CN112382265B - 基于深度循环神经网络的主动降噪方法、存储介质及系统 - Google Patents
基于深度循环神经网络的主动降噪方法、存储介质及系统 Download PDFInfo
- Publication number
- CN112382265B CN112382265B CN202011134970.2A CN202011134970A CN112382265B CN 112382265 B CN112382265 B CN 112382265B CN 202011134970 A CN202011134970 A CN 202011134970A CN 112382265 B CN112382265 B CN 112382265B
- Authority
- CN
- China
- Prior art keywords
- signal
- unit
- neural network
- noise reduction
- 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.)
- Active
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—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
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明公开了一种基于深度循环神经网络的主动降噪方法、存储介质及系统,参考传感器将检测到的噪声信号传入数字信号处理单元;数字信号处理单元将噪声信号转换成参考信号后传输至控制器单元;控制器单元利用长短时记忆单元结构构建一个隐含层含有门控函数的循环神经网络模型;控制器单元输出信号经D/A转换模块处理后传入作动器单元,由作动器单元发声产生次级声源;噪声源经初级路径传播后在误差传感器处生成初级信号,产生的次级声源经次级路径传播后在误差传感器处生成次级信号;误差传感器接收残差信号并反馈输入控制器单元,根据目标函数不断更新控制器单元中DRNN结构的权重系数,通过使目标函数最小化实现降噪。
Description
技术领域
本发明属于降噪技术领域,具体涉及一种基于深度循环神经网络的非线性主动降噪方法、存储介质及系统。
背景技术
主动噪声控制(ANC)已成为一种切实可行的技术,并已成功地应用于各种应用中。传统的采用线性滤波器作为控制器的ANC系统大多采用自适应滤波算法,滤波器通过自适应算法自动调节自身的权重系数,以使系统的目标函数达到极小化,对于线性的有源噪声控制系统具有较好的稳定性和可靠性。然而,由于线性ANC系统不考虑实际ANC系统组件以及声场所包含的非线性,自适应算法将难以收到好的控制效果。
神经网络是近年来发展起来的一种非线性控制技术,广泛地应用于各种非线性控制问题。基于BP的前馈神经网络,作为一种有效的控制技术,已经成功的应用到ANC系统中。但实际主动降噪系统为离散时间系统,传感器采集到的模拟信号经过预处理后转化为数字信号作为系统输入,输入输出皆为时间序列信号,传统的神经网络结构不能很好地学习到噪声信号的时间关联性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于深度循环神经网络的非线性主动降噪方法、存储介质及系统,在能够克服系统非线性的同时,提高对序列数据的处理能力,从而达到降噪目的。
本发明采用以下技术方案:
一种基于深度循环神经网络的主动降噪方法,包括以下步骤:
S1、参考传感器将检测到的噪声信号传入数字信号处理单元;
S2、数字信号处理单元将噪声信号转换成参考信号x(n)后传输至控制器单元;
S3、控制器单元采用深度循环神经网络算法,利用长短时记忆单元结构构建一个隐含层含有门控函数的循环神经网络模型;
S4、控制器单元输出信号u(n)经D/A转换模块处理后传入作动器单元,由作动器单元发声产生次级声源;
S5、噪声源经初级路径传播后在误差传感器处生成初级信号,步骤S4产生的次级声源经次级路径传播后在误差传感器处生成次级信号;
S6、误差传感器接收残差信号e(n)并反馈输入控制器单元,根据目标函数不断更新控制器单元中DRNN结构的权重系数,通过使目标函数最小化J(n)min实现降噪。
具体的,步骤S3中,使用三层循环神经网络,并利用前三时刻参考信号的输入预测第三时刻的输出。
进一步的,控制器单元的输出u(n)为:
u(n)=V·LSTM(xn,un-1,cn-1)
其中,V为输出权重矩阵,LSTM为长短时记忆网络单元,xn为n时刻的输入,un-1为n-时刻网络输出,cn-1为n-1时刻LSTM单元的状态。
具体的,步骤S5中,误差传感器接收到的信号e(n)表示为:
e(n)=d(n)+y(n)=d(n)+u(n)*s(n)
其中,d(n)为误差传感器处的初级信号,y(n)为误差传感器处的次级信号,s(n)为次级传递路径,*表示卷积运算。
进一步的,误差传感器处的初级信号d(n)和次级信号y(n)分别表示为:
d(n)=f(x(n),p(n))
y(n)=u(n)*s(n)
其中,f表示x(n)经过非线性初级路径p(n)的作用关系。
具体的,步骤S6中,目标函数为最小均方误差函数J(n),具体为:
J(n)=minE[e2(n)]
其中,E为数学期望,e(n)为残差信号。
本发明的另一个技术方案是,一种基于深度循环神经网络的非线性主动降噪系统,利用所述的降噪方法,包括数字信号处理单元,数字信号处理单元经作动器单元与传声器单元连接,数字信号处理单元采用深度循环神经网络控制算法,控制作动器单元产生次级声场的次级声源实现降噪。
具体的,传声器单元包括参考传感器和误差传感器,参考传感器和误差传感器分别放置于噪声源处和目标降噪点;初级噪声及作动器产生的次级噪声经误差传感器后与数字信号处理单元的控制器单元连接;参考传感器经A/D转换模块与控制器单元连接,控制器单元经D/A转换模块和作动器单元后与误差传感器连接。
本发明的另一个技术方案是,一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于深度循环神经网络的非线性主动降噪方法,参考传感器信号并经数字信号处理单元转化为参考信号x(n),控制器根据深度循环神经网络算法计算出输出信号u(n),并经次级路径传递后形成次级信号传入误差传感器,误差信号传入控制器中,控制器算法根据预先设定的目标调整控制器权重系数从而改变次级信号的幅度和相位,直至满足控制目标达到稳定状态。此系统控制器为前馈控制器,该系统是具有参考信号的有源控制系统,实现简单且稳定性好。
进一步的,深度循环神经网络模型可以较好地克服系统非线性的影响,网络层数设为3层使得系统具有更好的学习能力。
进一步的,u(n)为控制器经过反馈控制后的输出结果,经作动器输出后形成次级信号到达误差传感器,u(n)体现了深度循环神经网络控制的算法的学习能力和控制能力。
进一步的,在误差传感器处同时接收初级信号和次级信号,进行加法运算计算误差信号输入至控制器中进行反向传播运算,从而更新权重系数计算下一次的输出。
进一步的,初级信号为噪声源经过非线性传递路径后在误差传感器处的接收信号,次级信号为控制器输出u(n)经过次级路径传递后在误差传感器的接收信号,二者叠加从而形成误差信号调节控制器输出。
进一步的,设置目标函数为最小均方误差,为使目标函数最小,利用梯度下降法反向传播计算,从而更新控制器权重系数,使得在误差传感器处的误差信号最小,达到最优降噪效果。
本发明还提供了一种基于深度循环神经网络的非线性主动降噪系统,此系统可以实时采集噪声信号,并经系统控制算法后在目标区域实现噪声抵消,从而达到有源噪声控制目的。
进一步的,参考传感器可拾取噪声信号作为参考输入,误差传感器拾取误差信号返回至控制器中,形成闭环。
进一步的,控制器单元输出信号经D/A转换模块,信号由离散时间信号转化为连续模拟信号,并由作动器输出,经次级路径传递后到达误差传感器处进行噪声控制。
综上所述,本发明采用深度循环神经网络主动降噪系统及方法一方面克服了系统中非线性对于控制效果下降的影响,另一方面能够学习到噪声信号在时间方向上的特征和关联性,具有更好的控制能力,并提升了降噪效果。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为基于深度循环神经网络的非线性主动降噪系统图;
图2为主动降噪实施过程框图;
图3为循环神经网络及LSTM结构图;
图4为深度循环神经网络结构图;
图5为时域主动降噪效果图,其中,(a)为初级噪声时域图,(b)为误差信号时域图;
图6为频域主动降噪效果图,其中,(a)为初级噪声频域图,(b)为误差信号频域图。
具体实施方式
请参阅图1,本发明提供了一种基于深度循环神经网络的非线性主动降噪系统,包括传声器单元、数字信号处理单元和作动器单元,
传声器单元用于采集噪声信号,包括噪声源信号及误差信号,数字信号处理单元用于对信号进行A/D和D/A转换及根据控制算法产生控制器输出信号,作动器单元用于输出控制信号。
传声器单元包括参考传感器和误差传感器,参考传感器和误差传感器分别放置于噪声源处和目标降噪点;数字信号处理单元包括控制器单元、A/D转换模块和D/A转换模块;
参考传感器用于拾取噪声信号作为参考输入,误差传感器用于拾取误差信号并返回至控制器中,控制器单元用于产生控制信号的输出。
初级噪声及作动器产生的次级噪声经误差传感器后与数字信号处理单元的控制器单元连接,参考传感器经A/D转换模块与控制器单元连接,控制器单元经D/A转换模块和作动器单元后与误差传感器连接;
控制器单元包括算法控制和硬件平台,算法控制采用深度循环神经网络控制算法;作动器单元为扬声器,用于根据控制器单元的算法控制产生次级声场的次级声源,以达到消噪目的。
请参阅图2,本发明一种基于深度循环神经网络的非线性主动降噪方法,其中,P(z)为参考传感器到误差传感器的初级路径传递函数,S(z)为次级扬声器到误差传感器之间的次级路径传递函数;深度循环神经网络参数的确定需要大量的数据进行监督训练,参考信号x(n)作为深度循环神经网络网络的输入,误差传感器采集残差信号e(n),反馈回DRNN控制器中,经过LSTM网络算法处理,输出控制信号u(n);u(n)驱动次级扬声器产生经过次级路径后和主噪声幅值相等、相位相反的次级声信号,二者叠加使误差传感器处的噪声得到有效衰减。包括以下步骤:
S1、参考传感器将检测到的噪声信号传入数字信号处理单元;
S2、噪声信号经过数字信号处理单元的A/D转换生成参考信号x(n)后传输至控制器单元,n表示时刻;
S3、控制器算法采用深度循环神经网络算法,并利用长短时记忆单元(LSTM)结构来解决梯度消失或爆炸问题;
LSTM是一种特殊的循环神经网络,可以解决长句依赖问题;遗忘门和输出门激活函数是LSTM最核心的部分;本文采用的LSTM的结构参考附图3,从而构建一个隐含层含有门控函数的循环神经网络模型;以n时刻为例,LSTM单元的前向计算表示为:
in=σ(Uixn+Wihn-1)
fn=σ(Ufxn+Wfhn-1)
on=σ(Uoxn+Wohn-1)
hn=on⊙tanh(cn)
其中,n表示时刻,in为输入门的输出,fn为遗忘门的输出,on为输出门的输出;cn表示n时刻LSTM单元的状态,hn是n时刻LSTM单元的输出;σ和tanh分别表示logistic sigmoid激活函数和hyperbolic tangent激活函数;⊙表示两个向量间的点乘。
若用代表LSTM代表LSTM的前向传播过程,隐含层为1时,令hn=u(n),则控制器单元的输出,则u(n)可用以下公式表示:
u(n)=V·LSTM(xn,un-1,cn-1)
对于深度学习来说,增加隐含层的数目可以增强模型的表达能力;随着隐含层数目的增加,陷入局部最优问题可得到解决,因为损失曲面上充满了大量的鞍点,使得局部最优值非常接近全局最优值;本发明使用三层循环神经网络,并利用前三时刻参考信号的输入预测第三时刻的输出。
S4、控制器输出信号u(n)经过数字信号处理单元的D/A转换模块处理后传入作动器单元,由扬声器发声产生次级声源;
S5、噪声源经过初级路径传播后在误差传感器处生成初级信号,次级声源经过次级路径传播后在误差传感器处生成次级信号;
在误差传感器处,初级信号和次级信号分别表示为:
d(n)=f(x(n),p(n))
y(n)=u(n)*s(n)
其中,f表示x(n)经过非线性初级路径p(n)的作用关系,*表示卷积运算。
误差传感器接收到的信号表示为:
e(n)=d(n)+y(n)=d(n)+u(n)*s(n)
S6、在误差传感器接收到残差信号e(n)后,将e(n)反馈输入控制单元中,根据目标函数不断更新控制单元中DRNN结构的权重系数,目标函数设为最小均方误差函数:
J(n)=minE[e2(n)]
为达到降噪目的,使目标函数最小化J(n)min。
本发明使用梯度下降法更新调节DRNN的权重系数,使得控制器输出信号u(n)在经过次级路径传播后,不断逼近与初级噪声d(n)幅值相等、相位相反的次级信号;初级信号与次级信号在误差传感器线性叠加,使得误差传感器处残差信号最小,从而在误差传感器处的目标区域噪声得到衰减,达到噪声抵消的目的。
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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
请参阅图3和图4,本发明采用的LSTM网络结构和DRNN结构,输出u(n)经过次级路径传播后的响应为反相期望信号-d(n)。
为了验证本发明提出的基于深度循环神经网络的主动降噪系统及方法的性能,我们进行了如下仿真:
在主动降噪系统中,初级路径为非线性传递路径,次级路径为线性传递路径,那么参考信号x(n)和初级信号d(n)的关系可以表示为:
d(n)=0.05x(n)-0.001x(n-1)+0.001x(n-2)+0.8x(n-3)+0.6x(n-4)
-0.2x(n-5)-0.5x(n-6)-0.7x(n-7)+0.4x(n-8)-0.05x(n-9)+0.5x3(n)
控制信号u(n)和次级信号y(n)的关系表示为:
y(n)=0.9u(n-1)+0.7u(n-2)-0.2u(n-3)-0.4u(n-4)
-0.2u(n-5)+0.3u(n-6)+0.1u(n-7)+0.05u(n-8)
噪声源为200Hz和300Hz的正弦信号,采样频率为1000hz;噪声信号持续时间为20s,按7:3分为训练集和测试集,因此训练信号为14s,测试信号为6s;深度循环神经网络采用均方误差作为损失函数,优化器为Adam。初始学习率为0.1,时间步长为3。
为了体现本发明的降噪优势,本发明将与传统FxLMS算法和Filtered-x BP神经网络(FxBPNN)算法在测试集上进行性能对比;其中FxLMS算法的自适应滤波器长度是32,步长是0.001。FxBPNN算法的输入节点为6,隐含层节点为6,步长为0.1。
表1不同方法降噪量对比
FxLMS、FxBPNN和DRNN的降噪效果如表1所示。可以看出,对于非线性初级路径,FXLMS降噪仅为12.01dB,FxBPNN具有一定的抗非线性能力,DRNN降噪33.47dB时性能最好。
请参阅图5,表示了三种控制方法在时域内的初级噪声和残差的收敛曲线。图5(a)为测试信号时域分布,由图5(b)可以看出,基于BP神经网络的FxBPNN算法的性能优于线性FIR滤波器的FxLMS算法,其中本发明提出的DRNN算法在降噪和收敛性能方面最好。
请参阅图6,为频域仿真结果。由图6(a)可知,噪声源通过初级路径传播后,产生了100hz和400hz的谐波分量。由图6(b)可知,FxLMS算法可以很好地消除200hz和300hz的噪声,但对谐波分量无降噪作用;FxBPNN虽然对这四种频率的噪声有一定控制作用,但会产生许多其他频率的谐波分量;可以看出,DRNN不仅对四个主频率噪声有很好的控制效果,而且没有产生其他谐波成分,降噪效果最好。
综上所述,本发明一种基于深度循环神经网络的非线性主动降噪系统及方法,不仅克服了系统中传统方法在非线性环境下控制能力下降的缺点,而且能够学习到噪声信号的时间特征和关联性,降噪效果良好,具有更好的控制能力。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (7)
1.基于深度循环神经网络的主动降噪方法,其特征在于,包括以下步骤:
S1、参考传感器将检测到的噪声信号传入数字信号处理单元;
S2、数字信号处理单元将噪声信号转换成参考信号x(n)后传输至数字信号处理单元内部的控制器单元;
S3、控制器单元采用深度循环神经网络算法,利用长短时记忆单元结构构建一个隐含层含有门控函数的循环神经网络模型,使用三层循环神经网络,并利用前三时刻参考信号的输入预测第三时刻的输出,控制器单元的输出u(n)为:
u(n)=V·LSTM(xn,un-1,cn-1)
其中,V为输出权重矩阵,LSTM为长短时记忆网络单元,xn为n时刻的输入,un-1为n-1时刻网络输出,cn-1为n-1时刻LSTM单元的状态;
S4、控制器单元输出信号u(n)经D/A转换模块处理后传入作动器单元,由作动器单元发声产生次级声源;
S5、噪声源经初级路径传播后在误差传感器处生成初级信号,步骤S4产生的次级声源经次级路径传播后在误差传感器处生成次级信号;
S6、误差传感器接收残差信号e(n)并反馈输入控制器单元,根据目标函数不断更新控制器单元中DRNN结构的权重系数,通过使目标函数最小化J(n)min实现降噪。
2.根据权利要求1所述的方法,其特征在于,步骤S5中,误差传感器接收到的信号e(n)表示为:
e(n)=d(n)+y(n)=d(n)+u(n)*s(n)
其中,d(n)为误差传感器处的初级信号,y(n)为误差传感器处的次级信号,s(n)为次级传递路径,*表示卷积运算。
3.根据权利要求2所述的方法,其特征在于,误差传感器处的初级信号d(n)和次级信号y(n)分别表示为:
d(n)=f(x(n),p(n))
y(n)=u(n)*s(n)
其中,f表示x(n)经过非线性初级路径p(n)的作用关系。
4.根据权利要求1所述的方法,其特征在于,步骤S6中,目标函数为最小均方误差函数J(n),具体为:
J(n)=minE[e2(n)]
其中,E为数学期望,e(n)为残差信号。
5.一种基于深度循环神经网络的非线性主动降噪系统,其特征在于,利用权利要求1所述的降噪方法,包括数字信号处理单元,数字信号处理单元包括A/D转换模块,控制器单元和D/A转换模块,数字信号处理单元经作动器单元与传声器单元连接,数字信号处理单元采用深度循环神经网络控制算法,控制作动器单元产生次级声场的次级声源实现降噪。
6.根据权利要求5所述的基于深度循环神经网络的非线性主动降噪系统,其特征在于,传声器单元包括参考传感器和误差传感器,参考传感器和误差传感器分别放置于噪声源处和目标降噪点;初级噪声及作动器产生的次级噪声经误差传感器后与数字信号处理单元的控制器单元连接;参考传感器经A/D转换模块与控制器单元连接,控制器单元经D/A转换模块和作动器单元后与误差传感器连接。
7.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011134970.2A CN112382265B (zh) | 2020-10-21 | 2020-10-21 | 基于深度循环神经网络的主动降噪方法、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011134970.2A CN112382265B (zh) | 2020-10-21 | 2020-10-21 | 基于深度循环神经网络的主动降噪方法、存储介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112382265A CN112382265A (zh) | 2021-02-19 |
CN112382265B true CN112382265B (zh) | 2024-05-28 |
Family
ID=74580448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011134970.2A Active CN112382265B (zh) | 2020-10-21 | 2020-10-21 | 基于深度循环神经网络的主动降噪方法、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112382265B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674729B (zh) * | 2021-06-25 | 2023-12-29 | 上海工程技术大学 | 一种用于民航客机客舱噪声的主动控制方法 |
CN113654642B (zh) * | 2021-08-23 | 2022-06-24 | 之江实验室 | 一种基于参考传感器的分布式声波传感降噪系统及方法 |
EP4170648A1 (en) * | 2021-10-25 | 2023-04-26 | Faurecia Creo AB | Method and system for reducing noise |
US20230282193A1 (en) * | 2022-03-03 | 2023-09-07 | University Of Manitoba | Method and apparatus for active noise cancellation using deep learning |
CN116095553A (zh) * | 2022-12-23 | 2023-05-09 | 恒玄科技(上海)股份有限公司 | 一种用于耳机的anc系统、降噪方法及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6418227B1 (en) * | 1996-12-17 | 2002-07-09 | Texas Instruments Incorporated | Active noise control system and method for on-line feedback path modeling |
WO2016145850A1 (zh) * | 2015-03-19 | 2016-09-22 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
CN107452389A (zh) * | 2017-07-20 | 2017-12-08 | 大象声科(深圳)科技有限公司 | 一种通用的单声道实时降噪方法 |
CN109919364A (zh) * | 2019-02-18 | 2019-06-21 | 华南理工大学 | 基于自适应降噪和集成lstm的多变量时间序列预测方法 |
CN110879253A (zh) * | 2018-09-05 | 2020-03-13 | 哈尔滨工业大学 | 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10672414B2 (en) * | 2018-04-13 | 2020-06-02 | Microsoft Technology Licensing, Llc | Systems, methods, and computer-readable media for improved real-time audio processing |
-
2020
- 2020-10-21 CN CN202011134970.2A patent/CN112382265B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6418227B1 (en) * | 1996-12-17 | 2002-07-09 | Texas Instruments Incorporated | Active noise control system and method for on-line feedback path modeling |
WO2016145850A1 (zh) * | 2015-03-19 | 2016-09-22 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
CN107452389A (zh) * | 2017-07-20 | 2017-12-08 | 大象声科(深圳)科技有限公司 | 一种通用的单声道实时降噪方法 |
CN110879253A (zh) * | 2018-09-05 | 2020-03-13 | 哈尔滨工业大学 | 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法 |
CN109919364A (zh) * | 2019-02-18 | 2019-06-21 | 华南理工大学 | 基于自适应降噪和集成lstm的多变量时间序列预测方法 |
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 (2)
Title |
---|
Speech enhancement using long short-term memory based recurrent neural networks for noise robust speaker verification;Morten Kolboek et al.;《GlobalSIP 》;20161231;第305-311页 * |
单声道语音降噪与去混响研究综述;蓝天 等;《计算机研究与发展》;20200531;第57卷(第5期);第928-953页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112382265A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112382265B (zh) | 基于深度循环神经网络的主动降噪方法、存储介质及系统 | |
Lu et al. | A survey on active noise control in the past decade–Part II: Nonlinear systems | |
George et al. | Advances in active noise control: A survey, with emphasis on recent nonlinear techniques | |
US8270625B2 (en) | Secondary path modeling for active noise control | |
Rout et al. | Particle swarm optimization based nonlinear active noise control under saturation nonlinearity | |
CN115171642A (zh) | 一种基于改进的循环神经网络的主动降噪方法及系统 | |
Sun et al. | A new feedforward and feedback hybrid active noise control system for excavator interior noise | |
Ranjbar et al. | Development of a hybrid neural networks algorithm for structural-acoustics optimization applications | |
EP0789900A1 (en) | Reduction of computational burden of adaptively updating control filter(s) in active systems | |
Patel et al. | Modified phase-scheduled-command FxLMS algorithm for active sound profiling | |
Zhang et al. | Active noise control using a simplified fuzzy neural network | |
Luo et al. | Fast-convergence hybrid functional link artificial neural network for active noise control with a mixture of tonal and chaotic noise | |
Guan et al. | Robust adaptive recurrent cerebellar model neural network for non-linear system based on GPSO | |
Chang | Neural filtered-U algorithm for the application of active noise control system with correction terms momentum | |
Chen et al. | Adaptive fuzzy neural network control on the acoustic field in a duct | |
Zhang et al. | A deep recurrent neural network controller for nonlinear active noise control systems | |
Tavakolpour et al. | Active vibration control of a rectangular flexible plate structure using high gain feedback regulator | |
Tokhi et al. | Active noise control using multi-layered perceptron neural networks | |
Sasaki et al. | Self‐Tuning Vibration Control of a Rotational Flexible Timoshenko Arm Using Neural Networks | |
Bambang | Active noise cancellation using recurrent radial basis function neural networks | |
Mori et al. | Frequency domain active noise control systems using the time difference simultaneous perturbation method | |
Mohapatra et al. | An advanced feedback Filtered-x least mean square algorithm for wideband noise removal | |
Patan | Training of the dynamic neural networks via constrained optimisation | |
ISTAN et al. | Adaptive Active Vibration Control System with Online Secondary Path Modeling Technique Using Power Scheduling Technique and Variable Step Size | |
Pavisic et al. | Active noise control with dynamic recurrent neural networks. |
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 |