CN112053676A - 一种非线性自适应主动降噪系统及其降噪方法 - Google Patents
一种非线性自适应主动降噪系统及其降噪方法 Download PDFInfo
- Publication number
- CN112053676A CN112053676A CN202010789203.9A CN202010789203A CN112053676A CN 112053676 A CN112053676 A CN 112053676A CN 202010789203 A CN202010789203 A CN 202010789203A CN 112053676 A CN112053676 A CN 112053676A
- Authority
- CN
- China
- Prior art keywords
- noise reduction
- filter
- signal
- nonlinear
- 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.)
- Granted
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 105
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 230000005236 sound signal Effects 0.000 claims abstract description 18
- 230000008030 elimination Effects 0.000 claims abstract description 6
- 238000003379 elimination reaction Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 238000001914 filtration Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 3
- 230000004630 mental health Effects 0.000 description 2
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
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
- 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
- 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
- G10K2210/3039—Nonlinear, e.g. clipping, numerical truncation, thresholding or variable input and output gain
- G10K2210/30391—Resetting of the filter parameters or changing the algorithm according to prevailing conditions
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明专利公开了一种非线性自适应主动降噪系统及其降噪方法，其算法结构包括，用于进行声音信号滤波的自适应滤波器，用于进行声反馈消除的反馈消除滤波器，用于计算误差声音信号的次级路径估计滤波器和初级路径估计滤波器，用于离线估计所需滤波器的离线路径辨识算法以及用于实时更新所述自适应滤波器的迭代算法。本发明专利采用了基于小波函数的离线路径辨识方法、基于径向基函数的非线性自适应滤波以及均值聚类中心选取算法，结合虚拟声学传感器技术，解决传统FxLMS算法面对非线性噪声时效果不理想的问题，从而有效减少非线性噪声的污染。
Description
技术领域
本发明涉及噪声处理技术领域，具体涉及一种非线性自适应主动降噪系统及其降噪方法。
背景技术
随着现代工业的迅速发展和人们对于生活质量要求的不断提升，环境污染问题越来越引起人们的关注。其中，噪声污染与水污染、大气污染被看成是世界范围内的三大污染。噪声污染也如同其他污染一样，广泛的存在于我们生活的方方面面。噪声又有高强度和低强度之分，其中低强度的噪声在一般情况下对人的身心健康没有什么大的害处，但是高强度的噪声却极易影响人们的身心健康，会使人精神不振、身心疲劳、记忆力减退，在长时间接触后甚至会引起疾病。在城市生活中噪声污染的来源主要有交通噪声、工业噪声、施工噪声和社会生活噪声四种。
在噪声控制手段中，大多采用的是被动的无源噪声控制(PNC)，例如安装消声器以减少噪声产生，或外加装隔声罩以隔离噪声。而目前大多数无源降噪方法的主要作用范围是中高频宽带噪声，对于低频的窄带噪声的降噪效果较差。除此之外，采用被动的无源噪声控制(PNC)还需添加额外的隔声、吸声设备，增加不少的设备成本和维护成本；被动降噪还会吸收部分有用声音能量。而主动降噪(ANC)由于采用声波相消的原理来降噪，拥有处理低频窄带噪声效果好、安装方便、不影响被控对象的工作效率的优点。在1980年D.R.Morgan首先提出了著名的滤波-xLMS算法，一年后J.C.Burgress也独立的提出了FxLMS算法，并对于该算法在计算机上进行了仿真实验，在单频上取得不错的成果。
但是，传统的FxLMS算法，是基于系统的所有部分都是线性这一假设的基础上，对于线性的系统，FxLMS算法具有鲁棒性强、简单、运算量小、容易实现等优点。但当传递函数出现非最小相位的情况，或者噪声过程、噪声传播过程具有非线性特性时，FxLMS算法性能会显著下降。例如风机噪声就是一种典型的混沌噪声，其产生过程是非线性的，同时由于尺寸原因，系统受到因果性的限制，在这种情况下，传统的FxLMS算法很难满足系统的因果性和非线性要求，性能会产生难以接收的下降。神经网络(Neural Networks，简称NN)是由大量的，简单的处理单元(称为神经元)广泛的相互连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。神经网络具有大规模并行，分布式存储和处理，自组织，自适应和自学习能力，特别适合处理需要同时考虑许多因素和条件的，不精确的和模糊的信息处理问题。对于一个未知的非线性过程，使用神经网络可以很轻易的对其进行逼近，但是神经网络也存在一个很大的缺陷，使得其几乎无法用于主动降噪系统。神经网络的实现需要巨大的计算量，而这一点与主动降噪系统的高实时性要求相悖。
因此，如何基于神经网络的思想，提出简化的非线性主动降噪系统，使得该非线性主动降噪系统能够兼顾实时性和对于非线性特性的拟合能力，是当前需要解决的问题。
发明内容
本发明的目的是克服现有技术中非线性主动降噪系统能够兼顾实时性和对于非线性特性的拟合能力的问题。本发明的基于径向基函数的非线性主动降噪自适应算法，兼顾了算法性能和计算复杂度，具有良好的应用前景。
为了达到上述目的，本发明所采用的技术方案是：
一种非线性自适应主动降噪系统，包括声音信号单元、电信号单元、抗噪声源和目标降噪区域单元
所述声音信号单元，用于采集、传输噪声源发出的噪声信号，并接收抗噪声源发出的抗噪声信号；
所述电信号单元，用于产生非线性自适应主动降噪处理信号，并将非线性自适应主动降噪处理信号发送给抗噪声源；
所述抗噪声源，用于接收电信号单元输出的非线性自适应主动降噪处理信号，并发出抗噪声信号给声音信号单元；
所述目标降噪区域单元，用于输出经过抗噪声信号处理后的噪声信号。
前述的一种非线性自适应主动降噪系统，所述声音信号单元，包括噪声源、声学传感器和第一加法器，所述噪声源经过声学传感器的采集沿着初级路径模块与第一加法器的第一输入端相连接，所述第一加法器的输出端与目标降噪区域单元的输入端相连接，所述第一加法器的第二输入端与抗噪声源的输出端相连接。
前述的一种非线性自适应主动降噪系统，所述电信号单元，包括第二加法器、电信号处理模块，
所述第二加法器的第一输入端与声学传感器的信号输出端相连接；所述第二加法器的第二输入端通过声反馈路径模块与第二输入端与抗噪声源的输出端相连接作为反馈信号的输入；所述第二加法器的第三输入端与电信号处理模块的信号输出端相连接。
前述的一种非线性自适应主动降噪系统，所述电信号处理模块，包括主控制器、虚拟误差声学传感器、自适应滤波器、次级路径估计滤波器、初级路径估计滤波器和反馈消除滤波器，
所述主控制器的第一信号输入端与第二加法器的输出端相连接，所述第二加法器的输出端分别与初级路径估计滤波器、自适应滤波器的输入端相连接，所述初级路径估计滤波器的输出端与虚拟误差声学传感器相连接，所述主控制器的输出端与自适应滤波器相连接，所述自适应滤波器的输出端通过次级路径模块后作为电信号单元的非线性自适应主动降噪处理信号输出端与抗噪声源的输入端相连接，
所述自适应滤波器的输出端还分别与反馈消除滤波器、次级路径估计滤波器的输入端相连接，所述反馈消除滤波器的输出端做为电信号处理模块的信号输出端与第二加法器的第三输入端相连接，所述次级路径估计滤波器的输出端与虚拟误差声学传感器相连接，
所述虚拟误差声学传感器的输出端与主控制器的第二信号输入端相连接。
前述的一种非线性自适应主动降噪系统，所述主控制器包括主控芯片、音频编解码芯片和功率放大电路，所述主控芯片为DSP芯片，抗噪声源为无源扬声器，所述声学传感器为驻极体麦克风。
前述的一种非线性自适应主动降噪系统，所述抗噪声源可以是无源扬声器，所述声学传感器可以是驻极体麦克风。
一种非线性自适应主动降噪系统的降噪方法，其特征在于：包括以下步骤，
步骤(A)，利用小波级数离线路径估计算法获得所述次级路径估计滤波器、所述初级路径估计滤波器以及所述反馈消除滤波器的参数；
步骤(B)，利用k-mean聚类算法获得所基于径向基函数所述的主控制器迭代计算的样本中心的样本数据；
步骤(C)，利用主控制器以及其它运算过程得到的非线性自适应主动降噪处理信号，将非线性自适应主动降噪处理信号经过抗噪声源发送到标降噪区域单元的进行自适应主动降噪。
前述的一种非线性自适应主动降噪系统的降噪方法，步骤(A)，利用小波级数离线路径估计算法获得所述次级路径估计滤波器、所述初级路径估计滤波器以及所述反馈消除滤波器的参数，公式如下：
其中，Tf为传输函数，
为输入向量，是高斯白噪声量，ε,γ为离散小波变换的尺度参数和平移参数，
为所选小波函数，m为小波函数个数，ξε,γ(m)为小波函数的权值，而ξε,γ(n)则为n次迭代对应的小波函数权值向量，β为常数，yp为系统实际输出，yp'为系统估计的输出yp(n)和yp'(n)为他们n次迭代的值，所选小波函数
包括但不限于二进小波函数，以二进小波函数为例，其公式如下：
前述的一种非线性自适应主动降噪系统的降噪方法步骤(B)，利用k-mean聚类算法获得所述主控制器(204)的样本中心的样本数据，包括如下步骤：
步骤(A1)，初始化，随机选择中心值
k为基函数的序号，各个k对应的
不同；
步骤(B1)，采样，取输入空间的样本向量
步骤(C1)，将得到的样本向量
进行相似匹配，找到主控制器(204)n次迭代计算的最优中心，使得欧几里得范数
最小：
步骤(D1)，主控制器(204)的迭代计算，依据以下式子调整样本中心的样本数据：
其中，0＜η＜1，或者由如下公式得到：
前述的一种非线性自适应主动降噪系统的降噪方法，步骤(C)，主控制器(204)以及其它运算过程得到的非线性自适应主动降噪处理信号的计算方法，包括以下部分：
所述抗噪声源(3)的最终输出的非线性自适应主动降噪处理信号公式如下：
其中SP为次级路径滤波器向量，s为次级路径滤波器阶数，K为基函数的个数，wk为各个基函数的权值，L表示输出需要L个采样点来估计，x为参考声音传感器采集到的声音信号，ck为各个样本中心，vk为各个基函数宽度，i为L个采样点的序号，ck(i)为各个采样点对应的样本中心，z(n)为所述抗噪声源第n次迭代的输出。
前述的一种非线性自适应主动降噪系统的降噪方法，所述自适应滤波器(206)中系数wk的迭代公式计算如下：
wk(n)＝wk(n-1)-g(n)α(n)，
其中：wk(n)为n次迭代对应的所述自适应滤波器中的系数，α(n)为估计误差信号，g(n)为加权后的归一化次级路径输出。α(n)和g(n)计算公式如下：
α(n)＝d(n)+wk T(n-1)y'(n)
y'(n)为参考信号通过次级路径的估计之后的值，wk T为所述自适应滤波器权值向量的转置
本发明的有益效果是：本发明的基于径向基函数的非线性主动降噪自适应算法，相较于传统算法如FxLMS算法，可以有效控制非线性噪声。同时，为了便于硬件实现，本发明的基于径向基函数的非线性主动降噪自适应算法，兼顾了算法性能和计算复杂度，具有良好的应用前景。
附图说明
图1是本发明的拓补图；
图2是本发明的用于管道噪声场景的示意图；
图3是本发明的流程图；
图4是本发明的实验数据图。
图中：1、声音信号单元，101、噪声源，102、声学传感器，103、第一加法器，104、初级路径模块，2、电信号单元、201、第二加法器，202、电信号处理模块，203、声反馈路径模块，204、主控制器，205、虚拟误差声学传感器，206、自适应滤波器，207、次级路径估计滤波器，208、初级路径估计滤波器，209、反馈消除滤波器，210、次级路径模块，3、抗噪声源，4、目标降噪区域单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-3所示，一种非线性自适应主动降噪系统，其特征在于：包括声音信号单元1、电信号单元2、抗噪声源3和目标降噪区域单元4
所述声音信号单元1，用于采集、传输噪声源发出的噪声信号，并接收抗噪声源3发出的抗噪声信号；
所述电信号单元2，用于产生非线性自适应主动降噪处理信号，并将非线性自适应主动降噪处理信号发送给抗噪声源3；
所述抗噪声源3，用于接收电信号单元2输出的非线性自适应主动降噪处理信号，并发出抗噪声信号给声音信号单元1；
所述目标降噪区域单元4，用于输出经过抗噪声信号处理后的噪声信号。
优选的，所述声音信号单元1，包括用于发出噪声的噪声源101、声学传感器102和第一加法器103，所述噪声源101经过声学传感器102的采集沿着初级路径模块104与第一加法器103的第一输入端相连接，所述第一加法器103的输出端与目标降噪区域单元4的输入端相连接，所述第一加法器103的第二输入端与抗噪声源3的输出端相连接，通过噪声源101发出噪声，然后由声学传感器102采集并传递到第一加法器103的输入端，由第一加法器103的输出端传递给目标降噪区域单元4。
优选的，所述电信号单元2，包括第二加法器201、电信号处理模块202，所述第二加法器201的第一输入端与声学传感器102的信号输出端相连接；所述第二加法器20中1的第二输入端通过声反馈路径模块203与第二输入端与抗噪声源3的输出端相连接作为反馈信号的输入；所述第二加法器201的第三输入端与电信号处理模块202的信号输出端相连接，通过电信号单元2中的电信号处理模块202将产生非线性噪音信号进行自适应主动降噪处理，然后将处理后的非线性自适应主动降噪处理信号发送给抗噪声源3。
优选的，所述电信号处理模块202，包括主控制器204、虚拟误差声学传感器205、自适应滤波器206、次级路径估计滤波器207、初级路径估计滤波器208和反馈消除滤波器209，所述主控制器204的第一信号输入端与第二加法器201的输出端相连接，所述第二加法器201的输出端分别与初级路径估计滤波器208、自适应滤波器206的输入端相连接，所述初级路径估计滤波器208的输出端与虚拟误差声学传感器205相连接，所述主控制器204的输出端与自适应滤波器206相连接，所述自适应滤波器206的输出端通过次级路径模块210后作为电信号单元2的非线性自适应主动降噪处理信号输出端与抗噪声源3的输入端相连接，所述自适应滤波器206的输出端还分别与反馈消除滤波器209、次级路径估计滤波器207的输入端相连接，所述反馈消除滤波器209的输出端做为电信号处理模块202的信号输出端与第二加法器201的第三输入端相连接，所述次级路径估计滤波器207的输出端与虚拟误差声学传感器205相连接，所述虚拟误差声学传感器205的输出端与主控制器204的第二信号输入端相连接，通过噪音信号从第一加法器201传送到主控制器204中，主控制器204用于处理声学传感器102采集到的声音信号，然后利用主控制器204计算得到的非线性自适应主动降噪处理信号，将信号传递给自适应滤波器206进行声音信号滤波，并在滤波后将信号输送给用于进行声反馈消除的反馈消除滤波器209、次级路径估计滤波器207和通过次级路径模块210后作为电信号单元2的非线性自适应主动降噪处理信号输送给抗噪声源3，并实时更新，声学传感器102并将声音信号输送给初级路径估计滤波器208，通过次级路径估计滤波器207和初级路径估计滤波器208计算误差声音信号，然后由次级路径估计滤波器207和初级路径估计滤波器208将信号输送给虚拟误差声学传感器205，虚拟误差声学传感器205将信号输送给主控制器204进行循环自适应主动降噪。
优选的，所述主控制器204包括主控芯片、音频编解码芯片和功率放大电路，所述主控芯片可以是DSP芯片，所述抗噪声源1为无源扬声器，所述声学传感器3为无驻极体麦克风，通过主控制器204内部多种电气元件配合对噪音很好的进行非线性信号的自适应处理。
一种非线性自适应主动降噪系统的降噪方法，包括以下步骤，
步骤A，利用小波级数离线路径估计算法获得所述次级路径估计滤波器207、所述初级路径估计滤波器208以及所述反馈消除滤波器209的参数；
步骤B，利用k-mean聚类算法获得所基于径向基函数所述的主控制器204迭代计算的样本中心的样本数据；
步骤C，利用主控制器204以及其它运算过程得到的非线性自适应主动降噪处理信号，将非线性自适应主动降噪处理信号经过抗噪声源3发送到标降噪区域单元4的进行自适应主动降噪。
优选的，步骤A，利用小波级数离线路径估计算法获得所述次级路径估计滤波器207、所述初级路径估计滤波器208以及所述反馈消除滤波器209的参数，公式如下：
其中，Tf为传输函数，
为输入向量，可以是高斯白噪声量，ε,γ为离散小波变换的尺度参数和平移参数，Ψε,γ为所选小波函数，M为小波函数个数，ξε,γ为小波函数的权值，β为常数，yp为系统实际输出，yp'为系统估计的输出。
优选的，步骤B，利用k-mean聚类算法获得所述主控制器204的样本中心的样本数据，包括如下步骤：
步骤A1，初始化，随机选择中心值
k为基函数的序号，各个k对应的
不同；
步骤B1，采样，取输入空间的样本向量
步骤C1，将得到的样本向量
进行相似匹配，找到主控制器204n次迭代计算的最优中心，使得欧几里得范数最小：
步骤D1，主控制器204的迭代计算，依据以下式子调整样本中心的样本数据：
其中，0＜η＜1，或者由如下公式得到：
其中，fs为采样率，矢量
代表应用于算法的输入。
优选的，所述步骤C，主控制器204以及其它运算过程得到的非线性自适应主动降噪处理信号的计算方法，包括以下部分：
所述抗噪声源3的最终输出的非线性自适应主动降噪处理信号公式如下：
其中SP为次级路径滤波器向量，S为次级路径滤波器阶数，K为基函数的个数，wk为各个基函数的权值，L表示输出需要L个采样点来估计，x为参考声音传感器采集到的声音信号，ck为各个样本中心，vk为各个基函数宽度。
优选的，所述自适应滤波器206中系数wk的迭代公式计算如下：
wk(n)＝wk(n-1)-g(n)α(n) (7)
其中：
α(n)＝d(n)+wk T(n-1)y'(n) (8)
其中，d(n)为目标噪声的估计，
为一个足够小的常数，e为估计误差信号。
优选的，设目标函数为：
其中ep为路径估计误差信号，N为所取数据长度。
则自适应过程如下所示，
即
所述主控制器204的迭代计算可以是基于径向基函数的非线性算法。对于所述自适应滤波器206的建模如下：
定义高斯函数
其中，K为基函数的个数，wk为各个基函数的权值，L表示输出需要L个采样点来估计，x为参考声音传感器采集到的声音信号，ck为各个样本中心，vk为各个基函数宽度。
所述滤波器(70)的输出为：
所述自适应滤波器206的输出通过次级路径模块210后输出为：
其中，SP为次级路径滤波器向量，S为次级路径估计滤波器的阶数。
由(14)、(15)可得系统最后的输出：
估计误差信号为：
e(n)＝d(n)-z(n) (16)
其中，PP’为主路径估计滤波器向量，P为主路径估计滤波器的阶数。
所述主控制器204中，所述各个基函数权值wk的迭代过程，可以是基于李雅普诺夫稳定性理论的迭代方法。根据式子(7)、(8)、(9)、(10)，进行所述自适应滤波器206的所述各个基函数权值wk的迭代。原理如下：
定义一个李雅普诺夫误差平方函数L(n)＝e2(n) (19)
则ΔL(n)＝L(n)-L(n-1) (20)＝e2(n)-e2(n-1)
＝(d(n)+Wk T(n)y'(n))2-e2(n-1)
＝(d(n)+(Wk T(n-1)-gT(n)α(n))y'(n))2-e2(n-1)
＝(d(n)+Wk T(n-1)y'(n)-gT(n)α(n)y'(n))2-e2(n-1)
＝(α(n)-gT(n)α(n)y'(n))2-e2(n-1)
＝α2(n)(1-gT(n)y'(n))2-e2(n-1)
其中，Wk T为权向量的转置。
在这里，
将式子(7)、(8)、(9)代入式子(20)可得：
ΔL(n)＝-(1-κ2)e2(n-1)＜0 (21)。
如图4所示，在不同的噪声类型下，本发明的降噪效果如图4所示，用于实验的噪声源分别来自风机、扬声器，实验采用了单频500Hz正弦波、多种频率混合的多频正弦信号(包括200Hz、300Hz、400Hz、500Hz、600Hz、700Hz、800Hz、900Hz、1000Hz频率的正弦波组合)、以及风机产生的非线性噪声(包括风噪声和电机转动产生的机械噪声)。其它实验设置：所述主控芯片的采样率为32kHz，所述声音传感器和所述误差声音传感器之间的距离为30cm，即保证了计算能够在一个采样周期内完成，有保证了次级路径的时延足够小。降噪效果使用声级计(A计权)来衡量，结果显示，本发明的基于径向基函数的非线性主动降噪自适应算法，在应对非线性噪声时仍然有5.2dB的效果。
综上所述，本发明用于实验的噪声源分别来风噪声和电机转动产生的非线性噪声，基于径向基函数的非线性主动降噪自适应算法，在应对非线性噪声时仍然有5.2dB的效果，相较于传统算法如FxLMS算法，可以有效控制非线性噪声。同时，为了便于硬件实现，本发明的基于径向基函数的非线性主动降噪自适应算法，兼顾了算法性能和计算复杂度，具有良好的应用前景，采用了虚拟声学传感器技术，省去了前馈型主动降噪结构中的误差声学传感器，利用次级路径估计滤波器207和初级路径估计滤波器208和自适应滤波器206的输出来估计目标误差，使得计算的精确到更高，由于抗噪声源3发出的对消声波，除了与目标噪声进行对消，同时也会被声学传感器102采集，形成反馈路径，对声学传感器102信号的采集形成干扰，使得降噪效果下降，采用电信号处理模块202中主控制器204对非线性自适应主动降噪处理并传递给反馈消除滤波器209来抵消声反馈带来的影响。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种非线性自适应主动降噪系统，其特征在于：包括声音信号单元(1)、电信号单元(2)、抗噪声源(3)和目标降噪区域单元(4)
所述声音信号单元(1)，用于采集、传输噪声源发出的噪声信号，并接收抗噪声源(3)发出的抗噪声信号；
所述电信号单元(2)，用于产生非线性自适应主动降噪处理信号，并将非线性自适应主动降噪处理信号发送给抗噪声源(3)；
所述抗噪声源(3)，用于接收电信号单元(2)输出的非线性自适应主动降噪处理信号，并发出抗噪声信号给声音信号单元(1)；
所述目标降噪区域单元(4)，用于输出经过抗噪声信号处理后的噪声信号。
2.根据权利要求1所述的一种非线性自适应主动降噪系统，其特征在于：所述声音信号单元(1)，包括用于噪声源(101)、声学传感器(102)和第一加法器(103)，所述噪声源(101)经过声学传感器(102)的采集沿着初级路径模块(104)与第一加法器(103)的第一输入端相连接，所述第一加法器(103)的输出端与目标降噪区域单元(4)的输入端相连接，所述第一加法器(103)的第二输入端与抗噪声源(3)的输出端相连接。
3.根据权利要求2所述的一种非线性自适应主动降噪系统，其特征在于：所述电信号单元(2)，包括第二加法器(201)、电信号处理模块(202)，
所述第二加法器(201)的第一输入端与声学传感器(102)的信号输出端相连接；所述第二加法器(201)的第二输入端通过声反馈路径模块(203)与第二输入端与抗噪声源(3)的输出端相连接作为反馈信号的输入；所述第二加法器(201)的第三输入端与电信号处理模块(202)的信号输出端相连接。
4.根据权利要求3所述的一种非线性自适应主动降噪系统，其特征在于：所述电信号处理模块(202)，包括主控制器(204)、虚拟误差声学传感器(205)、自适应滤波器(206)、次级路径估计滤波器(207)、初级路径估计滤波器(208)和反馈消除滤波器(209)，
所述主控制器(204)的第一信号输入端与第二加法器(201)的输出端相连接，所述第二加法器(201)的输出端分别与初级路径估计滤波器(208)、自适应滤波器(206)的输入端相连接，所述初级路径估计滤波器(208)的输出端与虚拟误差声学传感器(205)相连接，所述主控制器(204)的输出端与自适应滤波器(206)相连接，所述自适应滤波器(206)的输出端通过次级路径模块(210)后作为电信号单元(2)的非线性自适应主动降噪处理信号输出端与抗噪声源(3)的输入端相连接，
所述自适应滤波器(206)的输出端还分别与反馈消除滤波器(209)、次级路径估计滤波器(207)的输入端相连接，所述反馈消除滤波器(209)的输出端做为电信号处理模块(202)的信号输出端与第二加法器(201)的第三输入端相连接，所述次级路径估计滤波器(207)的输出端与虚拟误差声学传感器(205)相连接，
所述虚拟误差声学传感器(205)的输出端与主控制器(204)的第二信号输入端相连接。
5.根据权利要求1所述的一种非线性自适应主动降噪系统，其特征在于：所述主控制器(204)包括主控芯片、音频编解码芯片和功率放大电路，所述主控芯片为DSP芯片，所述抗噪声源(1)为无源扬声器，所述声学传感器(3)为驻极体麦克风。
6.基于权利要求1-5中的任意一种非线性自适应主动降噪系统的降噪方法，其特征在于：包括以下步骤，
步骤(A)，利用小波级数离线路径估计算法获得所述次级路径估计滤波器(207)、所述初级路径估计滤波器(208)以及所述反馈消除滤波器(209)的参数；
步骤(B)，利用k-mean聚类算法获得所基于径向基函数所述的主控制器(204)迭代计算的样本中心的样本数据；
步骤(C)，利用主控制器(204)以及其它运算过程得到的非线性自适应主动降噪处理信号，将非线性自适应主动降噪处理信号经过抗噪声源(3)发送到标降噪区域单元(4)的进行自适应主动降噪。
7.根据权利要求6所述的一种非线性自适应主动降噪系统的降噪方法，其特征在于：步骤(A)，利用小波级数离线路径估计算法获得所述次级路径估计滤波器(207)、所述初级路径估计滤波器(208)以及所述反馈消除滤波器(209)的参数，公式如下：
其中，Tf为传输函数，
为输入向量，是高斯白噪声量，ε,γ为离散小波变换的尺度参数和平移参数，
为所选小波函数，m为小波函数个数，ξε,γ(m)为小波函数的权值，而ξε,γ(n)则为n次迭代对应的小波函数权值向量，β为常数，yp为系统实际输出，yp'为系统估计的输出yp(n)和yp'(n)为他们n次迭代的值。
8.根据权利要求6所述的一种非线性自适应主动降噪系统的降噪方法，其特征在于：步骤(B)，利用k-mean聚类算法获得所述主控制器(204)的样本中心的样本数据，包括如下步骤：
步骤(A1)，初始化，随机选择中心值
k为基函数的序号，各个k对应的
不同；
步骤(B1)，采样，取输入空间的样本向量
步骤(C1)，将得到的样本向量
进行相似匹配，找到主控制器(204)n次迭代计算的最优中心，使得欧几里得范数
最小：
步骤(D1)，主控制器(204)的迭代计算，依据以下式子调整样本中心的样本数据：
其中，0＜η＜1，或者由如下公式得到：
9.根据权利要求6所述的一种非线性自适应主动降噪系统的降噪方法，其特征在于：步骤(C)，主控制器(204)以及其它运算过程得到的非线性自适应主动降噪处理信号的计算方法，包括以下部分：
所述抗噪声源(3)的最终输出的非线性自适应主动降噪处理信号公式如下：
其中SP为次级路径滤波器向量，s为次级路径滤波器阶数，K为基函数的个数，wk为各个基函数的权值，L表示输出需要L个采样点来估计，x为参考声音传感器采集到的声音信号，ck为各个样本中心，vk为各个基函数宽度，i为L个采样点的序号，ck(i)为各个采样点对应的样本中心，z(n)为所述抗噪声源第n次迭代的输出。
10.根据权利要求9所述的一种非线性自适应主动降噪系统的降噪方法，其特征在于：
所述自适应滤波器(206)中系数wk的迭代公式计算如下：
wk(n)＝wk(n-1)-g(n)α(n)，
其中：wk(n)为n次迭代对应的所述自适应滤波器中的系数，α(n)为估计误差信号，g(n)为加权后的归一化次级路径输出，α(n)和g(n)计算公式如下：
α(n)＝d(n)+wk T(n-1)y'(n)
y'(n)为参考信号通过次级路径的估计之后的值，wk T为所述自适应滤波器权值向量的转置，d(n)为目标噪声的估计，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010789203.9A CN112053676B (zh) | 2020-08-07 | 2020-08-07 | 一种非线性自适应主动降噪系统及其降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010789203.9A CN112053676B (zh) | 2020-08-07 | 2020-08-07 | 一种非线性自适应主动降噪系统及其降噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112053676A true CN112053676A (zh) | 2020-12-08 |
| CN112053676B CN112053676B (zh) | 2023-11-21 |
Family
ID=73602763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010789203.9A Active CN112053676B (zh) | 2020-08-07 | 2020-08-07 | 一种非线性自适应主动降噪系统及其降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112053676B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325375A (zh) * | 2021-05-25 | 2021-08-31 | 哈尔滨工程大学 | 一种基于深度神经网络的自适应对消方法 |
| CN113470610A (zh) * | 2021-06-25 | 2021-10-01 | 哈尔滨工业大学（深圳） | 噪声控制方法、装置、存储介质和计算机设备 |
| CN113763916A (zh) * | 2021-09-07 | 2021-12-07 | 吉林大学 | 一种非线性混合主动噪声控制方法及控制系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5721694A (en) * | 1994-05-10 | 1998-02-24 | Aura System, Inc. | Non-linear deterministic stochastic filtering method and system |
| EP1414021A1 (en) * | 2002-10-21 | 2004-04-28 | Silentium Ltd. | Active acoustic noise reduction system |
| WO2005027338A2 (en) * | 2003-09-17 | 2005-03-24 | Silentium Ltd. | Active noise control system and method |
| US20050207585A1 (en) * | 2004-03-17 | 2005-09-22 | Markus Christoph | Active noise tuning system |
| US20100014685A1 (en) * | 2008-06-13 | 2010-01-21 | Michael Wurm | Adaptive noise control system |
| US20110026724A1 (en) * | 2009-07-30 | 2011-02-03 | Nxp B.V. | Active noise reduction method using perceptual masking |
| 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 |
| CN109448686A (zh) * | 2018-12-13 | 2019-03-08 | 重庆邮电大学 | 基于次级通道在线辨识新算法交叉更新有源噪声控制系统 |
| CN111091805A (zh) * | 2019-11-15 | 2020-05-01 | 佳禾智能科技股份有限公司 | 一种基于神经网络的反馈式降噪方法 |
-
2020
- 2020-08-07 CN CN202010789203.9A patent/CN112053676B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5721694A (en) * | 1994-05-10 | 1998-02-24 | Aura System, Inc. | Non-linear deterministic stochastic filtering method and system |
| EP1414021A1 (en) * | 2002-10-21 | 2004-04-28 | Silentium Ltd. | Active acoustic noise reduction system |
| WO2005027338A2 (en) * | 2003-09-17 | 2005-03-24 | Silentium Ltd. | Active noise control system and method |
| US20050207585A1 (en) * | 2004-03-17 | 2005-09-22 | Markus Christoph | Active noise tuning system |
| US20100014685A1 (en) * | 2008-06-13 | 2010-01-21 | Michael Wurm | Adaptive noise control system |
| US20110026724A1 (en) * | 2009-07-30 | 2011-02-03 | Nxp B.V. | Active noise reduction method using perceptual masking |
| 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 |
| CN109448686A (zh) * | 2018-12-13 | 2019-03-08 | 重庆邮电大学 | 基于次级通道在线辨识新算法交叉更新有源噪声控制系统 |
| CN111091805A (zh) * | 2019-11-15 | 2020-05-01 | 佳禾智能科技股份有限公司 | 一种基于神经网络的反馈式降噪方法 |
Non-Patent Citations (4)
| Title |
|---|
| DEBI PRASAD DAS等: "Active Mitigation of Nonlinear Noise Processes Using a Novel Filtered-s LMS Algorithm", 《TRANSACTIONS ON SPEECH AND AUDIO PROCESSING》, vol. 12, no. 3, pages 313 - 322, XP011111120, DOI: 10.1109/TSA.2003.822741 * |
| NAITIK NAKRANI 等: "Feed-forward and Feedback Active Noise Control System using FxLMS algorithm for Narrowband and Broadband Noise", 《2012 INTERNATIONAL CONFERENCE ON COMMUNICATION SYSTEMS AND NETWORK TECHNOLOGIES》, vol. 1, pages 577 - 580, XP032182987, DOI: 10.1109/CSNT.2012.130 * |
| XIA WANG等: "Research on Nonlinear Frequency Compression Method of Hearing Aid with Adaptive Compression Ratio", 《COMPUTER MODELING IN ENGINEERING & SCIENCES》, vol. 121, no. 2, pages 551 - 567 * |
| 杨鹏: "基于凸组合自适应滤波的变压器非线性有源噪声控制研究基于凸组合自适应滤波的变压器非线性有源噪声控制研究", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》, no. 8, pages 042 - 163 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325375A (zh) * | 2021-05-25 | 2021-08-31 | 哈尔滨工程大学 | 一种基于深度神经网络的自适应对消方法 |
| CN113325375B (zh) * | 2021-05-25 | 2022-12-13 | 哈尔滨工程大学 | 一种基于深度神经网络的自适应对消方法 |
| CN113470610A (zh) * | 2021-06-25 | 2021-10-01 | 哈尔滨工业大学（深圳） | 噪声控制方法、装置、存储介质和计算机设备 |
| CN113470610B (zh) * | 2021-06-25 | 2023-08-22 | 哈尔滨工业大学（深圳） | 噪声控制方法、装置、存储介质和计算机设备 |
| CN113763916A (zh) * | 2021-09-07 | 2021-12-07 | 吉林大学 | 一种非线性混合主动噪声控制方法及控制系统 |
| CN113763916B (zh) * | 2021-09-07 | 2023-08-04 | 吉林大学 | 一种非线性混合主动噪声控制方法及控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112053676B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112053676B (zh) | 一种非线性自适应主动降噪系统及其降噪方法 | |
| JP4860712B2 (ja) | 適応フィードバック抑制を伴う補聴器 | |
| CN113327570A (zh) | 一种窄带前馈型主动噪声控制系统及方法 | |
| CN105913836A (zh) | 一种基于dsp的定点化实时降噪方法 | |
| Mahbub et al. | An adaptive noise cancellation scheme using particle swarm optimization algorithm | |
| Ren et al. | An improved artificial bee colony algorithm for model-free active noise control: algorithm and implementation | |
| Akhtar et al. | Data-reusing-based filtered-reference adaptive algorithms for active control of impulsive noise sources | |
| CN117198321B (zh) | 一种基于深度学习的复合音频实时传输方法及系统 | |
| Sahib et al. | Comparison of performance and computational complexity of nonlinear active noise control algorithms | |
| Kukde et al. | On distributed non‐linear active noise control using diffusion collaborative learning strategy | |
| CN111193497B (zh) | 一种基于emfnl滤波器的次级通道建模方法 | |
| Tran et al. | Denoising induction motor sounds using an autoencoder | |
| Zhang et al. | A deep recurrent neural network controller for nonlinear active noise control systems | |
| CN115565515A (zh) | 一种分步虚拟传感降噪方法 | |
| Huang et al. | Adaptive active noise suppression using multiple model switching strategy | |
| Kajikawa et al. | Active noise control without a secondary path model by using a frequency-domain simultaneous perturbation method with variable perturbation | |
| Shimizu et al. | Online secondary-path-modeling ANC system with simultaneous perturbation method | |
| Nagesh et al. | Digital hearing aid for sensorineural hearing loss:(Ski-Slope Hearing Loss) | |
| CN111862925B (zh) | 一种基于惰性学习的自适应有源噪声控制系统及其方法 | |
| Bactor et al. | Review of Adaptive Noise Cancellation Techniques Using Fuzzy-Neural Networks For Speech Enhancement | |
| Salmasi et al. | Evaluating the performance of mlp neural network and grnn in active cancellation of sound noise | |
| Hu et al. | Active noise control system based on the combined CNN-LSTM network | |
| Kalaivani et al. | Analysis of Adaptive Filter Algorithms in Real Time Signals | |
| Huynh et al. | A novel adaptive neural controller for narrowband active noise control systems | |
| Africa et al. | Development of an adaptive finite impulse response filter optimization algorithm using rough set theory |
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 |