CN105679303A - 用于稳健宽带主动噪声控制系统的具有阈值的子带算法 - Google Patents

Abstract

本发明提供一种用于稳健宽带主动噪声控制系统的具有阈值的子带算法。一种主动噪声控制(ANC)系统包括扬声器和一个或更多个处理器。所述一个或更多个处理器实现自适应子带滤波参考控制算法，所述自适应子带滤波参考控制算法将阈值应用到参考信号通路和误差反馈信号通路，使得响应于具有20Hz至20kHz的可听频率范围的指示车辆中的道路噪声的一系列宽带非高斯脉冲参考信号，定义所述控制算法的自适应滤波器的权重系数收敛且允许主动噪声控制系统经由扬声器的输出而部分地抵消道路噪声。

Description

用于稳健宽带主动噪声控制系统的具有阈值的子带算法

技术领域

本申请涉及车辆主动噪声(activenoise)控制系统。

背景技术

在车舱内部存在多种噪声源，诸如，动力传动系统、轮胎-路面、风以及各种电子组件。在发动机处于怠速或正在改变速度时，动力传动系统噪声通常是占主导地位。另一方面，占主导地位的车辆内部噪声是行驶速度超过30-40km/h时的结构振动道路噪声。这些噪声是可能烦扰乘客和影响车辆性能的感知质量的主要干扰。因此，某些汽车制造商正在改善车辆噪声、振动和声振粗糙度(NVH)性能以满足客户需求。

发明内容

在一示例中，提出一种在参考信号通路和误差信号通路上具有阈值的改进的子带X滤波最小平均M估计(filtered-xleastmeanM-estimator，FXLMM)算法，作为用于处理具有碰撞的道路噪声的主动噪声控制(ANC)系统的基础。该算法可克服针对有色噪声控制的标准X滤波最小均方(filtered-xleastmeansquares，FXLMS)算法的固有限制(诸如，高的计算成本和低的收敛速度)。此外，由于道路颠簸或坑洼而引起的针对非高斯碰撞道路噪声的FXLMS算法的不稳定性问题可被避免。

在另一示例中，一种车辆包括主动噪声控制(ANC)系统。主动噪声控制系统包括：用于实现自适应子带滤波参考控制算法的处理器，其中，所述自适应子带滤波参考控制算法将阈值应用到参考信号通路和误差反馈信号通路，使得响应于指示车辆中的道路噪声的一系列宽带非高斯脉冲参考信号，定义所述自适应子带滤波参考控制算法的自适应滤波器的权重系数收敛且允许主动噪声控制系统部分地抵消道路噪声。阈值的值可基于脉冲参考信号的大小的方差。阈值的值可随着所述方差的增大而增大。阈值的值基于脉冲参考信号的百分位特性。所述自适应子带滤波参考控制算法可具有无延迟性。所述自适应子带滤波参考控制算法是X滤波最小均方(FXLMS)自适应子带滤波参考控制算法或X滤波最小平均M估计(FXLMM)自适应子带滤波参考控制算法。所述自适应子带滤波参考控制算法可包括离散傅里叶变换(DFT)滤波器组。其它示例也在此进行了描述。

提供一种用于主动地控制噪声的方法，所述方法包括：一个或更多个处理器实现自适应子带滤波参考控制算法，其中，所述自适应子带滤波参考控制算法将第一阈值应用到参考信号通路，并将第二阈值应用到误差反馈信号通路，使得响应于具有20Hz至20kHz的可听频率范围的一系列宽带非高斯脉冲参考信号，定义所述自适应子带滤波参考控制算法的自适应滤波器的权重系数集收敛。

根据本发明的一个实施例，阈值的值基于脉冲参考信号的幅值的方差。

根据本发明的一个实施例，阈值的值随着所述方差的增大而增大。

根据本发明的一个实施例，阈值的值基于脉冲参考信号的百分位特性。

根据本发明的一个实施例，所述自适应子带滤波参考控制算法具有无延迟性。

根据本发明的一个实施例，所述自适应子带滤波参考控制算法是X滤波最小均方(FXLMS)自适应子带滤波参考控制算法或X滤波最小平均M估计(FXLMM)自适应子带滤波参考控制算法。

根据本发明的一个实施例，所述自适应子带滤波参考控制算法包括离散傅里叶变换(DFT)滤波器组。

根据本发明的一个实施例，离散傅里叶滤波器组是均匀带宽傅里叶变换滤波器组或可变带宽傅里叶变换滤波器组。

一种主动噪声控制(ANC)系统包括：扬声器和一个或更多个处理器，所述一个或更多个处理器被配置为：实现自适应子带滤波参考控制算法，其中，所述自适应子带滤波参考控制算法将阈值应用到参考信号通路和误差反馈信号通路，使得响应于具有20Hz至20kHz的可听频率范围的指示车辆中的道路噪声的一系列宽带非高斯脉冲参考信号，定义所述自适应子带滤波参考控制算法的自适应滤波器的权重系数收敛且允许有源噪声控制系统经由扬声器的输出而部分地抵消道路噪声。

根据本发明的一个实施例，所述自适应子带滤波参考控制算法具有无延迟性。

根据本发明的一个实施例，所述自适应子带滤波参考控制算法是X滤波最小均方(FXLMS)自适应子带滤波参考控制算法或X滤波最小平均M估计(FXLMM)自适应子带滤波参考控制算法。

根据本发明的一个实施例，所述自适应子带滤波参考控制算法包括离散傅里叶变换(DFT)滤波器组。

附图说明

图1是配置有在用于车辆的噪声控制系统的情境内的具有阈值的改进的子带FXLMS算法的前馈控制示意图。

图2是针对各种M估计的评分函数的曲线图。

图3是高斯数据集的盒形图和概率分布函数(PDF)。

图4是具有针对碰撞道路噪声的阈值的主动噪声控制(ANC)系统的流程图。

图5是次级通路幅值和相位响应的曲线图。

图6是针对具有三次碰撞事件的普通道路噪声的控制的结果的时间历史的曲线图。

图7是在图6的虚线框中的控制之前和之后的普通道路噪声的频谱的曲线图。

图8是针对十次碰撞事件和普通道路噪声的控制的结果的时间历史的曲线图。

图9是在控制之前和之后的十次碰撞道路噪声的声压水平的曲线图。

图10是在图8的最后2秒中的控制之前和之后的普通道路噪声的频谱的曲线图。

具体实施方式

在此描述本公开的实施例。然而，应该理解的是，所公开的实施例仅是示例，并且其它实施例可采用各种替代形式。附图无需按比例绘制；可夸大或最小化一些特征以示出特定组件的细节。因此，在此公开的具体结构和功能细节不应被解释为具有限制性，而仅仅是作为用于教导本领域技术人员以多种方式利用本发明的代表性基础。本领域普通技术人员将理解的是，参照任一附图示出和描述的各种特征可与在一个或更多个其他附图中示出的特征相结合，以产生未被明确示出或描述的实施例。示出的特征的组合提供用于典型应用的代表性实施例。然而，针对特定应用或实现，可期望对与本公开的教导一致的特征进行各种组合和修改。

引言

为了在乘客车厢内获取更好的NVH性能，常见的改进方法通常通过对特定组件增加更多的质量、调谐刚度和阻尼特性以及设计各种类型的消声器来实现。然而，这种技术受制于低频率限制。可选地，主动噪声控制(ANC)技术还示范了对车厢内部的较低频动力传动系统噪声和道路噪声进行调节的好方法。

为开发针对汽车应用的可行ANC系统，存在大量推动的研究工作，所述研究工作大多针对诸如与动力传动系统有关的噪声和普通道路噪声的平稳噪声。更精确地，平稳噪声与倾向于产生非高斯类型噪声(诸如车辆碰撞道路噪声)的高瞬态现象是不同的。结构振动道路噪声是具有大多数能量处在从60Hz到400Hz的低频范围的有色宽带噪声。因此，设计前馈ANC系统以通过使用加速度计来采集占主导地位的结构振动通路中的参考信号来控制道路噪声可能是有效的。例如，一些人已经提出针对低频发动机噪声和道路噪声的配置有传统X滤波最小方差(FXLMS)算法的多信道ANC系统。其他人通过将与悬吊系统平行附着的惯性振荡器用作控制致动器来修改车辆地板面板的振动行为使得辐射噪声被降低，已开发出针对结构振动道路噪声的主动结构声学控制(ASAC)系统。最近，已经将用于道路噪声控制的ANC系统与车辆内置音频系统和反馈系统相结合，而无需附加的参考加速度计。大多数这些类型的系统使用自适应FXLMS算法。然而，传统的FXLMS算法在被直接应用到道路噪声控制时具有固有的低效性(例如，高的计算量和低的收敛速度)。这是因为宽带道路噪声通常需要较长阶自适应滤波器，且由于有色参考信号的大特征值扩散度，FXLMS算法的指定步长对于所有频率不是最优的。

基于子带的FXLMS算法是用于克服传统的FXLMS算法的固有限制的一可选方式，特别是在自适应滤波器需要数百个用于宽带噪声的过滤阀时。子带自适应滤波的思路是将全频带输入参考和误差信号分解为特定数量的子带以及从较高采样率到较低采样率对子带信号进行降采样，减小了针对每个频带所需的自适应滤波器权重的数量。此外，子带滤波处理将均衡每个频带中的参考信号的频谱，这给出较小的频谱动态范围，从而显著地提高了收敛速度。然而，由于用于将信号分解为子带的两个分析滤波器和用于将子带信号合并为全频带的一个合成滤波器的实施，所以这些早期子带结构倾向于合并信号通路中的额外延迟。在针对宽带噪声的ANC应用中，该延迟可明显地恶化收敛性能且甚至由于违背了非因果性而导致不稳定性。因此，一些人已经提出无延迟子带自适应滤波器，在所述无延迟子带自适应滤波器中传统的子带算法的合成滤波器被去除，且每个频带中的滤波器权重被合并且转化成时域以用于每个样本点中的更新。无延迟子带ANC算法的频域实现也已被提出。例如，针对车辆内部道路噪声，其他人已经开发出使用子带处理技术的组合的前馈和反馈ANC系统。该子带算法已经平衡宽带频率范围上的收敛能力，且产生接近于理论值的整体下降。

尽管在公开的文献中报告了多种有前景成果，但针对道路噪声(本质上随机)的ANC的主要关注之一是针对参考加速度计的非稳定性处理以及容易受到道路凹凸的影响的感知的道路噪声。相反地，针对动力传动系统噪声的ANC系统是更为确定的，且发动机速度的转速计信号监测通常被用作参考。用于道路噪声的ANC的混合条件包括由于道路表面凹凸或不连续(诸如道路颠簸和坑洼)而产生的碰撞声学响应。这些类型的脉冲噪声通常遵循非高斯统计分布。因此，基于确定信号和/或高斯信号的假设而提出的传统FXLMS算法倾向于造成针对ANC系统的稳定性问题。为了解决针对有色噪声的FXLMS算法的固有的慢收敛及其针对非高斯碰撞噪声的不稳定性问题，更高级的控制系统被提出。

这里，公开了用于具有碰撞的宽带道路噪声的稳健ANC系统。例如，改进的无延迟子带算法嵌入了基于M估计集的算法的优点，以处理脉冲宽带干扰。与FXLMS算法所使用的标准L₂指示器相比较，M估计对于脉冲样本更加稳健。另外，参考信号通路中的阈值可被合并，以进一步提高算法的稳健性。为了验证提出的系统的有效性，进行数值仿真以控制实际的碰撞道路噪声。

首先介绍通用的基于子带的修改的FXLMM算法的详细推导，在所述通用的基于子带的修改的FXLMM算法中，以通用形式给出滤波器权重更新等式，以量化针对脉冲样本的各种M估计的误差函数的稳健性。另外，在参考信号通路中引入阈值限界，以进一步提高自适应滤波器权重更新处理的稳健性，使得来自尖峰数据的干扰被避免。在线方法和离线方法被应用，以确定包括在每个稳健M估计函数中的相关阈值参数。因此，可针对碰撞有色噪声控制在较宽频率范围上获得快速收敛并实现最优的性能。为了验证提出的系统的性能，进行用于控制测量的具有碰撞的道路噪声的数值仿真。

具有改进的子带算法的控制器

稳健M估计算法

图1是示出包括主动噪声控制(ANC)系统12的车辆10的示意图。在该示例中，ANC系统包括至少一个处理器14，所述至少一个处理器14实现配置有具有阈值的改进的子带FXLMM算法的前馈控制16。在该示例中，前馈控制16包括：参考信号产生器块18、阈值块20、离散傅里叶变换(DFT)滤波器组22和子带次级通路块24。前馈控制16还包括M估计块26、DFT滤波器组28和滤波器权重更新块30。前馈控制16还包括权重变换块32、自适应滤波器块34、噪声产生器块36、最小均方算法块38和估计次级通路块40。这里，x(n)是可由加速度计组和/或麦克风组42至44采集到的参考信号，d(n)是由麦克风46采集到的主要噪声，e(n)是在主要噪声和次级抵消噪声的叠加之后的误差信号。次级抵消噪声经由扬声器48被输出到车辆10的车厢。当然，这种布置可被扩展到多信道配置。

标准全频带FXLMS算法使用参考信号x(n)来自适应地产生次级噪声，所述次级信号由误差信号e(n)进行监测。然而，标准全频带FXLMS算法需要从控制扬声器到误差麦克风的次级转移通路的精确的模型，这可通过使用离线或在线系统识别方法来估计。FXLMS算法的滤波器权重更新等式可被概括为：

y(n)＝w(n)^Tx(n)(1a)

e(n)＝d(n)-y′(n)(1b)

$w(n+1)=w\left(n\right)+\mathrm{\μ}e\left(n\right)\[\hat{S}\left(n\right)*x\left(n\right)\]---\left(1c\right)$

其中，是收敛步长，且该步长需要在图1示出的滤波器权重更新块30中进行调整。该步长确定FXLMS算法的收敛和稳定性，是次级通路S(z)的脉冲响应。可以从等式(1c)看出，滤波器权重更新等式可突变为大的值，且当在参考信号和/或误差信号中出现尖峰脉冲时偏离。这使得典型的FXLMS算法对于脉冲噪声不稳定。为了提高传统FXLMS算法针对脉冲样本的稳健性，许多方法已被先前的研究者所采用，或者基于制定更为稳健的误差准则，或者依靠通过在参考信号通路和/或误差信号通路中添加阈值对FXLMS算法的简单修改。这里，开发了一系列的改进的基于M估计的算法，该系列的改进的基于M估计的算法统一了针对脉冲噪声控制的所有现有自适应算法。

M估计在稳健统计中是用于去除估计过程中的异常值的不利影响的常用方法。如果数据含有异常值，则常用最小二乘法(其被设计为使代价函数Σ_ne²(n)最小化)可能变得不稳定。因此，稳健M估计函数Σ_nρ{e(n)}已被用于代替最小二乘法。这里，函数ρ{e(n)}被看作为针对处理的数据中的异常值产生平稳估计量的通用稳健公式。

J(n)＝E[ρ{e(n)}]≈ρ{e(n)}(2)

其中，ρ{e(n)}是该系列的M估计函数。目标代价函数的一阶导数是：

$\widehat{\▿}\left(n\right)=\frac{\∂J\left(n\right)}{\∂w\left(n\right)}=\frac{\∂\mathrm{\ρ}\left\{e\left(n\right)\right\}}{\∂w\left(n\right)}=\frac{\∂\mathrm{\ρ}\left\{e\left(n\right)\right\}}{\∂e\left(n\right)}\frac{\∂e\left(n\right)}{\∂w\left(n\right)}=-\mathrm{\ψ}\left\{e\left(n\right)\right\}\[\hat{S}\left(n\right)*x\left(n\right)\]---\left(3\right)$

其中，是评分函数，所述评分函数控制脉冲样本对误差信号的影响。然后应用最陡下降算法，该系列的基于M估计的算法族的滤波器权重更新等式被表达为：

$w(n+1)=w\left(n\right)+u\mathrm{\ψ}\left\{e\left(n\right)\right\}\[\hat{S}\left(n\right)*x\left(n\right)\]---\left(4\right)$

然而，参考信号中的脉冲在针对这些基于M估计的算法的滤波器权重更新处理上仍具有不利影响。虽然一些评分函数ψ{e(n)}可限制误差信号中的脉冲样本，且保证整个项在特定时间指数不会偏离太多，但是由于通常在参考信号与误差信号之间存在特定时间延迟而使得它仍存在稳定性问题。参考信号中的脉冲样本可导致项的突变。因此，一系列的改进的基于M估计的算法被提出以进一步提高脉冲存在下的稳健性。

改进的算法的滤波器权重更新为：

$w(n+1)=w\left(n\right)+u\mathrm{\ψ}\left\{e\left(n\right)\right\}\[\hat{S}\left(n\right)*x_c\left(n\right)\]---\left(5a\right)$

$x_c\left(n\right)=\left\{\begin{array}{c}{c}_{2}x\left(n\right)\≥c_2\\ c_{1}x\left(n\right)\≤c_1\\ x\left(n\right)otherwise\end{array}\right.---\left(5b\right)$

阈值参数c₁和c₂可通过离线计算的统计(诸如通过选择原始信号的第一百分位和第九十九百分位)来进行估计。

表1描述了所提出的系列的基于M估计的算法的自适应滤波器权重更新等式。这里，不同的评分函数被包括在每个算法中，以提高针对脉冲样本的误差信号的稳健性。

表1

图2描述了针对所有这些M估计的评分函数。可以看出，当将二阶空间L₂作为准则时在大脉冲样本上没有限制。这就是为什么传统的FXLMS算法对于在误差信号中的功率的瞬时增长敏感。与此相反，M估计函数对误差函数的异常值进行约束。看起来基于对数变换的算法(FXLogLMS)和基于HampelM估计的算法(FXLMM)两者均强加“更硬的”限制，且评分函数在具有大幅值的脉冲出现时更迅速地下降到零。这两种算法对于大脉冲噪声可能是有效的。然而，对数和三部分阈值计算增加了算法的复杂度。另一方面，当大样本出现时，L₂空间和FairM估计两者都不提供硬边界(hardbound)。此外，FXLMP算法给出评分函数的平滑约束。而且，Fair算法的评分函数比FXLMP算法提供更好的约束。看起来Fair算法将针对更高脉冲噪声展现出更好的性能。还注意到的是，HuberM估计提供两部分阈值，其中，脉冲样本被上限阈值和下限阈值所替代。Huber函数的评分函数不像Log空间和Hampel的三部分函数那样下降到零，而是提供比L₂空间和FairM估计更好的约束。

所提出的系列的基于稳健M估计的算法能够针对脉冲样本提高传统FXLMS算法的稳健性。为了解决FXLMS算法的其它固有限制(诸如针对有色噪声的高的计算量和低的收敛速度)，子带自适应滤波方法被采用。因此，所提出的基于子带的具有阈值的改进的FXLMM算法倾向于是用于设计稳健的宽带ANC系统的更有前景的方法。

子带处理

具有改进的FXLMM算法的无延迟子带自适应滤波技术的过程可包括以下内容：

1)用于处理输入参考信号的全频带自适应滤波器；

2)将参考信号和误差信号分解成子带；

3)子带中的抽取(decimation)；

4)每个子带中的滤波器权重更新；

5)用于将子带权重变换成全频带的权重堆叠法。

实现子带算法的第一步是设计用于分解输入信号的分析滤波器组。存在各种设计这些用于将参考信号和误差信号分解成子带信号集的分析滤波器组的方法。这里，DFT滤波器组被采用。该方法首先通过设计低通原型滤波器来实现，然后其它的分析滤波器组通过复合调制(complexmodulation)来产生。可使用嵌入MATLAB的函数来设计原型滤波器H₀：

H₀＝fir1(L_p-1,1/M)(6)

其中，L_p是原型滤波器的阶，M是子带滤波器组的数量(注意M是偶数)。然后，其它M-1个滤波器组[H₁,H₂,…,H_M-1]可通过复合调制来获取。时域中的调制处理通过下式来实现：

h_m(i)＝h₀(i)e^j(i2πm/M)(7)

其中，h_m是第m个滤波器组H_m的脉冲响应，m＝0,1,…,M-1，i是h_m的第i个系数，i＝0,1,…,L_p。注意到的是，h_m(i)和h_M-m(i)的系数对于m＝1,2,…,M/2-1是复共轭。因此，对于实信号，仅最前面的M/2+1个子带需要被处理。另外，这些滤波器组的中心频率以固定带宽进行均匀分布。因此，这里所使用的子带算法被称作均匀子带。这主要是由于调制设计处理引起的。通过将全频带信号分解成子带，每个子带信号仅包含原始频带的1/M。因此，子带信号可在不丢失任何信息的情况下通过因子M来最大限度地抽取。采样因子被定义为D。参考信号和误差信号的分解处理可由下面的等式示出：

$x_m\left(\mathrm{\κ}\right)={\mathrm{\Σ}}_{i=0}^{L_p}{h}_m\left(i\right)x_c(\mathrm{\κ}D-i)---\left(8\right)$

$e_m\left(\mathrm{\κ}\right)={\mathrm{\Σ}}_{i=0}^{L_p}{h}_m\left(i\right)e_c(\mathrm{\κ}D-i)---\left(9\right)$

其中，x_m(κ)和e_m(κ)分别是第m个子带中的参考信号和误差信号，m＝0,1,…,M-1，M估计之后的误差信号被定义为e_c＝ψ{e(n)}，κ是块索引，i_κ＝(n-1)/D。为了进一步降低计算的复杂度，也可在子带中实现估计的次级通路转移函数如在图1中示出的，全频带被分解成子带函数集这些子带转移函数可通过使用离线或在线系统识别方法来进行估计，在所述离线或在线系统识别方法中，宽带噪声产生器可被分解成相应的子带。子带次级通路的每个脉冲响应包含I/D个系数，这里，I是全频带次级通路FIR滤波器的阶。因此，在每个子带中的过滤的参考信号为：

$x_m^{\′}\left(\mathrm{\κ}\right)=x_m\left(\mathrm{\κ}\right)*{\hat{s}}_m---\left(10\right)$

其中，*表示卷积处理。

然后，第m个子带中的滤波器权重更新等式为：

$w_m(\mathrm{\κ}+1)=w_m\left(\mathrm{\κ}\right)+{\mathrm{\μ}}_m\stackrel{\‾}{x_m^{\′}\left(\mathrm{\κ}\right)}{e}_m\left(\mathrm{\κ}\right)---\left(11\right)$

这是复值的更新处理。μ_m是在每个子带的收敛步长，w_m(κ)＝[w_m,0(κ),w_m,1(κ),…,w_m,N/D(κ)]^T是长度为N/D的子带滤波器权重向量，x′_m(κ)＝[x′_m(κ),x′_m(κ-1),…,x′_m(κ-N/D)]^T是第m个子带滤波器的参考信号向量，表示复共轭。可针对相应子带中的逆滤波参考信号功率对步长μ_m标准进行归一化。

${\mathrm{\μ}}_m=\frac{\mathrm{\μ}}{{x_m^{\′}}^T\left(\mathrm{\κ}\right)x_m^{\′}\left(\mathrm{\κ}\right)+\∈}---\left(12\right)$

其中，μ是归一化步长，是用于避免无穷步长的很小的常数值。然后，过滤的参考信号向量x′_m(κ)和w_m可被累计到每个子带中的长向量。

下一步是将子带滤波器权重集变换成等效全频带滤波器。在公开文献中提出了若干权重变换技术(例如，FFT-1堆叠、FFT-2堆叠、DFT-FIR权重变换以及线性权重变换)。这里，FFT-堆叠法被采用。子带滤波器权重w_m通过N/D-点FFT被变换到频域：

$W_m={\[W_m\left(0\right),W_m\left(1\right),...,W_m(\frac{N}{D}-1)\]}^T=FFT\left\{w_m\right\}---\left(13\right)$

然后，这些在每个子带滤波器m＝0,2,…,M-1中的频域系数W_m()被适当叠加以构造N个元素的数组：

W＝[W(0),W(1),…,W(N-1)]^T(14)

其中，W是全频带滤波器的频域系数。FFT-堆叠规则是：

1)针对 $l\∈\[0,\frac{N}{2}-1\],$

2)针对l＝N/2，W(l)＝0

3)针对 $l\∈\[\frac{N}{2}+1,N-1\],W\left(l\right)=\stackrel{\‾}{W(N-l)}$

其中，W(l)是全频带滤波器的第l个频域系数，表示将lM/N凑整四舍五入为最接近的整数，(l)_2N/M代表l对2N/M取模。在按照上面的堆叠规则对来自每个子带的全频带权重进行堆叠之后，全频带自适应滤波器W(z)的时域系数通过对W进行IFFT来获取：

w(n)＝IFFT{W}(15)

其中，w(n)＝[w₀,w₁,…,w_N-1]^T。然后，来自全频带自适应滤波器的输出信号可通过等式(1a)来产生。

阈值参数估计

在线方法

对于FairM估计函数，阈值参数c可通过离线或在线估计方法来确定。如由本领域其他人员所讨论的，参数c可被计算为误差信号的绝对平均值的1倍、1.5倍、2倍和3倍。已经发现控制性能对于c的值不敏感，且已经建议在线识别方法采用下面等式：

$c\left(n\right)=\frac{1}{M}{\mathrm{\Σ}}_{i=0}^{M-1}\left|e(n-i)\right|---\left(16\right)$

对于Hampel三部分M估计函数，三个阈值参数ξ、△₁和△₂可通过在可用文献中通过“无脉冲”样本的方差估计所提出的在线方法来进行估计。方差的稳健估计公式给出如下：

$\hat{u}\left(n\right)=\mathrm{\λ}\hat{u}(n-1)+C_1(1-\mathrm{\λ})e\left(n\right)---\left(17a\right)$

${\widehat{\mathrm{\σ}}}_e^2\left(n\right)=\mathrm{\λ}{\widehat{\mathrm{\σ}}}_e^2(n-1)+C_1(1-\mathrm{\λ})med\left\{A_e^{\′}\left(n\right)\right\}---\left(17b\right)$

$\left\{\begin{array}{c}\mathrm{\ξ}=1.960{\widehat{\mathrm{\σ}}}_e\left(n\right)\\ {\mathrm{\Δ}}_1=2.240{\widehat{\mathrm{\σ}}}_e\left(n\right)\\ {\mathrm{\Δ}}_2=2.576{\widehat{\mathrm{\σ}}}_e\left(n\right)\end{array}\right.---\left(17c\right)$

其中，脉冲对于方差估计的不利影响可通过计算项 $A_e^{\&prime;}\left(n\right)=\{\&lsqb;e\left(n\right)-$ $\hat{u}\left(n\right){\&rsqb;}^2,{\&lsqb;e(n-1)-\hat{u}(n-1)\&rsqb;}^2,...,{\&lsqb;e(n-N_w+1)-\hat{u}(n-N_w+1)\&rsqb;}^2\}$ 的中值来保证。λ是遗忘因子且满足0<λ<1。而且，N_w是窗口长度。可使用排序算法从一系列数据中找出中值。

对于提供两部分阈值的HuberM估计，阈值参数可通过在线百分位估计来确定。这里，图3中示出的盒形图(BP)算法被应用，图3中示出的盒形图(BP)算法针对给定的数据向量如下进行运算：

1)找出第一四分位数和第三四分位数(Q₁和Q₃)，这里，Q₁(第25个百分位)和Q₃(第75个百分位)分别表示大于整个数据向量的25％和75％的数据；

2)定义四分位范围为IQR＝Q₃-Q₁；

3)设置阈值限界：c₁＝Q₁-1.5×IQR，c₂＝Q₃+1.5×IQR；

4)BP算法被应用于N_w数据的滑动窗口，所述N_w数据可通过使用冒泡排序算法进行排序。针对每个在采样时间n的新数据：

i)如果x(n)≤c₁或者x(n)≥c₂，则数据的滑动窗口不更新；

ii)否则，从滑动窗口中删除最旧的数据，且在正确的位置插入新数据，然后使用BP算法计算边界。

离线方法

阈值参数也可通过离线识别通过计算百分位来进行确定。因此，需要优先测量参考信号和误差信号。例如在道路噪声应用中，为了统计地确定在不同道路状况下的近似阈值需要进行系统性的测量。在图4中示出了针对具有阈值的ANC系统的流程图。在操作50，记录加速度计数据的序列。在操作52，将参考信号产生器应用于加速度计数据。在操作54，执行针对阈值c₁和c₂的离线百分位计算。在操作56，通过阈值对参考信号进行削波(clip)。在操作58，通过将白噪声通过噪声产生器块36注入到扬声器48并且经由麦克风46测量响应来在图1的块40中估计次级通路。在操作60，将估计的次级通路分解成子带。在操作62，使用FXLMM来更新自适应滤波器权重。在操作64，应用自适应滤波器。从图4明显看出，操作62、64使用削波后的参考信号作为输入。在操作66，产生抵消信号以驱动扬声器的控制。在操作68，控制扬声器产生次级声音。在操作70，对将被控制的主要碰撞道路噪声和次级声音执行波叠加。在操作72，接收误差麦克风信号。算法随后转到操作62。类似地，可通过替换流程图的阈值块来制定在线阈值识别。

数值仿真

由于轮胎/道路与各种道路凹凸面相互作用而产生的内部声学响应和控制系统的性能已被仿真。在这些仿真中，考虑了因具有众多碰撞颠簸的路面而产生的不同的内部声学响应，所述内部声学响应从试验道路测试进行测量。ANC系统被设计为对驾驶员和乘客的头部位置周围的普通道路噪声和碰撞道路噪声进行衰减。误差麦克风被安置在头部上方的车厢的顶棚。实验性地使用离线系统识别方法来测量从扬声器到误差麦克风上的声压的次级通路的估计的转移函数。在图5中示出了在该仿真中所使用的次级通路模型的频率响应函数。次级通路模型被表示为有限脉冲响应(FIR)滤波器，相同的次级通路模型被用在参考信号通路之中和控制器输出之后两者。在情况一中，测量的道路噪声(从没有任何颠簸或坑洼的正常路面转换到具有三次碰撞的颠簸道路，然后转换到正常路面)被用于仿真。在情况二中，由被普通道路噪声所跟随的十次重复碰撞事件组成的组合路面针对仿真而被采用，以评估使用不同的控制算法的ANC系统的性能。

图6示出了针对具有受到三次碰撞事件污染的普通道路噪声的情况一的时域仿真结果。这里，针对提出的子带FXLMM算法的阈值参数通过离线百分位计算来进行确定。阈值块中的上限和下限被选择为整体数据的99.9百分位和0.1百分位。针对传统FXLMS算法的收敛步长为μ＝5e-4，且针对子带算法的收敛步长为μ＝1e-3。从图6中注意到的是，FXLMS算法在碰撞事件发生时变得不稳定，且在碰撞之后，对于系统而言需要花费很长一段时间来收敛回普通道路噪声。尽管提出的子带算法已经提高了在撞击事件的稳健性，但是这主要是由于在自适应滤波器权重更新处理中合并的阈值而引起的。除非减小收敛步长，否则传统的FXLMS算法不具有这种稳健性，而在传统的FXLMS算法中将几乎不存在普通道路噪声的任何减小(较低的功率需要更大的步长)。

在图7的频谱结果中示出了更清晰的比较结果。这里，它是图6的虚线框中的控制的响应的频域结果。所提出的子带算法在更宽的频率范围中产生更多下降。由于过滤的参考信号的特征值扩散度可被平衡，所以这是针对有色噪声的子带处理的独特优势。特征值的平衡可产生针对每个单个频率的更佳的步长。然而，传统的FXLMS算法倾向于将具有最高功率的噪声频谱作为目标，因为步长仅在该频率是最优的。

图8至图10描述了针对情况二的进一步的仿真结果，在情况二中，考虑了与被普通道路噪声所跟随的十次碰撞事件组合的道路噪声。针对每个算法的参数与在情况一中所使用的参数示是相同的。在图8中，很明显的是，传统FXLMS算法在前两次碰撞事件之后示出了严重的不稳定。另一方面，所提出的子带算法在若干次连续的碰撞事件之后开始收敛。此外，所提出的子带算法在撞击之后示出了更加稳定且针对普通道路噪声快速收敛。图9是在控制之前和之后针对在碰撞道路事件的子带算法的声压水平。在前两次碰撞之后有几dB的下降，除非特定的增幅在12秒左右针对碰撞事件被观测到。在图10中示出了在最后2秒中针对普通道路噪声的频域控制结果。类似地，子带算法可在从50Hz到320Hz的频率范围内产生总共5dBA(A级计权分贝)的噪声下降。

结论

上面讨论了在车厢内部配置有具有针对具有碰撞的道路噪声的参考信号通路和误差信号通路上的阈值的改进的子带FXLMM(X滤波最小平均M估计)算法的ANC系统。这些系统可在更宽的频率范围针对有色道路噪声提供更为稳健和平衡的性能。子带处理均衡了过滤的参考信号的特征值扩散度，这克服了传统的FXLMS算法的固有限制。因此，可在更宽的频率范围获得快速收敛和最优性能。此外，具有针对参考信号和误差信号中的脉冲采样的阈值的改进的FXLMM算法倾向于提高可能容易受到尖峰数据干扰的自适应滤波器权重更新处理的稳健性。

在此公开的处理、方法或算法可被交付到处理装置、控制器或计算机，或者，通过处理装置、控制器或计算机来实现，所述处理装置、控制器或计算机可包括任何现有的可编程电子控制单元或专用的电子控制单元。类似地，所述处理、方法或算法可被存储为数据以及可由控制器或计算机以多种形式执行的指令，所述多种形式包括但不限于永久存储在非可写存储介质(诸如ROM装置)上的信息以及可改变地存储在可写存储介质(诸如软盘、磁带、CD、RAM装置和其它磁性和光学介质)上的信息。所述处理、方法或算法还可在软件可执行对象中被实现。可选地，所述处理、方法或算法可使用适合的硬件组件(诸如专用集成电路(ASIC)、场可编程门阵列(FPGA)、状态机、控制器或其它硬件组件或装置)或者硬件、软件和固件组件的组合被全部或者部分地呈现。

说明书中所使用的词语是描述性的词语而非限制性的词语，并且应理解的是，可在不脱离本公开的精神和范围的情况下做出各种改变。如前所述，可将各种实施例的特征进行组合以形成本发明的可能未被明确描述或示出的进一步的实施例。尽管针对一个或更多个期望特性，各种实施例已经被描述为提供在其它实施例或者现有技术实施方式之上的优点或优于其它实施例或者现有技术实施方式，但是本领域的普通技术人员应认识到，一个或更多个特征或特性可被折衷以实现依赖于特定应用和实现的期望的整体系统属性。这些属性可包括但不限于成本、强度、寿命、生命周期成本、市场性、外观、包装、尺寸、可服务性、重量、生产、组装的容易性等。因此，被描述为在一个或更多个特性方面不如其它实施例或现有技术实施方式的实施例并非在本公开的范围之外，并可被期望用于特定应用。

Claims (8)

1.一种车辆，包括：

主动噪声控制系统，包括用于实现自适应子带滤波参考控制算法的处理器，其中，所述自适应子带滤波参考控制算法将阈值应用到参考信号通路和误差反馈信号通路，使得响应于指示车辆中的道路噪声的一系列宽带非高斯脉冲参考信号，定义所述自适应子带滤波参考控制算法的自适应滤波器的权重系数收敛且允许有源噪声控制系统部分地抵消道路噪声。

2.根据权利要求1所述的车辆，其中，所述阈值的值基于脉冲参考信号的幅值的方差。

3.根据权利要求2所述的车辆，其中，所述阈值的值随着所述方差的增大而增大。

4.根据权利要求1所述的车辆，其中，所述阈值的值基于脉冲参考信号的百分位特性。

5.根据权利要求1所述的车辆，其中，所述自适应子带滤波参考控制算法具有无延迟性。

6.根据权利要求1所述的车辆，其中，所述自适应子带滤波参考控制算法是X滤波最小均方自适应子带滤波参考控制算法或X滤波最小平均M估计自适应子带滤波参考控制算法。

7.根据权利要求1所述的车辆，其中，所述自适应子带滤波参考控制算法包括离散傅里叶变换滤波器组。

8.根据权利要求7所述的车辆，其中，离散傅里叶滤波器组是均匀带宽傅里叶变换滤波器组或可变带宽傅里叶变换滤波器组。