 0),
dim "FeedbackDelayNetwork::constructHadamardSylvester(): dim must be power of 2.");
[0][0] = Sample(1) / std::sqrt(Sample(dim));
mat
size_t start = 1;
size_t end = 2;
while (start < dim) {
for (size_t row = start; row < end; ++row) {
for (size_t col = start; col < end; ++col) {
auto &&value = mat[row - start][col - start];
[row - start][col] = value; // Upper right.
mat[row][col - start] = value; // Lower left.
mat[row][col] = -value; // Lower right.
mat}
}
*= 2;
start *= 2;
end }
}
ここでは Paley のアダマール行列の構築法で使われる conference 行列を生成します。
まずは conference 行列の大きさを決めます。 Conference 行列の大きさは以下の条件を満たす整数 \(n\) です。
以降では式の簡略化のために \(n - 1 = k\) とします。
\(k\) をモジュロとして quadratic residue の集合を作ります。 Quadratic residue の計算がわかりにくかったので、以下に例を作りました。
モジュロを \(5\) とします。このとき以下の計算ですべての quadratic residue を求められます。
\[ \begin{aligned} 1^2 \bmod 5 &= 1, \\ 2^2 \bmod 5 &= 4, \\ 3^2 \bmod 5 &= 4, \\ 4^2 \bmod 5 &= 1. \\ \end{aligned} \]
つまりモジュロが 5 のとき、 1 と 4 は quadratic residue です。 Set-builder 記法では以下のように書けます。
\[ \mathrm{QR}(k) = \{i^2 \bmod k \mid i \in \{1, 2, \dots, k - 1\}\}. \]
Python 3 では以下のように書けます。
= 5
modulo = set([(i * i) % modulo for i in range(1, modulo)]) quadraticResidue
得られた quadratic residue をもとに、以下の式でモジュロ \(k\) についての Legendre symbol の配列を求めます。 Symbol とついているので紛らわしいですが、 Legendre symbol は \(\sin\) や \(\log\) と同じように関数の名前を表しています。
\[ \begin{aligned} \mathrm{LS}(k) &= \left[ \left( \frac{i}{k} \right) \mid i \in \mathbb{Z}/k\mathbb{Z} \right].\\ \left( \frac{i}{k} \right) &= \begin{cases} 1 & \text{if}\enspace i \in \mathrm{QR}(k), \\ -1 & \text{if}\enspace i \notin \mathrm{QR}(k), \\ 0 & \text{if}\enspace i = 0. \end{cases} \end{aligned} \]
ここで \(\left( \dfrac{i}{k} \right)\) が Legendre symbol です。以下は \(k=5\) のときの例です。
\[ \begin{matrix} \mathrm{QR}(5) = \{1, 4\}. \\\\ 0 \enspace \text{is special},& 1 \in \mathrm{QR}(5),& 2 \notin \mathrm{QR}(5),& 3 \notin \mathrm{QR}(5),& 4 \in \mathrm{QR}(5).& \\\\ \left( \dfrac{0}{5} \right) = 0,& \left( \dfrac{1}{5} \right) = 1,& \left( \dfrac{2}{5} \right) = -1,& \left( \dfrac{3}{5} \right) = -1,& \left( \dfrac{4}{5} \right) = 1,& \end{matrix} \]
\(\mathbb{Z}/k\mathbb{Z}\) はモジュロ \(k\) より小さい 0 以上の整数の集合です。言い換えると、すべての整数について \(a \bmod k\) という計算を行ったときに出てくる結果の集合です。以下の式のようにかけます。
\[ \begin{aligned} \mathbb{Z}/k\mathbb{Z} &= \{a \bmod k \mid \forall a \in \mathbb{Z} \}\\ &= \{0, 1, 2, \dots, k - 1\}. \end{aligned} \]
Legendre symbol の集合の計算は Python 3 では以下のように書けます。
# quadraticResidue は set() 。
= [
legendreSymbol 0 if i == 0 else (1 if i in quadraticResidue else -1)
for i in range(modulo)
]
\(\mathrm{LS}(k)\) を配列に変えて回転させることで以下の行列 \(\mathbf{R}\) を作ります。
\[ \mathbf{L} = [ \left( \dfrac{0}{k} \right), \left( \dfrac{1}{k} \right), \dots, \left( \dfrac{k-1}{k} \right) ] ,\qquad \mathbf{R} = \begin{bmatrix} \mathtt{rotate}(\mathbf{L}, 0)\\ \mathtt{rotate}(\mathbf{L}, 1)\\ \vdots\\ \mathtt{rotate}(\mathbf{L}, k - 1)\\ \end{bmatrix}. \]
\(\mathtt{rotate}(\mathbf{x}, r)\)
は numpy.roll(x, r)
と同じ操作です。
\(\mathbf{R}\) を使って以下のように行列を作れば conference 行列の完成です。
\[ \mathbf{A} = \begin{bmatrix} 0 & \mathbf{1} \\ \mathbf{1}^\mathrm{T} & \mathbf{R} \\ \end{bmatrix} ,\qquad \mathbf{1} = \underbrace{[1, 1, \dots, 1]}_{k}. \]
今回は conference 行列に使える大きさを判定する手間を省くために OEIS
の 数列 A000952 を conference
行列の候補として、そのまま使うことにしました。 candidate
に格納しています。
static_assert
の条件は dim == 2^n
であることをチェックしています。以下の Stack Overflow
の回答を参考にしました。
template<size_t dim>
void constructConference(std::array<std::array<Sample, dim>, dim> &mat)
{
constexpr std::array<size_t, 13> candidates{
62, 54, 50, 46, 42, 38, 30, 26, 18, 14, 10, 6, 2,
};
auto found = std::find_if(
.begin(), candidates.end(), [](size_t size) { return size <= dim; });
candidatesif (found == candidates.end()) return; // mat が小さすぎるときは何もしない。
size_t dimension = *found;
size_t modulo = dimension - 1;
std::set<size_t> quadraticResidue;
for (size_t i = 1; i < modulo; ++i) quadraticResidue.emplace((i * i) % modulo);
.erase(0); // 念のため。
quadraticResidue
= Sample(1) / std::sqrt(Sample(modulo));
Sample value std::vector<Sample> symbol; // modulo についての Legendre symbol の集合。
.reserve(modulo);
symbol.push_back(0);
symbolfor (size_t i = 1; i < modulo; ++i) {
.push_back(quadraticResidue.count(i) ? value : -value);
symbol}
.fill({});
mat[0][0] = 0;
matfor (size_t i = 1; i < dimension; ++i) {
[0][i] = value;
mat[i][0] = value;
mat}
for (size_t row = 1; row < dimension; ++row) {
std::copy(symbol.begin(), symbol.end(), mat[row].begin() + 1);
std::rotate(symbol.rbegin(), symbol.rbegin() + 1, symbol.rend());
}
}
ここまで紹介した中で、 Householder を除く行列は VST 3 プラグインの FDN64Reverb に実装したので、興味のある方は試してみてください。
三角行列と Schroeder リバーブ行列はショートディレイが目立つ金属的な音になることがほとんどです。リバーブとしてはいまいちですが、変調をかけると逆に味が出ます。どちらも FDN を使わないほうが効率よく実装できるので、特殊化したプラグインを作ったほうが CPU 消費の点から使いやすくなりそうです。
直交行列、特殊直交行列、吸収オールパス行列、アダマール行列はショートディレイが目立つことが比較的少ないです。直交行列と特殊直交行列の違いは聞き取れませんでした。吸収オールパス行列については FDN を使わないほうが効率よく実装できます。アダマール行列はランダムな直交行列と似たような音です。
巡回行列は細長い管を伝わってきたような音に聞こえることが多いです。上にあげた 2 つのグループの中間といったところです。
Conference 行列はとてもいい音だと感じました。対角成分が 0 なので、単純なコムフィルタになっている部分がないというのがミソなのかと思います。行列の大きさに制約がある点はマイナスです。
行列の値を固定してしまうなら、アダマール行列か conference 行列を使うのはいい選択に見えます。どちらも -1, 0, 1 の 3 つの値しかとらないので整数演算にもフレンドリーです。
直交行列と特殊直交行列についてはランダマイズのときに対角成分の大きさを調整できるようにすれば質感のコントロールができそうです。
特殊直交行列をランダムに生成するとき、以下の行で乱数を使っています。
for (size_t i = 0; i < xRange; ++i) x[i] = dist(rng);
この行を以下のように変更することで、どれくらい単位行列に近くなるかということを設定できます。
[0] = Sample(1);
xfor (size_t i = 1; i < xRange; ++i) x[i] = identityAmount * dist(rng);
identityAmount
は 0 より大きい実数です。 0
に近づくほど生成された特殊直交行列が単位行列に近づきます。 1
を大きく超えると対角成分が他の成分に比べて小さくなります。負の値も使えますが、
dist(rng)
は 0
で対称な正規分布から値を引いてくるので特に意味はないです。
この方法を調べたきっかけは、以下の式のように FDN フィードバック行列 \(M\) を回転行列 \(R\) で 1 サンプルごとに変更するとどうなるかということが気になったからです。 \(n\) は現在処理中のサンプル、 \(n-1\) は 1 サンプル前の結果を表しています。
\[ M_n = R M_{n-1} \]
なぜ単位行列に近づけたかったのかというと、乗算による値の変化が大きいときに出るポップノイズを抑えたかったからです。特殊直交行列は回転を表しています。そして単位行列に近いということは、一回当たりの乗算による回転量が少ないと考えられます。結果としては単にトレモロのような音になるだけで、計算コストに効果が見合っていないと感じました。また、乗算のたびに誤差の影響で特殊直交行列からかけ離れていくという問題もあります。
今回は使っていませんが、 FDN への応用では以下のように直交行列をソートすることで扱いやすくなることがあるかもしれません。
from scipy.stats import special_ortho_group
= 0 # 0, 1 のどちらでもいい。
axis
= special_ortho_group.rvs(4)
source = np.argmax(np.abs(source), axis=axis)
sorted_indices = np.take(source, sorted_indices, axis) # ソートしても直交行列。 mat
Weighing 行列を使うと異なる形の conference 行列が作れるそうです。構築法がよくわからなかったので実装はあきらめました。