CN111091805A - 一种基于神经网络的反馈式降噪方法 - Google Patents
一种基于神经网络的反馈式降噪方法 Download PDFInfo
- Publication number
- CN111091805A CN111091805A CN201911120528.1A CN201911120528A CN111091805A CN 111091805 A CN111091805 A CN 111091805A CN 201911120528 A CN201911120528 A CN 201911120528A CN 111091805 A CN111091805 A CN 111091805A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- error
- neural network
- control filter
- 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.)
- Granted
Links
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G10K11/1781—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 characterised by the analysis of input or output signals, e.g. frequency range, modes, transfer functions
- G10K11/17813—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 characterised by the analysis of input or output signals, e.g. frequency range, modes, transfer functions characterised by the analysis of the acoustic paths, e.g. estimating, calibrating or testing of transfer functions or cross-terms
- G10K11/17815—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 characterised by the analysis of input or output signals, e.g. frequency range, modes, transfer functions characterised by the analysis of the acoustic paths, e.g. estimating, calibrating or testing of transfer functions or cross-terms between the reference signals and the error signals, i.e. primary path
-
- 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
- G10K11/1785—Methods, e.g. algorithms; Devices
- G10K11/17853—Methods, e.g. algorithms; Devices of the filter
- G10K11/17854—Methods, e.g. algorithms; Devices of the filter the filter being an adaptive filter
-
- 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
- G10K11/1787—General system configurations
- G10K11/17879—General system configurations using both a reference signal and an error signal
-
- 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
- G10K2210/3026—Feedback
-
- 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
- G10K2210/3028—Filtering, e.g. Kalman filters or special analogue or digital filters
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明公开一种基于神经网络的反馈式降噪方法，基于噪声参考麦克风、前馈控制滤波器、反馈控制滤波器、误差麦克风和扬声器，方法包括以下步骤：1)得到噪声参考信号；2)得到反向噪声信号；3)误差麦克风对初始噪声叠加次级声源的残余噪声拾音得到的误差信号；4)使误差信号叠加反向噪声信号之后得到的信号作为初始噪声的估计值；5)测算出次级通道传递函数的估计值；6)测算出反馈控制滤波器的权重系数；7)重复上述的步骤3)至步骤6)，直到信号处理完毕；其中，利用BP神经网络测算出次级通道传递函数的估计值或/和反馈控制滤波器的权重系数。本发明能避免因噪声处理过程中存在非线性而影响降噪效果的情况出现，从而提高降噪效果。
Description
技术领域
本发明涉及降噪技术领域，特别涉及一种基于神经网络的反馈式降噪方法。
背景技术
如图1所示为反馈式主动降噪的基本原理图，在B位，扬声器产生和原始噪声信号幅值相同，但相位相反的反向信号，原始噪声信号和反向信号从而相互抵消。残差信号被C位的误差麦克风拾取，并输入到反馈降噪控制器中给。反馈降噪控制器输出信号，通过扬声器产生和原始噪声信号幅值相同，方向相反的反向信号。
对于反馈控制器，因为存在来自误差麦克风的反馈信号，因此反馈降噪控制器的参数可以进行在线调整。如图2所示为反馈式降噪控制器和次级通道辨识原理图，其基本原理：误差信号麦克风拾取原始噪声信号和扬声器产生的反向噪声叠加后的残差信号，然后通过这个残差信号，对于反馈式降噪控制器的参数进行自适应地调整。图2中，噪声参考麦克风信号为x(n)，原始噪声信号为d(n),反向噪声信号为y(n)，误差麦克风信号为e(n)。P(z)是噪声原始通道的传递函数，Wb(n)是反馈控制滤波器的权重系数，S(z)是次级通道传递函数，即反馈控制信号从扬声器输出，通过扬声器推动空气，传递到麦克风吸取的整个路径的传递函数。一般次级通道的传递函数不能获得，只能进行估计值。S’(z)即为S(z)的估计值。其中，S’(z)的滤波器以及Wb(n)均采用FIR(有限冲击响应)滤波器或者IIR(无限冲击相应)滤波器。
而FIR(有限冲击响应)滤波器和IIR(无限冲击相应)滤波器，这两类滤波器属于线性滤波器。当从C位的误差麦克风到B位扬声器的控制通道中存在非线性环节，比如误差麦克风存在非线性，或者放大器存在非线性；或者从B位的扬声器到C位的误差麦克风传递函数存在非线性，比如扬声器处于饱和，此时使用线性滤波器实现降噪控制所得到的降噪效果不是很理想。
发明内容
本发明要解决的技术问题是，针对上述现有技术中的不足，提供一种基于神经网络的反馈式降噪方法，可以解决上述问题的一个或者多个。
为解决上述技术问题，本发明的技术方案是：
一种基于神经网络的反馈式降噪方法，基于噪声参考麦克风、前馈控制滤波器、反馈控制滤波器、误差麦克风和扬声器，方法包括以下步骤：
1)噪音参考麦克风对初始噪音进行拾音并经转换后得到噪声参考信号；
2)将噪声参考信号经过反馈控制滤波器后得到反向噪声信号；
3)将反向噪声信号转换成模拟信号经扬声器输出，产生次级声源，误差麦克风对初始噪声叠加次级声源的残余噪声拾音并经转换后得到的误差信号；
4)使误差信号叠加反向噪声信号之后得到的信号作为初始噪声的估计值；
5)测算出次级通道传递函数的估计值；
6)将初始噪声的估计值经过次级通道传递函数的估计值滤波得到反馈控制滤波器的输入信号，根据该输入信号和误差信号测算出反馈控制滤波器的权重系数；
7)将初始噪声的估计值经过反馈控制滤波器的权重系数滤波得到的信号标记为反向噪声信号，然后重复上述的步骤3)至步骤6)，直到信号处理完毕；
其中，利用BP神经网络测算出次级通道传递函数的估计值或/和反馈控制滤波器的权重系数。
作为一种优选方案，利用BP神经网络测算出次级通道传递函数的估计值和利用LMS算法/RLMS算法测算出反馈控制滤波器的权重系数。
作为一种优选方案，利用LMS算法/RLMS算法测算出次级通道传递函数的估计值和利用BP神经网络测算出反馈控制滤波器的权重系数。
作为一种优选方案，所述BP神经网络测算出方法包括以下步骤：
1)建立BP神经网络测算出模型；
2)对BP神经网络进行优化训练；
3)利用优化训练后的BP神经网络进行测算，得到测算值。
其中，所述测算值为次级通道传递函数的估计值或/和反馈控制滤波器的权重系数。
作为一种优选方案，所述BP神经网络通过Sigmoid函数或双曲正切函数建立输入与输出关系。
作为一种优选方案，所述BP神经网络通过双曲正切函数建立输入与输出关系；
所述其输入为net＝x1w1+x2w2+…+xnwn；
所述其输出为y＝f(net)；
所述输入层有n个神经元，隐含层有h个神经元,输出层有q个神经元；
输入向量：x＝(x1，x2，...，xn)；
隐含层输入向量：ji＝(ji1，ji2，...，jih)；
隐含层输出向量：jo＝(jo1，jo2，...，joh)；
输出层输入向量：yi＝(yi1，yi2，...，yiq)；
输出层输出向量：yo＝(yo1，yo2，...，yoq)；
期望输出向量：do＝(d1，d2，...，dq)；
输入层与中间层的连接权值：wij；
隐含层与输出层的连接权值：wjo；
隐含层各神经元的阈值：bj；
输出层各神经元的阈值：bo；
样本数据个数：k＝1，2，...m；
激活函数：f(X)；
误差函数：
作为一种优选方案，所述对BP神经网络进行优化训练步骤为：
1)初始化所述BP神经网络，设置各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数，设定误差阈值；
2)随机选取第k个输入样本及其对应期望输出：
3)计算隐含层各神经元的输入和输出；
4)利用期望输出和实际输出计算出权重系数的迭代计算公式；
各权重的迭代计算公式：
wnode，o(n+1)＝wnode，o(n)+λ1δnode(n)xnode，h(n)
其中，λ1是收敛系数，δnode(n)为各神经元的偏导数，按照如下公式计算；
其中，f′o(Neto)是fo(Neto)的导数，f′h(Netj，h)是fh(Netj，h)的导数；
5)利用权重系数的迭代计算公式修正输入层与中间层的连接权值wij和隐含层与输出层的连接权值wjo；
6)利用输入层与中间层的连接权值wij、隐含层与输出层的连接权值wjo和误差函数计算出总体的误差值；
7)判断总体的误差值是否小于误差阈值，若是，则结束算法并输出测算值；若否，则重新选取输入样本及其对应期望输出，然后进入步骤3)。
作为一种优选方案，当利用LMS算法/RLMS算法测算出次级通道传递函数的估计值时，所述次级通道传递函数估计值由FIR滤波器或IIR滤波器实现；当利用BP神经网络测算出次级通道传递函数的估计值时，所述次级通道传递函数估计值由非线性滤波器实现。
作为一种优选方案，当利用LMS算法/RLMS算法测算出反馈控制滤波器的权重系数时，所述反馈控制滤波器为FIR滤波器或IIR滤波器；当BP神经网络测算出反馈控制滤波器的权重系数时，所述反馈控制滤波器为非线性滤波器。
作为一种优选方案，判断信号是否处理完毕的关键在于：此次误差麦克风拾音得到的误差信号是否约等于上次误差麦克风拾音得到的误差信号，若是，则判断为信号处理完毕，若否，则判断为信号未处理完毕。
本发明的有益效果是：通过利用BP神经网络测算出反馈控制滤波器的权重系数或/和次级通道传递函数估计值能有效解决因从C位的误差麦克风到B位扬声器的控制通道中存在非线性环节或/和从B位的扬声器到C位的误差麦克风传递函数存在非线性环节而影响降噪效果的现象发生，从而提高降噪效果。
附图说明
图1为反馈式主动降噪的基本原理图；
图2为反馈式降噪控制器和次级通道辨识原理图；
图3为本发明之实施例1的组装结构示意图；
图4为本发明之基于神经网络的反馈式降噪方法的流程框架图；
图5为本发明之神经网络测算方法的流程框架图；
图6为本发明之BP神经网络结构示意图；
图7为对BP神经网络进行优化训练方法的流程框架图；
图8为本发明之实施例2的组装结构示意图；
图9为本发明之实施例3的组装结构示意图。
图中：x(n)-噪声参考信号，y(n)-反向噪声信号，e(n)-误差信号，P(z)-噪声原始通道的传递函数，d(n)-原始噪声信号，Wb(n)-反馈控制滤波器的权重系数，S(z)-次级通道传递函数，S’(z)-次级通道传递函数的估计值，d’(n)-初始噪声的估计值，r(n)-反馈控制滤波器的输入信号。
具体实施方式
下面结合附图对本发明的结构原理和工作原理作进一步详细说明。
如图3和图4所示为实施例1，一种基于神经网络的反馈式降噪方法，基于噪声参考麦克风、前馈控制滤波器、反馈控制滤波器、误差麦克风和扬声器，方法包括以下步骤：
1)噪音参考麦克风对初始噪音进行拾音并经转换后得到噪声参考信号x(n)；
2)将噪声参考信号x(n)经过反馈控制滤波器后得到反向噪声信号y(n)；
3)将反向噪声信号y(n)转换成模拟信号经扬声器输出，产生次级声源，误差麦克风对初始噪声叠加次级声源的残余噪声拾音并经转换后得到的误差信号e(n)；
4)使误差信号e(n)叠加反向噪声信号y(n)之后得到的信号作为初始噪声的估计值d’(n)；
5)测算出次级通道传递函数的估计值S’(z)；
6)将初始噪声的估计值d’(n)经过次级通道传递函数的估计值S’(z)滤波得到反馈控制滤波器的输入信号r(n)，根据该输入信号r(n)和误差信号e(n)测算出反馈控制滤波器的权重系数Wb(n)；
7)将初始噪声的估计值d’(n)经过反馈控制滤波器的权重系数Wb(n)滤波得到的信号标记为反向噪声信号y(n)，然后重复上述的步骤3)至步骤6)，直到信号处理完毕；
其中，利用LMS算法测算出次级通道传递函数的估计值S’(z)和利用BP神经网络测算出反馈控制滤波器的权重系数Wb(n)。
作为一种优选方案，判断信号是否处理完毕的关键在于：在n时刻误差麦克风拾音得到的误差信号e(n)是否约等于n-1时刻时误差麦克风拾音得到的误差信号e(n-1)，若是，则判断为信号处理完毕，若否，则判断为信号未处理完毕。
所述次级通道传递函数估计值S’(z)由FIR滤波器实现，通过LMS算法可以推导出FIR滤波器每阶的权重系数迭代计算公式为：
w1(n+1)＝w1(n)+λ2 ex(n-1)
其中1为1，2，3，...，L，λ2是收敛系数；
所述反馈控制滤波器为非线性滤波器。
如图5所示，所述BP神经网络测算出方法包括以下步骤：
1)建立BP神经网络测算出模型；
2)对BP神经网络进行优化训练；
3)利用优化训练后的BP神经网络进行测算，得到测算值。
其中，所述测算值为反馈控制滤波器的权重系数Wb(n)。
如图6所示为BP神经网络结构示意图，所述BP神经网络通过双曲正切函数建立输入与输出关系；
所述其输入为net＝x1w1+x2w2+…+xnwn；
所述其输出为y＝f(net)；
所述输入层有n个神经元，隐含层有h个神经元,输出层有q个神经元；
输入向量：x＝(x1,x2,…,xn)；
隐含层输入向量：ji＝(ji1,ji2,…,jih)；
隐含层输出向量：jo＝(jo1,jo2,…,joh)；
输出层输入向量：yi＝(yi1,yi2,…,yiq)；
输出层输出向量：yo＝(yo1,yo2,…,yoq)；
期望输出向量：do＝(d1,d2,…,dq)；
输入层与中间层的连接权值：wij；
隐含层与输出层的连接权值：wjo；
隐含层各神经元的阈值：bj；
输出层各神经元的阈值：bo；
样本数据个数：k＝1，2，…m；
激活函数：f(X)；
误差函数：
如图7所示，所述对BP神经网络进行优化训练步骤为：
1)初始化所述BP神经网络，设置各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数，设定误差阈值；
2)随机选取第k个输入样本及其对应期望输出：
3)计算隐含层各神经元的输入和输出；
4)利用期望输出和实际输出计算出权重系数的迭代计算公式；
按照反向传播算法，为使得代价函数最小，根据最速梯降方法，可以推导出以下所述的各权重的迭代计算公式：
wnode，o(n+1)＝wnode，o(n)+λ1 δnode(n)xnode，h(n)
其中，λ1是收敛系数，δnode(n)为各神经元的偏导数，按照如下公式计算；
其中，f′o(Neto)是fo(Neto)的导数，f′h(Netj，h)是fh(Netj，h)的导数；
5)利用权重系数的迭代计算公式修正输入层与中间层的连接权值wij和隐含层与输出层的连接权值wjo；
6)利用输入层与中间层的连接权值wij、隐含层与输出层的连接权值wjo和误差函数计算出总体的误差值；
7)判断总体的误差值是否小于误差阈值，若是，则结束算法并输出测算值；若否，则重新选取输入样本及其对应期望输出，然后进入步骤3)。
结合图4和图8所示为实施例2，一种基于神经网络的反馈式降噪方法，基于噪声参考麦克风、前馈控制滤波器、反馈控制滤波器、误差麦克风和扬声器，方法包括以下步骤：
1)噪音参考麦克风对初始噪音进行拾音并经转换后得到噪声参考信号x(n)；
2)将噪声参考信号x(n)经过反馈控制滤波器后得到反向噪声信号y(n)；
3)将反向噪声信号y(n)转换成模拟信号经扬声器输出，产生次级声源，误差麦克风对初始噪声叠加次级声源的残余噪声拾音并经转换后得到的误差信号e(n)；
4)使误差信号e(n)叠加反向噪声信号y(n)之后得到的信号作为初始噪声的估计值d’(n)；
5)测算出次级通道传递函数的估计值S’(z)；
6)将初始噪声的估计值d’(n)经过次级通道传递函数的估计值S’(z)滤波得到反馈控制滤波器的输入信号r(n)，根据该输入信号r(n)和误差信号e(n)测算出反馈控制滤波器的权重系数Wb(n)；
7)将初始噪声的估计值d’(n)经过反馈控制滤波器的权重系数Wb(n)滤波得到的信号标记为反向噪声信号y(n)，然后重复上述的步骤3)至步骤6)，直到信号处理完毕；
其中，利用BP神经网络测算出次级通道传递函数的估计值S’(z)和利用LMS算法测算出反馈控制滤波器的权重系数Wb(n)。
作为一种优选方案，判断信号是否处理完毕的关键在于：在n时刻误差麦克风拾音得到的误差信号e(n)是否约等于n-1时刻时误差麦克风拾音得到的误差信号e(n-1)，若是，则判断为信号处理完毕，若否，则判断为信号未处理完毕。
当n时刻误差麦克风拾音得到的误差信号e(n)≈n-1时刻时误差麦克风拾音得到的误差信号e(n-1)时，则判断为信号处理完毕。
作为一种优选方案，所述次级通道传递函数的估计值由非线性滤波器实现。
如图5所示，所述BP神经网络测算出方法包括以下步骤：
1)建立BP神经网络测算出模型；
2)对BP神经网络进行优化训练；
3)利用优化训练后的BP神经网络进行测算，得到测算值。
其中，所述测算值为次级通道传递函数的估计值S’(z)。
如图6所示为BP神经网络结构示意图，所述BP神经网络通过双曲正切函数建立输入与输出关系；
所述其输入为net＝x1w1+x2w2+…+xnwn；
所述其输出为y＝f(net)；
所述输入层有n个神经元，隐含层有h个神经元,输出层有q个神经元；
输入向量：x＝(x1,x2,…,xn)；
隐含层输入向量：ji＝(ji1,ji2,…,jih)；
隐含层输出向量：jo＝(jo1,jo2,…,joh)；
输出层输入向量：yi＝(yi1,yi2,…,yiq)；
输出层输出向量：yo＝(yo1,yo2,…,yoq)；
期望输出向量：do＝(d1,d2,…,dq)；
输入层与中间层的连接权值：wij；
隐含层与输出层的连接权值：wjo；
隐含层各神经元的阈值：bj；
输出层各神经元的阈值：bo；
样本数据个数：k＝1，2，…m；
激活函数：f(X)；
误差函数：
如图7所示，所述对BP神经网络进行优化训练步骤为：
1)初始化所述BP神经网络，设置各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数，设定误差阈值；
2)随机选取第k个输入样本及其对应期望输出：
3)计算隐含层各神经元的输入和输出；
4)利用期望输出和实际输出通过反向传播算法计算出权重系数的迭代计算公式；
按照反向传播算法，为使得代价函数最小，根据最速梯降方法，可以推导出以下所述的各权重的迭代计算公式：
wnode，o(n+1)＝wnode，o(n)+λ1 δnode(n)xnode，h(n)
其中，λ1是收敛系数，δnode(n)为各神经元的偏导数，按照如下公式计算；
其中，f′o(Neto)是fo(Neto)的导数，f′h(Netj，h)是fh(Netj，h)的导数；
5)利用权重系数的迭代计算公式修正输入层与中间层的连接权值wij和隐含层与输出层的连接权值wjo；
6)利用输入层与中间层的连接权值wij、隐含层与输出层的连接权值wjo和误差函数计算出总体的误差值；
7)判断总体的误差值是否小于误差阈值，若是，则结束算法并输出测算值；若否，则重新选取输入样本及其对应期望输出，然后进入步骤3)。
作为一种优选方案，反馈控制滤波器为FIR滤波器，利用LMS算法推导出过LMS算法可以推导出FIR滤波器每阶的权重系数迭代计算公式为：
w1(n+1)＝w1(n)+λ2ex(n-1)
其中1为1，2，3，...，L，λ2是收敛系数；
结合图4和图9所示为实施例3，一种基于神经网络的反馈式降噪方法，基于噪声参考麦克风、前馈控制滤波器、反馈控制滤波器、误差麦克风和扬声器，方法包括以下步骤：
1)噪音参考麦克风对初始噪音进行拾音并经转换后得到噪声参考信号x(n)；
2)将噪声参考信号x(n)经过反馈控制滤波器后得到反向噪声信号y(n)；
3)将反向噪声信号y(n)转换成模拟信号经扬声器输出，产生次级声源，误差麦克风对初始噪声叠加次级声源的残余噪声拾音并经转换后得到的误差信号e(n)；
4)使误差信号e(n)叠加反向噪声信号y(n)之后得到的信号作为初始噪声的估计值d’(n)；
5)测算出次级通道传递函数的估计值S’(z)；
6)将初始噪声的估计值d’(n)经过次级通道传递函数的估计值S’(z)滤波得到反馈控制滤波器的输入信号r(n)，根据该输入信号r(n)和误差信号e(n)测算出反馈控制滤波器的权重系数Wb(n)；
7)将初始噪声的估计值d’(n)经过反馈控制滤波器的权重系数Wb(n)滤波得到的信号标记为反向噪声信号y(n)，然后重复上述的步骤3)至步骤6)，直到信号处理完毕；
其中，利用BP神经网络测算出次级通道传递函数的估计值S’(z)和反馈控制滤波器的权重系数Wb(n)。
作为一种优选方案，判断信号是否处理完毕的关键在于：在n时刻误差麦克风拾音得到的误差信号e(n)是否约等于n-1时刻时误差麦克风拾音得到的误差信号e(n-1)，若是，则判断为信号处理完毕，若否，则判断为信号未处理完毕。
作为一种优选方案，所述次级通道传递函数的估计值S’(z)由非线性滤波器实现，所述反馈控制滤波器为非线性滤波器。
如图5所示，如图5所示，所述BP神经网络测算出方法包括以下步骤：
1)建立BP神经网络测算出模型；
2)对BP神经网络进行优化训练；
3)利用优化训练后的BP神经网络进行测算，得到测算值。
其中，所述测算值为次级通道传递函数的估计值S’(z)和反馈控制滤波器的权重系数Wb(n)。
如图6所示为BP神经网络结构示意图，所述BP神经网络通过双曲正切函数建立输入与输出关系；
所述其输入为net＝x1w1+x2w2+…+xnwn；
所述其输出为y＝f(net)；
所述输入层有n个神经元，隐含层有h个神经元，输出层有q个神经元；
输入向量：x＝(x1，x2，...，xn)；
隐含层输入向量：ji＝(ji1，ji2，...，jih)；
隐含层输出向量：jo＝(jo1，jo2，...，joh)；
输出层输入向量：yi＝(yi1，yi2，...，yiq)；
输出层输出向量：yo＝(yo1，yo2，...，yoq)；
期望输出向量：do＝(d1，d2，...，dq)；
输入层与中间层的连接权值：wij；
隐含层与输出层的连接权值：wjo；
隐含层各神经元的阈值：bj；
输出层各神经元的阈值：bo；
样本数据个数：k＝1，2，...m；
激活函数：f(X)；
误差函数：
如图7所示，所述对BP神经网络进行优化训练步骤为：
1)初始化所述BP神经网络，设置各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数，设定误差阈值；
2)随机选取第k个输入样本及其对应期望输出：
3)计算隐含层各神经元的输入和输出；
4)利用期望输出和实际输出通过反向传播算法计算出权重系数的迭代计算公式；
按照反向传播算法，为使得代价函数最小，根据最速梯降方法，可以推导出以下所述的各权重的迭代计算公式：
wnode，o(n+1)＝wnode，o(n)+λ1δnode(n)xnode，h(n)
其中，λ1是收敛系数，δnode(n)为各神经元的偏导数，按照如下公式计算；
其中，f′o(Neto)是fo(Neto)的导数，f′h(Netj，h)是fh(Netj，h)的导数；
5)利用权重系数的迭代计算公式修正输入层与中间层的连接权值wij和隐含层与输出层的连接权值wjo；
6)利用输入层与中间层的连接权值wij、隐含层与输出层的连接权值wjo和误差函数计算出总体的误差值；
7)判断总体的误差值是否小于误差阈值，若是，则结束算法并输出测算值；若否，则重新选取输入样本及其对应期望输出，然后进入步骤3)。
本发明的有益效果是：通过利用BP神经网络测算出反馈控制滤波器的权重系数或/和次级通道传递函数估计值能有效解决因从C位的误差麦克风到B位扬声器的控制通道中存在非线性环节或/和从B位的扬声器到C位的误差麦克风传递函数存在非线性环节而影响降噪效果的现象发生，从而提高降噪效果。
以上所述，仅是本发明较佳实施方式，凡是依据本发明的技术方案对以上的实施方式所作的任何细微修改、等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种基于神经网络的反馈式降噪方法，其特征在于：基于噪声参考麦克风、前馈控制滤波器、反馈控制滤波器、误差麦克风和扬声器，方法包括以下步骤：
1)噪音参考麦克风对初始噪音进行拾音并经转换后得到噪声参考信号；
2)将噪声参考信号经过反馈控制滤波器后得到反向噪声信号；
3)将反向噪声信号转换成模拟信号经扬声器输出，产生次级声源，误差麦克风对初始噪声叠加次级声源的残余噪声拾音并经转换后得到的误差信号；
4)使误差信号叠加反向噪声信号之后得到的信号作为初始噪声的估计值；
5)测算出次级通道传递函数的估计值；
6)将初始噪声的估计值经过次级通道传递函数的估计值滤波得到反馈控制滤波器的输入信号，根据该输入信号和误差信号测算出反馈控制滤波器的权重系数；
7)将初始噪声的估计值经过反馈控制滤波器的权重系数滤波得到的信号标记为反向噪声信号，然后重复上述的步骤3)至步骤6)，直到信号处理完毕；
其中，利用BP神经网络测算出次级通道传递函数的估计值或/和反馈控制滤波器的权重系数。
2.根据权利要求1所述的一种基于神经网络的反馈式降噪方法，其特征在于：利用BP神经网络测算出次级通道传递函数的估计值和利用LMS算法/RLMS算法测算出反馈控制滤波器的权重系数。
3.根据权利要求1所述的一种基于神经网络的反馈式降噪方法，其特征在于：利用LMS算法/RLMS算法测算出次级通道传递函数的估计值和利用BP神经网络测算出反馈控制滤波器的权重系数。
4.根据权利要求1、2或3所述的一种基于神经网络的反馈式降噪方法，其特征在于：所述BP神经网络测算出方法包括以下步骤：
1)建立BP神经网络测算出模型；
2)对BP神经网络进行优化训练；
3)利用优化训练后的BP神经网络进行测算，得到测算值。
其中，所述测算值为次级通道传递函数的估计值或/和反馈控制滤波器的权重系数。
5.根据权利要求4所述的一种基于神经网络的反馈式降噪方法，其特征在于：所述BP神经网络通过Sigmoid函数或双曲正切函数建立输入与输出关系。
6.根据权利要求5所述的一种基于神经网络的反馈式降噪方法，其特征在于：所述BP神经网络通过双曲正切函数建立输入与输出关系；
所述其输入为net＝x1w1+x2w2+…+xnwn；
所述其输出为y＝f(net)；
所述输入层有n个神经元，隐含层有h个神经元,输出层有q个神经元；
输入向量：x＝(x1,x2,…,xn)；
隐含层输入向量：ji＝(ji1,ji2,…,jih)；
隐含层输出向量：jo＝(jo1,jo2,…,joh)；
输出层输入向量：yi＝(yi1,yi2,…,yiq)；
输出层输出向量：yo＝(yo1,yo2,…,yoq)；
期望输出向量：do＝(d1,d2,…,dq)；
输入层与中间层的连接权值：wij；
隐含层与输出层的连接权值：wjo；
隐含层各神经元的阈值：bj；
输出层各神经元的阈值：bo；
样本数据个数：k＝1，2，…m；
激活函数：f(X)；
误差函数：
7.根据权利要求6所述的一种基于神经网络的反馈式降噪方法，其特征在于：所述对BP神经网络进行优化训练步骤为：
1)初始化所述BP神经网络，设置各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数，设定误差阈值；
2)随机选取第k个输入样本及其对应期望输出：
3)计算隐含层各神经元的输入和输出；
4)利用期望输出和实际输出计算出权重系数的迭代计算公式；
各权重的迭代计算公式：
wnode，o(n+1)＝wnode，o(n)+λ1δnode(n)xnode，h(n)
其中，λ1是收敛系数，δnode(n)为各神经元的偏导数，按照如下公式计算；
其中，f′o(Neto)是fo(Neto)的导数，f′h(Netj，h)是fh(Netj，h)的导数；
5)利用权重系数的迭代计算公式修正输入层与中间层的连接权值wij和隐含层与输出层的连接权值wjo；
6)利用输入层与中间层的连接权值wij、隐含层与输出层的连接权值wjo和误差函数计算出总体的误差值；
7)判断总体的误差值是否小于误差阈值，若是，则结束算法并输出测算值；若否，则重新选取输入样本及其对应期望输出，然后进入步骤3)。
8.根据权利要求1、2或3所述的一种基于神经网络的反馈式降噪方法，其特征在于：当利用LMS算法/RLMS算法测算出次级通道传递函数的估计值时，所述次级通道传递函数估计值由FIR滤波器或IIR滤波器实现；当利用BP神经网络测算出次级通道传递函数的估计值时，所述次级通道传递函数估计值由非线性滤波器实现。
9.根据权利要求1、2或3所述的一种基于神经网络的反馈式降噪方法，其特征在于：当利用LMS算法/RLMS算法测算出反馈控制滤波器的权重系数时，所述反馈控制滤波器为FIR滤波器或IIR滤波器；当BP神经网络测算出反馈控制滤波器的权重系数时，所述反馈控制滤波器为非线性滤波器。
10.根据权利要求1、2或3所述的一种基于神经网络的反馈式降噪方法，其特征在于：判断信号是否处理完毕的关键在于：此次误差麦克风拾音得到的误差信号是否约等于上次误差麦克风拾音得到的误差信号，若是，则判断为信号处理完毕，若否，则判断为信号未处理完毕。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911120528.1A CN111091805B (zh) | 2019-11-15 | 2019-11-15 | 一种基于神经网络的反馈式降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911120528.1A CN111091805B (zh) | 2019-11-15 | 2019-11-15 | 一种基于神经网络的反馈式降噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111091805A true CN111091805A (zh) | 2020-05-01 |
| CN111091805B CN111091805B (zh) | 2023-05-26 |
Family
ID=70393256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911120528.1A Active CN111091805B (zh) | 2019-11-15 | 2019-11-15 | 一种基于神经网络的反馈式降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091805B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111883155A (zh) * | 2020-07-17 | 2020-11-03 | 海尔优家智能科技（北京）有限公司 | 回声消除方法、装置及存储介质 |
| CN111935589A (zh) * | 2020-09-28 | 2020-11-13 | 深圳市汇顶科技股份有限公司 | 主动降噪的方法、装置、电子设备和芯片 |
| CN111968613A (zh) * | 2020-08-24 | 2020-11-20 | 湖南工业大学 | 一种主动控制车辆全局空间噪声的卷积-模糊神经网络方法 |
| CN112053676A (zh) * | 2020-08-07 | 2020-12-08 | 南京时保联信息科技有限公司 | 一种非线性自适应主动降噪系统及其降噪方法 |
| CN112331175A (zh) * | 2020-10-30 | 2021-02-05 | 哈尔滨工程大学 | 一种基于bp神经网络的水下结构低频辐射噪声的主动控制方法 |
| CN112382265A (zh) * | 2020-10-21 | 2021-02-19 | 西安交通大学 | 基于深度循环神经网络的主动降噪方法、存储介质及系统 |
| CN112562628A (zh) * | 2020-12-07 | 2021-03-26 | 苏州静声泰科技有限公司 | 基于深度神经网络的自适应有源噪声控制系统及其方法 |
| CN113132848A (zh) * | 2021-04-13 | 2021-07-16 | 北京安声科技有限公司 | 滤波器设计方法、装置以及入耳式主动降噪耳机 |
| CN113421540A (zh) * | 2021-07-26 | 2021-09-21 | 北京安声浩朗科技有限公司 | 主动降噪方法、主动降噪装置及半入耳式主动降噪耳机 |
| CN113657026A (zh) * | 2021-07-30 | 2021-11-16 | 万魔声学股份有限公司 | 滤波器的仿真设计方法、装置、设备及存储介质 |
| CN116016787A (zh) * | 2022-12-30 | 2023-04-25 | 南方医科大学南方医院 | 基于Sigmoid变换及RLS算法的非线性回波消除 |
| WO2024003756A1 (en) * | 2022-06-28 | 2024-01-04 | Silentium Ltd. | Apparatus, system, and method of neural-network (nn) based active acoustic control (aac) |
| US11935513B2 (en) | 2019-10-27 | 2024-03-19 | Silentium Ltd. | Apparatus, system, and method of Active Acoustic Control (AAC) |
| US12070986B2 (en) | 2019-10-27 | 2024-08-27 | Silentium Ltd. | Apparatus, system and method of active noise control (ANC) in a vehicle |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0624274A1 (en) * | 1992-01-28 | 1994-11-17 | Noise Cancellation Technologies, Inc. | Active noise cancellation |
| JPH10171466A (ja) * | 1996-12-12 | 1998-06-26 | Sumitomo Electric Ind Ltd | 能動騒音制御装置 |
| US20100002892A1 (en) * | 2007-03-30 | 2010-01-07 | Fujitsu Limited | Active noise reduction system and active noise reduction method |
| CN103971908A (zh) * | 2014-05-06 | 2014-08-06 | 国家电网公司 | 一种变压器噪声抑制方法 |
| CN108428445A (zh) * | 2018-03-15 | 2018-08-21 | 中国科学院声学研究所 | 一种无误差传声器的自适应主动降噪方法 |
| CN108806664A (zh) * | 2018-05-03 | 2018-11-13 | 清华大学苏州汽车研究院（相城） | 一种汽车车内噪声控制方法 |
| CN109714023A (zh) * | 2018-12-28 | 2019-05-03 | 歌尔股份有限公司 | 自适应滤波方法、自适应滤波器和噪声控制系统 |
| CN109769060A (zh) * | 2019-02-02 | 2019-05-17 | 吉林大学 | 一种手机主动降噪装置及方法 |
| CN109861666A (zh) * | 2019-01-28 | 2019-06-07 | 山东大学 | 基于反馈神经网络的frm滤波器设计方法及系统 |
-
2019
- 2019-11-15 CN CN201911120528.1A patent/CN111091805B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0624274A1 (en) * | 1992-01-28 | 1994-11-17 | Noise Cancellation Technologies, Inc. | Active noise cancellation |
| JPH10171466A (ja) * | 1996-12-12 | 1998-06-26 | Sumitomo Electric Ind Ltd | 能動騒音制御装置 |
| US20100002892A1 (en) * | 2007-03-30 | 2010-01-07 | Fujitsu Limited | Active noise reduction system and active noise reduction method |
| CN103971908A (zh) * | 2014-05-06 | 2014-08-06 | 国家电网公司 | 一种变压器噪声抑制方法 |
| CN108428445A (zh) * | 2018-03-15 | 2018-08-21 | 中国科学院声学研究所 | 一种无误差传声器的自适应主动降噪方法 |
| CN108806664A (zh) * | 2018-05-03 | 2018-11-13 | 清华大学苏州汽车研究院（相城） | 一种汽车车内噪声控制方法 |
| CN109714023A (zh) * | 2018-12-28 | 2019-05-03 | 歌尔股份有限公司 | 自适应滤波方法、自适应滤波器和噪声控制系统 |
| CN109861666A (zh) * | 2019-01-28 | 2019-06-07 | 山东大学 | 基于反馈神经网络的frm滤波器设计方法及系统 |
| CN109769060A (zh) * | 2019-02-02 | 2019-05-17 | 吉林大学 | 一种手机主动降噪装置及方法 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11935513B2 (en) | 2019-10-27 | 2024-03-19 | Silentium Ltd. | Apparatus, system, and method of Active Acoustic Control (AAC) |
| US12070986B2 (en) | 2019-10-27 | 2024-08-27 | Silentium Ltd. | Apparatus, system and method of active noise control (ANC) in a vehicle |
| CN111883155A (zh) * | 2020-07-17 | 2020-11-03 | 海尔优家智能科技（北京）有限公司 | 回声消除方法、装置及存储介质 |
| CN111883155B (zh) * | 2020-07-17 | 2023-10-27 | 海尔优家智能科技（北京）有限公司 | 回声消除方法、装置及存储介质 |
| CN112053676A (zh) * | 2020-08-07 | 2020-12-08 | 南京时保联信息科技有限公司 | 一种非线性自适应主动降噪系统及其降噪方法 |
| CN112053676B (zh) * | 2020-08-07 | 2023-11-21 | 南京时保联信息科技有限公司 | 一种非线性自适应主动降噪系统及其降噪方法 |
| CN111968613B (zh) * | 2020-08-24 | 2023-09-19 | 湖南工业大学 | 一种主动控制车辆全局空间噪声的卷积-模糊神经网络方法 |
| CN111968613A (zh) * | 2020-08-24 | 2020-11-20 | 湖南工业大学 | 一种主动控制车辆全局空间噪声的卷积-模糊神经网络方法 |
| CN111935589A (zh) * | 2020-09-28 | 2020-11-13 | 深圳市汇顶科技股份有限公司 | 主动降噪的方法、装置、电子设备和芯片 |
| CN112382265B (zh) * | 2020-10-21 | 2024-05-28 | 西安交通大学 | 基于深度循环神经网络的主动降噪方法、存储介质及系统 |
| CN112382265A (zh) * | 2020-10-21 | 2021-02-19 | 西安交通大学 | 基于深度循环神经网络的主动降噪方法、存储介质及系统 |
| CN112331175A (zh) * | 2020-10-30 | 2021-02-05 | 哈尔滨工程大学 | 一种基于bp神经网络的水下结构低频辐射噪声的主动控制方法 |
| CN112562628A (zh) * | 2020-12-07 | 2021-03-26 | 苏州静声泰科技有限公司 | 基于深度神经网络的自适应有源噪声控制系统及其方法 |
| CN113132848A (zh) * | 2021-04-13 | 2021-07-16 | 北京安声科技有限公司 | 滤波器设计方法、装置以及入耳式主动降噪耳机 |
| CN113421540B (zh) * | 2021-07-26 | 2023-10-31 | 北京安声浩朗科技有限公司 | 主动降噪方法、主动降噪装置及半入耳式主动降噪耳机 |
| CN113421540A (zh) * | 2021-07-26 | 2021-09-21 | 北京安声浩朗科技有限公司 | 主动降噪方法、主动降噪装置及半入耳式主动降噪耳机 |
| CN113657026A (zh) * | 2021-07-30 | 2021-11-16 | 万魔声学股份有限公司 | 滤波器的仿真设计方法、装置、设备及存储介质 |
| WO2024003756A1 (en) * | 2022-06-28 | 2024-01-04 | Silentium Ltd. | Apparatus, system, and method of neural-network (nn) based active acoustic control (aac) |
| US12112736B2 (en) | 2022-06-28 | 2024-10-08 | Silentium Ltd. | Apparatus, system, and method of neural-network (NN) based active acoustic control (AAC) |
| CN116016787A (zh) * | 2022-12-30 | 2023-04-25 | 南方医科大学南方医院 | 基于Sigmoid变换及RLS算法的非线性回波消除 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111091805B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091805A (zh) | 一种基于神经网络的反馈式降噪方法 | |
| CN111564160A (zh) | 一种基于aewgan的语音降噪的方法 | |
| CN102883243B (zh) | 在线迭代的声重放系统频响均衡方法 | |
| CN110889197B (zh) | 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 | |
| Goh et al. | Nonlinear adaptive prediction of complex-valued signals by complex-valued PRNN | |
| CN104158512A (zh) | 一种基于独立活性因子的抗冲击干扰的自适应稀疏系统辨识方法 | |
| CN111798864A (zh) | 一种回声消除方法、装置、电子设备及存储介质 | |
| CN111326134A (zh) | 一种基于emfnl滤波器离线建模次级通道的有源降噪方法 | |
| CN111193497B (zh) | 一种基于emfnl滤波器的次级通道建模方法 | |
| CN114400017A (zh) | 一种基于非线性滤波的声学回声消除方法 | |
| CN113299260B (zh) | 一种基于emfnl滤波器在线建模次级通道的有源降噪方法 | |
| Coelho et al. | Adaptive iir diffusion networks for iot applications | |
| JP5524316B2 (ja) | パラメータ推定装置、エコー消去装置、パラメータ推定方法、及びプログラム | |
| CN113676157B (zh) | 一种抵消直流偏置的自适应滤波算法 | |
| CN113066469A (zh) | 一种基于神经网络的混合式主动降噪叠加方法和装置 | |
| CN111883155A (zh) | 回声消除方法、装置及存储介质 | |
| Kahphooi et al. | Nonlinear adaptive RBF neural filter with Lyapunov adaptation algorithm and its application to nonlinear channel equalization | |
| Akpan et al. | Development and comparative study of least mean square-based adaptive filter algorithms | |
| Jiang et al. | On modified complex recurrent neural network adaptive equalizer | |
| Back et al. | A comparison of discrete-time operator models for nonlinear system identification | |
| JP3066652B2 (ja) | 線路等化器 | |
| Carini et al. | Analysis of a multichannel filtered-x set-membership affine projection algorithm | |
| CN116016787B (zh) | 一种非线性回波消除方法 | |
| Chikyal et al. | Chebyshev Individual Adaptive Exponential Functional Link Filter for Nonlinear System Identification | |
| Wu et al. | Improving generalization performance of artificial neural networks with genetic algorithms |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |