CN101833949B - 一种用于消减噪声的有源噪声控制方法 - Google Patents

Abstract

本发明公开了一种用于消减噪声的有源噪声控制方法，在一个有源噪声控制装置上进行以下步聚的操作：1)用普通的LMS算法对次级源与误差传感器之间的传递函数进行辨识，得到信号传输通道的传递函数估计值2)根据初级噪声源信号x(n)得到FXLMS算法自适应滤波器W(n)的输出信号y₁(n)；3)根据信号传输通道的滤波参考信号得到DFT_FSF算法自适应滤波器的输出信号y₂(n)；4)y₁(n)和y₂(n)相加后得到y(n)，并分别得到误差传感器处的期望信号d(n)、误差信号e(n)和d(n)的估计值5)对DFT_FSF算法自适应滤波器V(n)进行更新，并对FXLMS自适应滤波器W(n)进行调整；重复步骤2)～5)，使e(n)逐渐减小，从而实现在误差传感器处降低噪声的目的；优点是结合利用了FXLMS算法适合窄带降噪和DFT_FSF算法适合宽带降噪的优点，大幅降低运算量。

Description

一种用于消减噪声的有源噪声控制方法

技术领域

本发明涉及一种消减噪声的方法，尤其是涉及一种用于消减噪声的有源噪声控制方法。

背景技术

现有的有源噪声控制利用声波的叠加原理，通过次级声源产生一组与初级噪声幅度相同相位相反的声波，二者在误差传感器处相加，从而达到消减噪声的效果。几十年来，人们提出许多噪声控制算法，其中最著名的是Widrow提出的滤波—X LMS算法(FXLMS)。

鉴于FXLMS算法收敛速度慢，仅对窄带噪声效果好，对宽带噪声降噪效果差的情况，人们根据噪声频谱宽带特性，提出了基于子带自适应滤波器以及频域FXLMS类的算法，但它们在初级参考噪声路径上引入了较多的时延，因而在宽带噪声控制上效果并不理想。为克服子带滤波器对初级噪声时延的影响，Morgan(1995)提出了一种无延时子带滤波器结构，该结构利用快速傅里叶变换(FFT)，自适应滤波器系数在各子带内分别调整，通过特定组合，再转换到时域滤波器，然后产生控制信号。因其消除了对初级参考信号的时延，所以提高了算法的收敛速度。但该结构对不同的环境噪声其子带的分割数量必须谨慎设计，否则有可能造成收敛不好或无法收敛【陈志伟】，给实际应用带来不便。

日本学者Yoji Yamada【2006】等人提出了一种适合宽带噪声信号的有源噪声控制结构，利用离散傅里叶变换—频域抽样滤波器(DFT_FSF)，将整个噪声信号分成数千个子频带，每个频带用一个一阶自适应滤波器进行处理，获得了快速的收敛速度和宽带处理范围。但该方法也有一些不足：若噪声信号为单频或多个单频信号，则收敛效果出现不稳定现象；该方法每个抽样点都要进行两次离散傅里叶变换DFT和一次逆DFT运算，尽管DFT可以用FFT完成，其总运算量也非常可观，这样就对处理器提出了过高的要求。

发明内容

本发明所要解决的技术问题是提供一种在基本不降低算法性能的前提下大幅降低运算量，更适合实际应用的用于消减噪声的有源噪声控制方法。

本发明解决上述技术问题所采用的技术方案为：一种用于消减噪声的有源噪声控制方法，有源噪声控制装置包括：1个用于拾取初级噪声源信号的参考传感器、1个用以产生与初级噪声源信号相反的抵消噪声信号的次级源和1个用以拾取初级噪声源信号与抵消噪声信号相互抵消后的残留信号的误差传感器，它包括以下步聚：

1)通过控制电路产生辨识激励信号，将辨识激励信号传送到信号传输通道，使次级源发出激励声波，由误差传感器拾取激励声波，并送回控制电路，用普通的LMS算法对所述的次级源与所述的误差传感器之间的传递函数进行辨识，得到其系数向量S(n)的估计值

；

2)在控制电路上读取参考传感器的初级噪声源信号x(n)，根据公式y₁(n)＝W^T(n)X(n)得到自适应滤波器W(n)的输出信号y₁(n)，上标T是转置符号；

3)根据公式

得滤波参考信号x_f(n)，根据公式y₂(n)＝V^T(n)X_f(n)得到DFT_FSF算法自适应滤波器V(n)的输出信号y₂(n)；

4)将y₁(n)和y₂(n)相加后得到y(n)，y(n)一路经信号传输通道S(z)到达误差传感器处对误差传感器处的期望信号d(n)进行抵消后，得到误差信号e(n)；另一路经信号传输通道S(z)的估计模型

后与误差信号e(n)相减，根据公式

得到期望信号d(n)的估计值

5)对DFT_FSF算法自适应滤波器时域系数向量V(n)进行更新，并根据公式W(n+1)＝W(n)-μX_f(n)e(n)，对FXLMS算法自适应滤波器时域系数向量W(n)进行调整；

重复步骤2)～5)，使e(n)逐渐减小，从而实现在误差传感器处降低噪声的目的。

对DFT_FSF算法自适应滤波器时域系数向量V(n)进行更新的具体步骤如下：

首先对最新的x_f(n)和

的个数进行计数，当获得B个新的数据时，即获得[x_f(n)，x_f(n-1)，...x_f(n-B+1)]^T或

后，连同该B个数据以前的M-B个旧数据合成两个M维向量X_f(n)＝[x_f(n)，x_f(n-1)，...x_f(n-B+1)，x_f(n-B)，...x_f(n-M+1)]^T和

其中B为4或8或16或32，M为512或1024或2048；

然后，对上述两个M维向量进行离散傅里叶变换(DFT)，得到各自的频域信号X_k(m)和D_k(m)，0≤k≤M-1，

再按以下公式对V_e(ω_k)进行更新

for k＝0 to M-1

${\hat{X}}_k\left(m\right)=\mathrm{\α}{\hat{X}}_k(m-1)+X_k\left(m\right)$

${\hat{D}}_k\left(m\right)=\mathrm{\α}{\hat{D}}_k(m-1)+D_k\left(m\right)$

$r_k\left(m\right)=\mathrm{\λ}{r}_k(m-1)+{\hat{X}}_k\left(m\right){\hat{X}}_k^{*}\left(m\right)$

$p_k\left(m\right)=\mathrm{\λ}{p}_k(m-1)+{\hat{D}}_k\left(m\right){\hat{X}}_k^{*}\left(m\right)$

V_e(ω_k)＝p_k(m)/(r_k(m)+σ)

其中V_e(ω_k)是DFT_FSF算法自适应滤波器V(n)的M个系数的频域分量，0≤k≤M-1，0＜α＜1，0＜λ＜1，k＝0，1，2...M-1，m为与n相关的时间值，为

其中

为取整运算，B是数据块的大小，即DFT_FSF算法自适应滤波器每输入B个新的数据，V_e(ω_k)才更新一次；0＜σ＜＜1，

最后按公式

$v\left(l\right)=\frac{1}{M}\underset{k=0}{\overset{M-1}{\mathrm{\Σ}}}{V}_e\left({\mathrm{\ω}}_k\right)e^{j\frac{2\mathrm{\πlk}}{M}},0\≤l\≤M-1$

得到更新后DFT_FSF算法自适应滤波器时域系数向量V(n)＝[v(0)，v(1)，v(2)，...v(M-1)]^T。

与现有技术相比，本发明的优点在于结合利用了FXLMS算法的简单和对窄带噪声效果好，以及DFT_FSF算法对宽带噪声效果好、收敛快的优点，进一步调整了DFT_FSF算法的运行时序，在基本不降低算法性能的前提下大幅降低运算量，使得算法结构更适合实际应用。

该算法的基本特点是：

1.利用M通道最大抽取DFT_FSF算法自适应滤波器组，构造一组M个自适应滤波器，每个滤波器只有一个系数。

2.M个滤波器频域系数V_e(ω_k)单独调整，利用逆离散傅里叶变换(IDFT)转换为时域滤波器系数向量V(n)，收敛速度大大加快。

与FXLMS算法相比，新DFT_FSF算法自适应滤波器系数向量V(n)每来B个新数据x_f(n)，x_f(n-1)，...，x_f(n-B+1)、

才更新一次；而FXLMS算法自适应滤波器系数向量W(n)每来一个新的数据x(n)就更新一次；与原DFT_FSF算法相比，新方法计算量降低B-1倍。

附图说明

图1为本发明的数学模型的示意图；

图2为本发明DFT_FSF算法自适应滤波器的结构示意图；

图3为用于验证各种算法收敛前后，噪声信号的功率谱的150阶滤波器的S(z)和P(z)的单位脉冲响应示意图；

图4(a)、(b)、(c)、分别为三种算法收敛前后，噪声信号的功率谱对比结果示意图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

如图1和图2所示，一种用于消减噪声的有源噪声控制方法，有源噪声控制装置(现有技术，图未显示)包括1个用于拾取初级噪声源信号的参考传感器、1个用以产生与初级噪声源信号相反的抵消噪声信号的次级源和1个用以拾取初级噪声源信号与抵消噪声信号相互抵消后的残留信号的误差传感器，它包括以下步聚：

1)通过控制电路产生辨识激励信号，将辨识激励信号传送到信号传输通道，使次级源发出激励声波，由误差传感器拾取激励声波，并送回控制电路，用普通的LMS算法对次级源与误差传感器之间的传递函数进行辨识，得到其系数向量S(n)的估计值

2)在控制电路上读取参考传感器的初级噪声源信号x(n)，根据公式y₁(n)＝W^T(n)X(n)得到自适应滤波器W(n)的输出信号y₁(n)，上标T是转置符号；

3)根据公式得滤波参考信号，根据公式y₂(n)＝V^T(n)X_f(n)得到DFT_FSF算法自适应滤波器V(n)的输出信号y₂(n)；

4)y₁(n)和y₂(n)相加后得到y(n)，y(n)一路经信号传输通道S(z)到达误差传感器处对误差传感器处的期望信号d(n)进行抵消后，得到误差信号e(n)；另一路经信号传输通道S(z)的估计模型

后与误差信号e(n)相减，根据公式

得到期望信号d(n)的估计值

5)对DFT_FSF算法自适应滤波器时域系数向量V(n)进行更新，并根据公式W(n+1)＝W(n)-μX_f(n)e(n)，对FXLMS算法自适应滤波器时域系数向量W(n)进行调整；

重复步骤2)～5)，使e(n)逐渐减小，从而实现在误差传感器处降低噪声的目的。

图1中，P(z)是从参考传感器到误差传感器之间的传输函数，称之为初级通道模型；S(z)是从滤波器W(z)输出到误差传感器之间的传输函数，称为次级通道模型；W(z)是FXLMS算法自适应滤波器传输函数；V(z)是DFT_FSF算法自适应滤波器传输函数；

是对S(z)的估计。

x(n) 来自参考传感器的初级参考噪声信号；

y₁(n) FXLMS算法自适应滤波器W(n)的输出信号；

y₂(n) DFT_FSF算法自适应滤波器V(n)的输出信号；

y(n) y₁(n)和y₂(n)的和；

d(n) 误差传感器处的期望信号；

误差传感器处的期望信号估计值；

e(n) 误差传感器处的误差信号；

W(n) FXLMS算法自适应滤波器时域系数向量，W(z)是其z变换；

V(n) DFT_FSF算法自适应滤波器时域系数向量，V(z)是其z变换；

S(n) 次级源到误差传感器之间的传递函数系数向量，S(z)是其z变换，亦称信号传输通道；

次级源到误差传感器之间的传递函数系数向量的估计值，

是其z变换，亦称信号传输通道估计模型；

x_f(n) x(n)经

后的滤波参考信号；

上面所述z变换是信号处理领域中常规的信号变换形式。

设自适应滤波器W(n)阶数为L，次级通道模型

阶数为N，则

X(n)＝[x(n)，x(n-1)，x(n-2)...，x(n-L+1)]^T；

X_f(n)＝[x_f(n)，x_f(n-1)，x_f(n-2)...，x_f(n-L+1)]^T；

Y(n)＝[y(n)，y(n-1)，y(n-2)...，y((n-N+1)]^T；

根据以上定义，可得FXLMS算法自适应滤波器更新步骤如下：

y₁(n)＝W^T(n)X(n)；

$x_f\left(n\right)={\hat{S}}^T\left(n\right)X\left(n\right);$

W(n+1)＝W(n)-μX_f(n)e(n)；

其中μ是自适应滤波器收敛因子，表达为公式

其中X_f(n)＝[x_f(n)，x_f(n-1)，x_f(n-2)...，x_f(n-L+1)]^T是滤波参考信号向量，0＜δ＜＜1用以防止分母为零，

DFT_FSF算法自适应滤波器的结构与现有技术相同，包括四个部分：两个M点DFT模块，用于将输入的时域信号进行M点DFT变换，得到各自频域分量；M个一阶自适应滤波器，用以计算频域DFT_FSF算法自适应滤波器系数；一个M点逆DFT模块，用于将计算得到的频域DFT_FSF算法自适应滤波器系数转换为时域滤波器系数。DFT模块和逆DFT模块一般用成熟的FFT算法完成。

图2中，z^-1为单位延时器；

X_k(m)：X_f(n)经M点DFT得到的M点频域值，一般为复数，0≤k≤M-1；

D_k(m)：D(n)经M点DFT得到的M点频域值，一般为复数，0≤k≤M-1；

V_e(ω_k)：DFT_FSF算法自适应滤波器的M个频域系数，一般为复数，0≤k≤M-1；

V(n)＝[v(0)，v(1)，v(2)，...v(M-1)]^T：DFT_FSF算法自适应滤波器的时域系数向量；对DFT_FSF算法自适应滤波器的时域系数向量V(n)进行更新的具体步骤如下：

首先对最新的x_f(n)和

的个数进行计数，当获得B个新的数据时，即获得[x_f(n)，x_f(n-1)，...x_f(n-B+1)]^T或

后，连同该B个数据以前的M-B个旧数据合成两个M维向量X_f(n)＝[x_f(n)，x_f(n-1)，...x_f(n-B+1)，x_f(n-B)，...x_f(n-M+1)]^T和

其中B为4或8或16或32，M为512或1024或2048；

然后，对上述两个M维向量进行离散傅里叶变换(DFT)，得到各自的频域信号X_k(m)和D_k(m)，0≤k≤M-1，

再按以下公式对V_e(ω_k)进行更新

for k＝0 to M-1

${\hat{X}}_k\left(m\right)=\mathrm{\α}{\hat{X}}_k(m-1)+X_k\left(m\right)$

${\hat{D}}_k\left(m\right)=\mathrm{\α}{\hat{D}}_k(m-1)+D_k\left(m\right)$

$r_k\left(m\right)=\mathrm{\λ}{r}_k(m-1)+{\hat{X}}_k\left(m\right){\hat{X}}_k^{*}\left(m\right)$

$p_k\left(m\right)=\mathrm{\λ}{p}_k(m-1)+{\hat{D}}_k\left(m\right){\hat{X}}_k^{*}\left(m\right)$

V_e(ω_k)＝p_k(m)/(r_k(m)+σ)

其中V_e(ω_k)是DFT_FSF算法自适应滤波器的M个系数的频域分量，0≤k≤M-1，0＜α＜1，0＜λ＜1，k＝0，1，2...M-1，m为与n相关的时间值，为

其中

为取整运算，B是数据块的大小，即DFT_FSF算法自适应滤波器每输入B个新的数据，V_e(ω_k)才更新一次；B可取4、8或16。为保证一定的收敛速度，B一般不大于32；0＜σ＜＜1，

最后按公式

$v\left(l\right)=\frac{1}{M}\underset{k=0}{\overset{M-1}{\mathrm{\Σ}}}{V}_e\left({\mathrm{\ω}}_k\right)e^{j\frac{2\mathrm{\πlk}}{M}},0\≤l\≤M-1$

得到更新后的DFT_FSF算法自适应滤波器的时域系数向量V(n)＝[v(0)，v(1)，v(2)，...v(M-1)]^T。

下面通过一个具体的例子对本发明的有源噪声控制方法与另外两种方法进行实验，如图3所示，实验选择的150阶滤波器的S(z)和P(z)的单位脉冲响应分别有17点和33点延时。假设设

与S(z)完全一致；FXLMS算法自适应滤波器阶数为L＝256，

DFT_FSF算法自适应滤波器阶数M＝1024，α＝0.5，λ＝0.99，σ＝0.00001，B＝16，即每来16个新数据，DFT_FSF算法自适应滤波器的系数更新一次。

基于上述条件，分别单独用FXLMS算法、单独用DFT_FSF算法以及它们的组合算法即新算法结构，各种算法收敛前后，噪声信号的功率谱对比结果如图4(a)、(b)、(c)所示。

通过比较可以发现，FXLMS算法只对窄带噪声有效，而对宽带噪声效果较差；DFT_FSF算法对宽带噪声效果明显，但对单频或多个单频噪声效果有限；而本发明提出的方法结合了二者的优点，达到了对宽带、单频或多个单频噪声同时抵消的较为理想的效果。

Claims (1)

1.一种用于消减噪声的有源噪声控制方法，有源噪声控制装置包括：1个用于拾取初级噪声源信号的参考传感器、1个用以产生与初级噪声源信号相反的抵消噪声信号的次级源和1个用以拾取初级噪声源信号与抵消噪声信号相互抵消后的残留信号的误差传感器，其特征在于它包括以下步聚：

1)通过控制电路产生辨识激励信号，将辨识激励信号传送到信号传输通道，使次级源发出激励声波，由误差传感器拾取激励声波，并送回控制电路，用普通的LMS算法对所述的次级源与所述的误差传感器之间的传递函数进行辨识，得到其系数向量S(n)的估计值

2)在控制电路上读取参考传感器的初级噪声源信号x(n)，根据公式y₁(n)＝W^T(n)X(n)得到FXLMS算法自适应滤波器的输出信号y₁(n)，其中W(n)是FXLMS算法自适应滤波器时域系数向量，X(n)初级噪声源信号向量，是上标T是转置符号；

3)根据公式

得滤波参考信号，根据公式y₂(n)＝V^T(n)X_f(n)得到DFT_FSF算法自适应滤波器的输出信号y₂(n)，其中V(n)是DFT_FSF算法自适应滤波器的时域系数向量，X_f(n)是滤波参考信号向量；

4)将y₁(n)和y₂(n)相加后得到y(n)，y(n)一路经信号传输通道到达误差传感器处对误差传感器处的期望信号d(n)进行抵消后，得到误差信号e(n)；另一路经信号传输通道的估计模型

后与误差信号e(n)相减，根据公式

得到期望信号d(n)的估计值

其中，S(z)是S(n)的z变换，

是

的z变换，Y(n)是y(n)的向量；

5)对DFT_FSF算法自适应滤波器时域系数向量V(n)进行更新，并根据公式W(n+1)＝W(n)-μX_f(n)e(n)，对FXLMS算法自适应滤波器时域系数向量W(n)进行调整，其中，μ是FXLMS算法自适应滤波器的收敛因子，表达为公式

0＜δ＜＜1，

重复步骤2)～5)，使e(n)逐渐减小，从而实现在误差传感器处降低噪声的目的。

Images