CN107240391A - 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔 - Google Patents
一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔 Download PDFInfo
- Publication number
- CN107240391A CN107240391A CN201710523010.7A CN201710523010A CN107240391A CN 107240391 A CN107240391 A CN 107240391A CN 201710523010 A CN201710523010 A CN 201710523010A CN 107240391 A CN107240391 A CN 107240391A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- fuzzy
- neural network
- active noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
- G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
- G10K2210/10—Applications
- G10K2210/128—Vehicles
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
- G10K2210/30—Means
- G10K2210/301—Computational
- G10K2210/3029—Fuzzy logic; Genetic algorithms
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
- G10K2210/30—Means
- G10K2210/301—Computational
- G10K2210/3038—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明公开了一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔,方法包括参考麦克风采集参考区域的参考噪声信号,作为参考信号,并输出至模糊控制器;误差麦克风采集噪声控制区域的残余噪声信号,作为误差信号,并输出至模糊控制器;以及所述模糊控制器基于模糊神经网络的自适应FX‑RBF网训练算法,对所述参考信号和所述误差信号进行分析,并输出反相的目标声信号至扬声器,本发明基于模糊神经网络的主动噪声控制,对2000Hz以下的噪声具有明显的降噪效果,其中,对1000Hz以下低频噪声的降噪效果尤为显著。
Description
技术领域
本发明涉及装甲车领域的噪声控制技术,特别涉及一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔。
背景技术
装甲车驾驶室及乘员舱内部噪声超标,严重影响了相关人员的生理和心理健康,舱内的减振降噪设计是一项比较重要的工作。装甲车舱内的主要噪声源主要包括:车辆高速行驶时,空气紊流造成车身结构振动,在车内产生高频噪声;发动机工作及传动系的质量不平衡所引起的车身结构振动,在车内辐射中频噪声;路面不平整时的悬架系统振动引起车身结构振动,在车内产生低频噪声。
常规的装甲车多通过在驾驶室和乘员室布置阻尼吸声材料、加强车内地板的吸声和隔声性能、增设发动机隔声罩等物理降噪措施进行舱内的被动式噪声控制,被动式降噪措施对高频噪声的隔离效果较好,而对中低频噪声的控制效果较差。
采用主动降噪方案可有效降低中低频噪声,而传统的主动式噪声控制方案一般只能控制200Hz以下的噪声,并且仅能够针对窄带进行噪声控制,因此其应用受到很大的限制。
为了提高装甲车的驾驶舒适度,提高军事作战能力,急需推出一款装甲车驾驶员用的高效降噪方法、系统及头盔,实现在较大频带宽度内的噪声控制。
发明内容
鉴于上述现有技术存在的问题,本发明提供一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔。
本发明解决技术问题采用如下技术方案:一种基于模糊神经网络的主动噪声控制方法,包括:参考麦克风采集参考区域的参考噪声信号,作为参考信号,并输出至模糊控制器;误差麦克风采集噪声控制区域的残余噪声信号,作为误差信号,并输出至模糊控制器;以及所述模糊控制器基于模糊神经网络的自适应FX-RBF网训练算法,对所述参考信号和所述误差信号进行分析,并输出反相的目标声信号至扬声器。
可选的,所述模糊控制器为两个独立的模糊控制器,分别对各自接收到的参考信号和误差信号信号进行分析,并输出反相的目标声信号至扬声器,以抵消残余噪声信号。
可选的,所述自适应FX-RBF网训练算法包括:基于模糊c-均值聚类对参考噪声信号数据集进行划分;基于近似梯度下降法自适应减少每次迭代的计算步长,并动态调整最小均方差算法的学习速率。
可选的,所述自适应FX-RBF网训练算法还包括:对时滞信号的幅值和相位进行分析,重构反相目标声信号后输出至扬声器。
可选的,所述基于模糊c-均值聚类对参考噪声信号数据集进行划分的步骤包括:使用高斯函数作为算法的基函数,在确定适合实际噪声情况的最佳聚类个数c和最佳权重因子m后,对隐含层的中心向量进行学习,直到中心向量不再变化或小于预设阈值,并计算高斯函数方差;
可选的,所述基于近似梯度下降法自适应减少每次迭代的计算步长,并动态调整最小均方差算法的学习速率的步骤包括:基于近似梯度下降法,利用公式α(t+1)=α(t)-β·ΔE自适应减少每次迭代的计算步长,并动态调整最小均方差算法的学习速率;然后初始化隐含层到输出层的每个权值,再利用公式对权值进行计算,直到输出误差[y0(n)-y(n)]不再变化或小于预设的某个阈值时,停止学习,否则继续重复以上学习步骤;式中α为学习速率,ΔE为训练前后的误差,β为自适应调整步长,w为隐含层到输出层的权值,y0(n)为目标输出值,y(n)为实际输出值。
本发明解决技术问题还提供如下技术方案:一种基于模糊神经网络的主动噪声控制系统,包括:模糊控制器、参考麦克风、误差麦克风和扬声器,其中:所述参考麦克风,用于采集参考区域的参考噪声信号,作为参考信号,并输出至模糊控制器;所述误差麦克风,用于采集噪声控制区域的残余噪声信号,作为误差信号,并输出至模糊控制器;以及所述模糊控制器与所述参考麦克风及所述误差麦克风耦接,基于模糊神经网络的自适应FX-RBF网训练算法,对所述参考信号和所述误差信号进行分析,并输出反相的目标声信号至扬声器。
可选的,所述模糊控制器为两个独立的模糊控制器,分别对各自接收到的参考信号和误差信号信号进行分析,并输出反相的目标声信号至扬声器,以抵消残余噪声信号。
本发明解决技术问题还提供如下技术方案:基于上述主动噪声控制系统还包括驾驶员头盔主体,所述模糊控制器包括左耳模糊控制器、右耳模糊控制器,分别执行左、右耳的信号分析及降噪模式输出。
可选的,还包括电源、主动噪声控制系统开关,所述电源向模糊控制器供电,主动噪声控制系统开关分别位于电源与主动噪声控制系统之间;所述参考麦克风、误差麦克风与扬声器集成于左耳耳罩和右耳耳罩中;所述主动噪声控制系统开关集成于左耳耳罩中;所述模糊控制器和电源集成在头盔正后方;所述头盔为三腔单垫式头盔,驾驶员佩戴该头盔时,由扬声器鼓面、耳罩垫、驾驶员耳部构成密闭的腔体,为残余噪声控制区;由扬声器背面和耳罩外壳形成密闭的腔体,为噪声参考区域1;由耳罩外壳、头盔主体、驾驶员头部构成密闭的腔体,为噪声参考区域2。
本发明具有如下有益效果:
1.基于模糊神经网络的主动噪声控制系统,对2000Hz以下的噪声具有明显的降噪效果,其中,对1000Hz以下低频噪声的降噪效果尤为显著;
2.基于自适应FX-RBF网训练算法进行学习率的自动调节,在确保系统稳定性的同时,提高了算法收敛速度和学习精度;
3.基于自适应FX-RBF算法进行反向目标声信号的重构,在解决抗噪声源时滞问题的同时,有效提高了降噪效果。
4.左、右耳分别使用独立的模糊控制器进行信号分析及噪声控制模式输出,大大缩减了控制器的计算量,在一定程度上可加快降噪速度。
附图说明
图1为本发明的所述一种基于模糊神经网络的主动噪声控制方法的实施例示意图;
图2为本发明实施例提供的模糊控制器模型图;
图3为本发明的所述一种基于模糊神经网络的主动噪声控制系统的实施例示意图;
图4为本发明实施例提供的装甲车驾驶员头盔结构示意图;
图5为本发明实施例提供的装甲车驾驶员头盔右耳耳罩示意图。
具体实施方式
下面结合实施例及附图对本发明的技术方案作进一步阐述。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
实施例1
本实施例提供了一种基于模糊神经网络的主动噪声控制方法。参见图1所示为本申请中基于模糊神经网络的主动噪声控制方法的具体实施例,本实施例中步骤包括:
步骤101:参考麦克风采集参考区域的参考噪声信号,作为参考信号,并输出至模糊控制器;
步骤102:误差麦克风采集噪声控制区域的残余噪声信号,作为误差信号,并输出至模糊控制器;
步骤103:模糊控制器基于模糊神经网络的自适应滤波RBF(Filter-x RadialBasis Function,以下简称FX-RBF),对所述参考信号和所述误差信号进行分析,并输出反相的目标声信号至扬声器。
其中,所述模糊控制器为两个独立的模糊控制器,分别对各自接收到的参考信号和误差信号信号进行分析,并输出反相的目标声信号至扬声器,以抵消残余噪声信号。
图2为本发明实施例提供的模糊控制器模型图。本发明提供的基于模糊神经网络的主动噪声控制方法主要包括:基于声系统固有的非线性特性,将神经网络引入模糊控制,组成模糊神经网络,根据输入输出样本,通过利用神经网络的学习方法,自动设计和调整模糊系统的自学习和自适应功能,提高了主动噪声控制的准确度及降噪量;其中x(n)为系统参考噪声信号,e(n)为残余噪声信号,y(n)为控制器输出信号。
如图所示,神经网络中处理单元的类型分为三类:输入层、输出层、隐含层;
输入层:接受外部的噪声源信号与数据;本发明中的输入层信号为“加入延迟环节的参考信号输入矢量”;
输出层:实现系统处理结果的输出;在本发明中,是“将最优噪声控制模式输出至扬声器,驱动其发出对应的目标声信号”;
隐含层:对输入矢量进行变换,处于输入与输出层之间,不被系统外部观察的处理单元;在本发明中,是“将低维的参考信号输入矢量变换至高维空间,实现声系统的线性问题在高维空间中的线性可分”。
自适应FX-RBF网训练算法包括:基于模糊c-均值聚类对参考噪声信号数据集进行划分;基于近似梯度下降法自适应减少每次迭代的计算步长,并动态调整最小均方差算法的学习速率。
上述基于模糊c-均值聚类对参考噪声信号数据集进行划分的步骤包括:
使用高斯函数作为算法的基函数,在确定适合实际噪声情况的最佳聚类个数c和最佳权重因子m后,对隐含层的中心向量进行学习,直到中心向量不再变化或小于预设阈值,并计算高斯函数方差。
上述基于近似梯度下降法自适应减少每次迭代的计算步长,并动态调整最小均方差算法的学习速率的步骤包括:
基于近似梯度下降法,利用公式α(t+1)=α(t)-β·ΔE自适应减少每次迭代的计算步长,并动态调整最小均方差算法的学习速率,更高效的加快了算法的收敛速度;
然后初始化隐含层到输出层的每个权值,再利用公式对权值进行计算,直到输出误差[y0(n)-y(n)]不再变化或小于预设的某个阈值时,停止学习,否则继续重复以上学习步骤;通过学习过程中动态的自适应调整学习速度来提高算法的收敛速度,从而提高学习精度。
式中α为学习速率,ΔE为训练前后的误差,β为自适应调整步长,w为隐含层到输出层的权值,y0(n)为目标输出值,y(n)为实际输出值。
其中,所述自适应FX-RBF网训练算法还包括:对时滞信号的幅值和相位进行分析,重构反相目标声信号后输出至扬声器,所述时滞信号指的是参考信号x(t)在传播至待消声点的路径中,由于时间延迟而产生的信号y(t);时滞信号与参考信号的关系:y(t)=x(t)-x(t-t0),其中,x(t)为参考信号,y(t)为时滞信号,t0为迟滞时间。
实施例2
为了使本发明描述更明确和详细,同时便于技术人员理解,本实施例提供一种基于模糊神经网络的主动噪声控制系统,参见图2所示为本申请基于模糊神经网络的主动噪声控制系统的具体示意图。
一种基于模糊神经网络的主动噪声控制系统,包括:模糊控制器、参考麦克风、误差麦克风和扬声器,其中:
所述参考麦克风,用于采集参考区域的参考噪声信号,作为参考信号,并输出至模糊控制器;
所述误差麦克风,用于采集噪声控制区域的残余噪声信号,作为误差信号,并输出至模糊控制器;以及
所述模糊控制器与所述参考麦克风及所述误差麦克风耦接,基于模糊神经网络的自适应FX-RBF网训练算法,对所述参考信号和所述误差信号进行分析,并输出反相的目标声信号至扬声器。
其中,所述模糊控制器为两个独立的模糊控制器,分别对各自接收到的参考信号和误差信号信号进行分析,并输出反相的目标声信号至扬声器,以抵消残余噪声信号。
实施例3
为了使本发明描述更明确和详细,同时便于技术人员理解,本实施例提供一种使用实施例2所述的模糊神经网络的主动噪声控制系统的装甲车驾驶员头盔,详见图3所示的装甲车驾驶员头盔示意图,实施例2中的主动噪声控制系统还包括驾驶员头盔主体,在头盔表面安装多个微型传声器,用于采集噪声参考区域中的噪声,作为参考信号,图中ref.L和ref.R分别为左右耳罩的参考传声器(如参考麦克风);在耳罩与人耳所形成的残余噪声控制区中安装误差传声器(如误差麦克风),用于采集残余噪声,作为误差信号,图中err.L和err.R分别为左右误差传声器;在耳罩中安装扬声器,用于通过输出目标声信号,与噪声控制区域内的噪声信号相叠加,图中MIC.L和MIC.R分别为左右扬声器;将参考信号与误差信号输入至左、右耳对应的模糊控制器,经过分析处理后,分别执行左、右耳的信号分析及降噪模式,输出最优的噪声控制模式至扬声器;通过操作主动降噪系统开关,可控制主动噪声控制系统开始工作、停止工作。
其中,装甲车驾驶员头盔,还包括:电源、主动噪声控制系统开关,所述电源向模糊控制器供电,主动噪声控制系统开关分别位于电源与主动噪声控制系统之间。
其中,所述参考麦克风、误差麦克风与扬声器集成于左耳耳罩和右耳耳罩中;所述主动噪声控制系统开关集成于左耳耳罩中;所述模糊控制器和电源集成在头盔正后方。
其中,所述头盔为三腔单垫式头盔,驾驶员佩戴该头盔时,由扬声器鼓面、耳罩垫、驾驶员耳部构成密闭的腔体,为残余噪声控制区;由扬声器背面和耳罩外壳形成密闭的腔体,为噪声参考区域1;由耳罩外壳、头盔主体、驾驶员头部构成密闭的腔体,为噪声参考区域2。基于赫姆霍兹谐振腔原理,利用三层共振腔体中的谐振阻尼作用,有效改善了声衰减特性,对中高频频率范围内的噪声具有较好的隔声能力。
另,参考图5,其为本发明的装甲车驾驶员头盔右耳耳罩示意图。使用具有一定弹性的材料作为耳罩外壳的主材料,在耳罩内部填充吸声系数较高的海绵,并在外面蒙上柔软的绒布,增加了佩戴者的舒适度;绕耳式耳罩垫的大小和形状,均根据人耳外耳道的特征设计而成,与佩戴者耳部形成密闭的空间,有效防止外界噪声的进入;考虑到头盔的隔震需求,集成式头盔使用弹性支撑将耳罩与头盔主体连接,在头盔受到外力作用时,有效降低佩戴者头部的不舒适感。
采用树脂材料、碳纤维、多孔材料薄膜等作为头盔主体材料,在保持头盔坚固的同时减轻了头盔重量,有效降低了头盔对头顶的压迫感,此外,还隔离了外部高频范围内噪声;耳罩采用的弹性材料、海绵、绒布均属于吸声材料,也在一定程度上能够降低了头盔内的噪声。
综上所述,本发明提供的一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔,与现有技术相比,具有以下有益效果:
1.基于模糊神经网络的主动噪声控制系统,对2000Hz以下的噪声具有明显的降噪效果,其中,对1000Hz以下低频噪声的降噪效果尤为显著;本发明所提供的装甲车驾驶员头盔,能够实现装甲车驾驶舱内高中低频噪声的主动控制;
2.基于自适应FX-RBF网训练算法进行学习率的自动调节,在确保系统稳定性的同时,提高了算法收敛速度和学习精度;
3.基于自适应FX-RBF算法对时滞噪声进行直接控制,有效解决了抗噪声源时滞问题,并提高了降噪效果。
4.左、右耳分别使用独立的模糊控制器进行信号分析及噪声控制模式输出,大大缩减了控制器的计算量,在一定程度上可加快降噪速度。
以上实施例的先后顺序仅为便于描述,不代表实施例的优劣。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于模糊神经网络的主动噪声控制方法,其特征在于,包括:
参考麦克风采集参考区域的参考噪声信号,作为参考信号,并输出至模糊控制器;
误差麦克风采集噪声控制区域的残余噪声信号,作为误差信号,并输出至模糊控制器;以及
所述模糊控制器基于模糊神经网络的自适应FX-RBF网训练算法,对所述参考信号和所述误差信号进行分析,并输出反相的目标声信号至扬声器。
2.根据权利要求1所述的基于模糊神经网络的主动噪声控制方法,其特征在于,所述模糊控制器为两个独立的模糊控制器,分别对各自接收到的参考信号和误差信号信号进行分析,并输出反相的目标声信号至扬声器,以抵消残余噪声信号。
3.根据权利要求1所述的基于模糊神经网络的主动噪声控制方法,其特征在于,所述自适应FX-RBF网训练算法包括:基于模糊c-均值聚类对参考噪声信号数据集进行划分;基于近似梯度下降法自适应减少每次迭代的计算步长,并动态调整最小均方差算法的学习速率。
4.根据权利要求2所述的基于模糊神经网络的主动噪声控制方法,其特征在于,所述自适应FX-RBF网训练算法还包括:对时滞信号的幅值和相位进行分析,重构反相目标声信号后输出至扬声器。
5.根据权利要求3所述的基于模糊神经网络的主动噪声控制方法,其特征在于,所述基于模糊c-均值聚类对参考噪声信号数据集进行划分的步骤包括:
使用高斯函数作为算法的基函数,在确定适合实际噪声情况的最佳聚类个数c和最佳权重因子m后,对隐含层的中心向量进行学习,直到中心向量不再变化或小于预设阈值,并计算高斯函数方差。
6.根据权利要求3所述的基于模糊神经网络的主动噪声控制方法,其特征在于,所述基于近似梯度下降法自适应减少每次迭代的计算步长,并动态调整最小均方差算法的学习速率的步骤包括:
基于近似梯度下降法,利用公式α(t+1)=α(t)-β·ΔE自适应减少每次迭代的计算步长,并动态调整最小均方差算法的学习速率;
然后初始化隐含层到输出层的每个权值,再利用公式对权值进行计算,直到输出误差[y0(n)-y(n)]不再变化或小于预设的某个阈值时,停止学习,否则继续重复以上学习步骤;
式中α为学习速率,ΔE为训练前后的误差,β为自适应调整步长,w为隐含层到输出层的权值,y0(n)为目标输出值,y(n)为实际输出值。
7.一种基于模糊神经网络的主动噪声控制系统,其特征在于,包括:模糊控制器、参考麦克风、误差麦克风和扬声器,其中:
所述参考麦克风,用于采集参考区域的参考噪声信号,作为参考信号,并输出至模糊控制器;
所述误差麦克风,用于采集噪声控制区域的残余噪声信号,作为误差信号,并输出至模糊控制器;以及
所述模糊控制器与所述参考麦克风及所述误差麦克风耦接,基于模糊神经网络的自适应FX-RBF网训练算法,对所述参考信号和所述误差信号进行分析,并输出反相的目标声信号至扬声器。
8.根据权利要求7所述的基于模糊神经网络的主动噪声控制系统,其特征在于,所述模糊控制器为两个独立的模糊控制器,分别对各自接收到的参考信号和误差信号信号进行分析,并输出反相的目标声信号至扬声器,以抵消残余噪声信号。
9.一种使用权利要求7的模糊神经网络的主动噪声控制系统的装甲车驾驶员头盔,其特征在于,所述主动噪声控制系统还包括驾驶员头盔主体,所述模糊控制器包括左耳模糊控制器、右耳模糊控制器,分别执行左、右耳的信号分析及降噪模式输出。
10.根据权利要求9所述的装甲车驾驶员头盔,其特征在于,包括:电源、主动噪声控制系统开关,所述电源向模糊控制器供电,主动噪声控制系统开关分别位于电源与主动噪声控制系统之间;所述参考麦克风、误差麦克风与扬声器集成于左耳耳罩和右耳耳罩中;所述主动噪声控制系统开关集成于左耳耳罩中;所述模糊控制器和电源集成在头盔正后方;所述头盔为三腔单垫式头盔,驾驶员佩戴该头盔时,由扬声器鼓面、耳罩垫、驾驶员耳部构成密闭的腔体,为残余噪声控制区;由扬声器背面和耳罩外壳形成密闭的腔体,为噪声参考区域1;由耳罩外壳、头盔主体、驾驶员头部构成密闭的腔体,为噪声参考区域2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710523010.7A CN107240391A (zh) | 2017-06-30 | 2017-06-30 | 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710523010.7A CN107240391A (zh) | 2017-06-30 | 2017-06-30 | 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107240391A true CN107240391A (zh) | 2017-10-10 |
Family
ID=59990183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710523010.7A Withdrawn CN107240391A (zh) | 2017-06-30 | 2017-06-30 | 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107240391A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3477630A1 (en) * | 2017-10-26 | 2019-05-01 | Harman Becker Automotive Systems GmbH | Active noise cancellation / engine order cancellation for vehicle exhaust system |
CN110889197A (zh) * | 2019-10-31 | 2020-03-17 | 佳禾智能科技股份有限公司 | 基于神经网络的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备 |
CN112610996A (zh) * | 2020-12-30 | 2021-04-06 | 珠海格力电器股份有限公司 | 一种基于神经网络的油烟机主动降噪控制方法 |
CN113260266A (zh) * | 2018-11-06 | 2021-08-13 | 达尔噪音控制系统有限公司 | 用于头盔的主动降噪系统 |
CN113327205A (zh) * | 2021-06-01 | 2021-08-31 | 电子科技大学 | 基于卷积神经网络的相位去噪网络及方法 |
CN113539229A (zh) * | 2021-07-30 | 2021-10-22 | 北京安声浩朗科技有限公司 | 降噪参数确定方法及其装置、主动降噪方法及其装置 |
CN113539228A (zh) * | 2021-07-30 | 2021-10-22 | 北京安声浩朗科技有限公司 | 降噪参数确定方法及其装置、主动降噪方法及其装置 |
CN116522779A (zh) * | 2023-04-29 | 2023-08-01 | 中国人民解放军63963部队 | 一种装甲车辆动力性与发动机运行map图匹配系统及方法 |
-
2017
- 2017-06-30 CN CN201710523010.7A patent/CN107240391A/zh not_active Withdrawn
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10373602B2 (en) | 2017-10-26 | 2019-08-06 | Harman Becker Automotive Systems Gmbh | Active noise cancellation |
EP3477630A1 (en) * | 2017-10-26 | 2019-05-01 | Harman Becker Automotive Systems GmbH | Active noise cancellation / engine order cancellation for vehicle exhaust system |
CN113260266A (zh) * | 2018-11-06 | 2021-08-13 | 达尔噪音控制系统有限公司 | 用于头盔的主动降噪系统 |
CN110889197B (zh) * | 2019-10-31 | 2023-04-21 | 佳禾智能科技股份有限公司 | 基于神经网络的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备 |
CN110889197A (zh) * | 2019-10-31 | 2020-03-17 | 佳禾智能科技股份有限公司 | 基于神经网络的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备 |
CN112610996A (zh) * | 2020-12-30 | 2021-04-06 | 珠海格力电器股份有限公司 | 一种基于神经网络的油烟机主动降噪控制方法 |
CN113327205A (zh) * | 2021-06-01 | 2021-08-31 | 电子科技大学 | 基于卷积神经网络的相位去噪网络及方法 |
CN113539229A (zh) * | 2021-07-30 | 2021-10-22 | 北京安声浩朗科技有限公司 | 降噪参数确定方法及其装置、主动降噪方法及其装置 |
CN113539228A (zh) * | 2021-07-30 | 2021-10-22 | 北京安声浩朗科技有限公司 | 降噪参数确定方法及其装置、主动降噪方法及其装置 |
CN113539228B (zh) * | 2021-07-30 | 2023-10-31 | 北京安声浩朗科技有限公司 | 降噪参数确定方法及其装置、主动降噪方法及其装置 |
CN113539229B (zh) * | 2021-07-30 | 2023-10-31 | 北京安声浩朗科技有限公司 | 降噪参数确定方法及其装置、主动降噪方法及其装置 |
CN116522779A (zh) * | 2023-04-29 | 2023-08-01 | 中国人民解放军63963部队 | 一种装甲车辆动力性与发动机运行map图匹配系统及方法 |
CN116522779B (zh) * | 2023-04-29 | 2023-10-20 | 中国人民解放军63963部队 | 一种装甲车辆动力性与发动机运行map图匹配系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107240391A (zh) | 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔 | |
CN107229227A (zh) | 一种基于模糊神经网络的主动噪声控制方法、系统及坦克头盔 | |
CN107230472A (zh) | 一种直升机驾驶舱内噪声主动控制方法及系统 | |
CN107248408A (zh) | 一种基于模糊神经网络的主动噪声控制方法、系统及直升机驾驶员头盔 | |
CN107240392A (zh) | 一种装甲车舱室内噪声主动控制方法及系统 | |
EP2956929B1 (en) | Forward speaker noise cancellation in a vehicle | |
Elliott et al. | The active control of sound | |
US20140112490A1 (en) | Method and an active device for treating noise on board a vehicle, and a vehicle provided with such a device | |
CN107218846A (zh) | 一种坦克驾驶室内噪声主动控制方法及系统 | |
EP2843915B1 (en) | Headset communication method under loud-noise environment and headset | |
US20060251266A1 (en) | Adaptive personal active noise system | |
CN107230473A (zh) | 一种潜艇舱室内噪声主动控制方法及系统 | |
CN109747575A (zh) | 一种基于阶次优化的多模式车内声品质优化系统 | |
CN206433117U (zh) | 一种航空飞机飞行员用中低频主动降噪耳机及头盔 | |
US20170278504A1 (en) | Actively controlled quiet headspace | |
JP7072900B2 (ja) | 音響及び振動の能動的制御 | |
NO327481B1 (no) | Fremgangsmate og anordning ved personrelatert aktiv akustisk dempning ved invariant pulsrelatert respons | |
CN107424596A (zh) | 一种汽车舱内噪声主动控制方法和系统 | |
CN102638747B (zh) | 头盔式主动抗噪系统 | |
CN111599337B (zh) | 一种外放式有源降噪头靠的降噪方法 | |
CN110972007A (zh) | 一种适用于舰船高噪音场景下的有源耳机降噪方法 | |
CN207925130U (zh) | 一种潜艇舱室内噪声主动控制系统 | |
Nelson et al. | Accelerometer-based acoustic control: Enabling auscultation on a black hawk helicopter | |
CN106507232A (zh) | 一种航空飞机飞行员用中低频主动降噪耳机及头盔 | |
KR102195441B1 (ko) | 베타파 뇌파동조를 이용한 운전자 졸음방지 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171010 |