CN113299260A - 一种基于emfnl滤波器在线建模次级通道的有源降噪方法 - Google Patents

Abstract

本发明涉及有源噪声控制领域，公开了一种基于带线性部分偶镜像傅里叶非线性（EMFNL,Even Mirror Fourier Nonlinear with Linear section）滤波器在线建模次级通道的有源降噪方法，其包括S1采集噪声源信号；S2构建控制EMFNL滤波器抽头并简化；S3对S2中滤波器抽头，构建控制权系数并初始化；S4对S3中权系数和S2中EMFNL滤波器进行卷积，生成反噪声；S5自适应更新权系数；S6在线辨识次级通道，构建辨识滤波器抽头，采用自适应算法辨识系数，并实时计算次级通道估计。与现有技术相比，本发明基于二阶EMFNL滤波器的非线性在线建模次级通道，同时使用EMFNL滤波器作为控制滤波器，具有更强的适应性和更优的非线性处理能力。

Description

一种基于EMFNL滤波器在线建模次级通道的有源降噪方法

技术领域

本发明涉及有源噪声控制领域，涉及有源噪声控制方法和非线性次级通道建模方法，尤其涉及一种基于带线性部分偶镜像傅里叶非线性(EMFNL,Even MirrorFourierNonlinear with Linear section)滤波器在线建模次级通道的有源降噪方法。

背景技术

基于叠加原理的有源噪声控制(ANC,Active Noise Control)技术因成本低、低频效果显著、布控简便等优势，得到了广泛研究和应用，未来极有可能成为封闭空间降噪的标配技术。

有源噪声控制模型分为有次级通道模型和无次级通道模型。无次级通道模型方面，中国专利CN 101393736 B公开了一种无次级通道建模的有源噪声控制方法，采用四个更新方向搜索的方法寻找最优系数，实时性差。中国专利CN 103915091 A公开了一种无次级通道建模模型方法，该方法需统计噪声源信号和误差信号功率，本质上属于统计的方法，系统初始阶段难以实现实时，且噪声源有变化时，系统难以快速反应。因此有次级通道模型依然是目前的主要方向。国际专利WO2017/048480 EN 2017.03.23(中国专利CN 108352156A)和国际专利WO2017/048481 EN 2017.03.23(中国专利CN 108352157 A)公开了次级通道幅值和相位的估计方法，需对不同频率分量进行估计，算法复杂。中国专利CN 109448686 A公开了一种在线次级建模有源噪声控制系统，该系统使用线性次级通道模型，难以处理非线性次级通道情形。中国专利CN 109379652 A公开了一种耳机有源噪声控制的次级通道离线辨识方法及系统，该次级通道采用无限冲激响应响应(IIR,Infinite ImpulseResponse)滤波器，该滤波器虽然可用更少的系数逼近线性滤波器，但IIR模型存在输入有界输出有界(Bounded Input Bounded Output,BIBO)准则下的不稳定情形。目前的有次级通道模型中，次级通道多采用离线建模的方法，离线建模对于模型不确定，或时变次级通道适用性差，甚至算法无效。

发明内容

发明目的：针对现有有源降噪技术中在线非线性次级通道建模缺失问题，本发明提出一种基于二阶EMFNL滤波器的非线性次级通道在线建模，同时使用EMFNL滤波器作为控制滤波器的有源噪声控制方法，该方法建模出的次级通道估计为在线、非线性模型，具有更强的适应性和更优的非线性处理能力。

技术方案：本发明提供了一种基于EMFNL滤波器在线建模次级通道的有源降噪方法，基于二阶EMFNL滤波器非线性在线建模次级通道，同时使用EMFNL滤波器作为控制滤波器进行有源噪声控制，该方法具体步骤包括：

S1：采集噪声源信号；

S2：对S1中噪声源信号，构建控制EMFNL滤波器抽头，并简化所述EMFNL滤波器抽头；

S3：对S2中滤波器抽头，构建控制权系数w(n)并对其进行初始化；

S4：对S3中权系数和S2中EMFNL滤波器进行卷积，生成反噪声y(n)；

S5：给出EMFNL滤波器对应的权更新算法，自适应更新控制权系数w(n)；

S6：在线辨识次级通道：

S6.1：产生高斯激励白噪声，并滤除高频部分，将其加入次级通道；

S6.2：对S6.1中激励白噪声采用EMFNL扩展，构建辨识滤波器抽头；

S6.3：定义次级通道辨识系数s'(n)，初始化为0，并采用自适应算法辨识；

S6.4：实时计算次级通道估计s”(n)。

进一步地，所述S2中简化滤波器抽头实现形式为：交叉抽头部分对角结构实现，且仅保留部分主对角通道。

进一步地，所述S5中自适应算法使用滤波X最小均方误差算法，控制系数更新公式为：

w(n+1)＝w(n)+μ_ce(n)f_e'(n)

其中，μ_c是控制迭代步长，f_e'(n)＝f_e(n)*s”(n)是EMFNL扩展信号经次级通道估计s”(n)滤波后信号，误差信号e(n)通过误差传声器采集。

进一步地，所述S6.3中自适应算法使用最小均方误差算法，控制系数更新公式为：

s'(n+1)＝s'(n)+μ_iε(n)f_es(n)

其中，μ_i为辨识步长，取值为

P_vy为次级输入信号能量，ε(n)为次级叠加残余信号，表示为：

ε(n)＝e(n)-v'(n)

其中，v'(n)＝v(n)*s'(n)，e(n)为误差信号，通过误差传声器采集。

进一步地，所述次级通道的传递函数表示为如下形式

其中，R₁≤M、R₂≤M、R₃≤M和R₃≤M(M-1)/2分别为线性项、正弦、余弦项和交叉项的数量，l_i,k_i,p_i和q_i为时延参数，s'(n)＝[a_i ^T,b_i ^T,c_i ^T,d_i ^T]，其中a_i＝{a_i,i＝1,2,…,R₁}，b_i＝{b_i,i＝1,2,…,R₂}，c_i＝{c_i,i＝1,2,…,R₃}，d_i＝{d_i,i＝1,2,…,R₄}。

进一步地，所述次级通道估计表示为：

其中，A_i～E_i为系数估计，l_i,k_i,p_i,q_i和r_i为时延参数，满足如下：

有益效果：

本发明提供一种基于EMFNL滤波器的有源降噪方法，该方法使用EMFNL滤波器在线建模次级通道；同时，该方法使用EMFNL滤波器或其简化实现方式作为控制滤波器。将建模次级通道融入到有源降噪的过程中，该方法在有源降噪系统中具有更强的适应性和非线性处理能力。

附图说明

图1为本发明EMFNL滤波器结构框图；

图2为本发明EMFNL滤波器交叉项对角结构；

图3为本发明基于EMFNL滤波器的有源降噪系统框图。

具体实施方式

下面结合附图对本发明进行详细的介绍。

本发明提出一种基于二阶带线性部分偶镜像傅里叶非线性(EMFNL)滤波器的非线性次级通道在线建模，同时使用EMFNL滤波器作为控制滤波器的有源噪声控制方法，该方法建模出的次级通道估计为在线、非线性模型，具有更强的适应性和更优的非线性处理能力。

本发明公开的一种基于在线非线性次级建模的有源降噪方法，具体实现步骤包括：

第一步：采集噪声源信号。

通过在噪声源附近布放声信号接收传感器，采集噪声源信号，典型声信号传感器为麦克风。该声信号传感器可将声信号转换为模拟电信号，并将模拟电信号转换为数字信号，n时刻采集的信号即为x(n)。

传声器采集的声信号x(n)存储于数字信号处理器(DSP,Digital SignalProcessor)中，存储长度为N，则存储的现时刻和前N-1个时延信号，构成输入噪声序列x(n)＝[x(n),x(n-1),x(n-2),…,x(n-N+1)]^T。实际应用中，N取值可根据性能、实时性等要求，由工程师具体确定，典型值为10、32、64、128等。

第二步：构建控制EMFNL滤波器抽头。

将采集噪声源现时刻和N-1个前时刻信号x(n)，采用二阶带线性部分偶镜像傅里叶非线性(EMFNL)扩展，如图1中表示为f[x(n)]，控制滤波器抽头包括：

E₀₀(n)＝[x(n),x(n-1),x(n-2),…,x(n-M+1)]^T；

E₁₀(n)＝{sin[πx(n)/2],sin[πx(n)/2],…,sin[πx(n-M+1)/2]}^T；

E₂₀(n)＝{cos[πx(n)],cos[πx(n)],…,cos[πx(n-M+1)]}^T；

E₂₁(n)＝{sin[πx(n)/2]sin[πx(n-1)/2],…,sin[πx(n-M+2)/2]sin[πx(n-M+1)/2],

sin[πx(n)/2]sin[πx(n-2)/2],…,sin[πx(n-M+3)/2]sin[πx(n-M+1)/2],

…,

sin[πx(n)/2]sin[πx(n-M+1)/2}^T。

根据次级通道特性，仅保留部分非线性部分系数，可有效降低计算量。以下给出简化滤波器抽头实现形式：

交叉抽头部分对角结构实现，仅保留部分主对角通道。如图2所示，在逼近非线性系统时，交叉项部分中越靠近主对角通道的核函数对系统的逼近能力越强，因此可以通过仅保留图中较粗的主通道的方法，简化滤波器结构。主通道保留数量参考为M/3，具体保留通道数量，工程师可根据实际需求确定。

滤波器的函数扩展抽头(或简化实现形式)表示为向量形式：

f_e(n)＝[E₀₀(n),E₁₀(n),E₂₀(n),E₂₁(n)]^T (1)

第三步：构建控制权向量并初始化。

控制权向量是上述滤波器抽头的系数，由DSP开辟存储空间生成，记为w(n)，并初始化为0向量。权向量表达式为：

w(n)＝[w₀(n),w₁(n),...,w_N-1(n)]^T (2)

第四步：DSP生成反噪声。

控制权向量的长度与EMFNL滤波器(或简化形式)抽头数量相同。DSP输出反噪声y(n)可表示为：

y(n)＝f_e ^T(n)w(n) (3)

第五步：自适应更新控制权系数。

有源噪声控制领域中，常用的更新算法架构包括滤波X最小均方误差(FXLMS,filtered-x LMS)算法，误差滤波最小均方误差(FELMS,filtered-e LMS)算法，滤波X递归最小均方(FXRLS,filtered-xRecursive Least Square)等方法。

本发明以FXLMS自适应算法架构为例，给出EMFNL滤波器对应的权更新算法，对本领域工程师，其他算法架构为简单技术变体。

如图3所示，FXLMS算法的权系数更新公式为：

w(n+1)＝w(n)+μ_ce(n)f_e'(n) (4)

其中，μ_c是控制迭代步长，取值为

P_x为输入信号能量，N为滤波器长度。f_e'(n)＝f_e(n)*s”(n)是EMFNL扩展信号经次级通道估计s”(n)滤波后信号，s”(n)为辨识后次级通道系数s'(n)的估计，e(n)为误差信号，由误差传声器采集。

第六步：在线辨识次级通道。

1)次级通道加入白噪声。

产生高斯激励白噪声，并滤除高频部分，加入次级通道。高斯白噪声的生成方法多样，工程师可根据实际情况生成，由于有源噪声控制主要面向低频噪声，因此，系统的辨识时无需使用高频激励信号，可设计一低通滤波器，滤除激励白噪声中的高频分量，低通滤波器截止频率参考值为1500赫兹(Hz)。

2)构建EMFNL辨识滤波器抽头。

将激励白噪声的现时刻和M-1个前时刻信号记为v(n)＝[v(n),v(n-1),…,v(n-M+1)]，此时次级通道长度为M。采用二阶带线性部分偶镜像傅里叶非线性(EMFNL)扩展，构建的辨识滤波器抽头包括：

E_s0(n)＝[v(n),v(n-1),v(n-2),…,v(n-M+1)]^T；

E_s1(n)＝{sin[πv(n)/2],sin[πv(n)/2],…,sin[πv(n-M+1)/2]}^T；

E_s2(n)＝{cos[πv(n)],cos[πv(n)],…,cos[πv(n-M+1)]}^T；

E_s3(n)＝{sin[πv(n)/2]sin[πv(n-1)/2],…,sin[πv(n-M+2)/2]sin[πv(n-M+1)/2],

sin[πv(n)/2]sin[πv(n-2)/2],…,sin[πv(n-M+3)/2]sin[πv(n-M+1)/2],

…,

sin[πv(n)/2]sin[πv(n-M+1)/2}^T；

辨识滤波器的函数扩展抽头表示为向量形式：

f_es(n)＝[E_s0(n),E_s1(n),E_s2(n),E_s3(n)]^T (5)

3)采用自适应算法辨识系数。

以上辨识滤波器抽头对应的系数即为次级通道传递函数系数，该系数对应图1中为s'(n)＝[s₀(n),s₁(n),s₂(n),…,s_M+1(n)]，长度为(M²+5M)/2，初始化为0。如图3所示，采用自适应最小均方误差(LMS,Least Mean Square)算法，迭代公式为：

s'(n+1)＝s'(n)+μ_iε(n)f_es(n) (6)

其中，μ_i为辨识步长，取值为

P_vy为次级输入信号能量，ε(n)为次级叠加残余信号，表示为：

ε(n)＝e(n)-v'(n) (7)

其中，v'(n)＝v(n)*s'(n)，e(n)为误差传声器采集的误差信号。

4)计算次级通道估计。

次级通道传递函数表示为如下形式

其中，R₁≤M、R₂≤M、R₃≤M和R₃≤M(M-1)/2分别为线性项、正弦、余弦项和交叉项的数量，l_i,k_i,p_i和q_i为时延参数，此时，s'(n)＝[a_i ^T,b_i ^T,c_i ^T,d_i ^T]，其中a_i＝{a_i,i＝1,2,…,R₁}，b_i＝{b_i,i＝1,2,…,R₂}，c_i＝{c_i,i＝1,2,…,R₃}，d_i＝{d_i,i＝1,2,…,R₄}。

根据不同的简化实现形式，次级通道估计为：

其中，A_i～E_i为系数估计，l_i,k_i,p_i,q_i和r_i为时延参数，满足如下：

如果次级通道系数辨识时，仅使用滤波器中的线性抽头部分，则次级通道估计中只有A_i，此时次级通道为线性定常系统，系数估计A_i可直接存储于数字信号处理器(DSP)中。如果次级通道系数辨识时，包含非线性部分，次级通道系数估计是时变的，可将依据式(10)实时计算次级通道稀疏估计。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于带线性部分偶镜像傅里叶非线性(EMFNL,Even Mirror FourierNonlinear with Linear section)滤波器在线建模次级通道的有源降噪方法，其特征在于，基于二阶EMFNL滤波器非线性在线建模次级通道，同时使用EMFNL滤波器作为控制滤波器进行有源噪声控制，该方法具体步骤包括：

S1：采集噪声源信号；

S2：对S1中噪声源信号，构建控制EMFNL滤波器抽头，并简化所述EMFNL滤波器抽头；

S3：对S2中滤波器抽头，构建控制权系数w(n)并对其进行初始化；

S4：对S3中权系数和S2中EMFNL滤波器进行卷积，生成反噪声y(n)；

S5：给出EMFNL滤波器对应的权更新算法，自适应更新控制权系数w(n)；

S6：在线辨识次级通道：

S6.1：产生高斯激励白噪声，并滤除高频部分，将其加入次级通道；

S6.2：对S6.1中激励白噪声采用EMFNL扩展，构建辨识滤波器抽头；

S6.3：定义次级通道辨识系数s'(n)，初始化为0，并采用自适应算法辨识；

S6.4：实时计算次级通道估计s”(n)。

2.根据权利要求1所述的基于EMFNL滤波器在线建模次级通道的有源降噪方法，其特征在于，所述S2中简化滤波器抽头实现形式为：交叉抽头部分对角结构实现，且仅保留部分主对角通道。

3.根据权利要求1所述的基于EMFNL滤波器在线建模次级通道的有源降噪方法，其特征在于，所述S5中自适应算法使用滤波X最小均方误差算法，控制系数更新公式为：

w(n+1)＝w(n)+μ_ce(n)f_e'(n)

其中，μ_c是控制迭代步长，f_e'(n)＝f_e(n)*s”(n)是EMFNL扩展信号经次级通道估计s”(n)滤波后信号，误差信号e(n)通过误差传声器采集。

4.根据权利要求1所述的基于EMFNL滤波器在线建模次级通道的有源降噪方法，其特征在于，所述S6.3中自适应算法使用最小均方误差算法，控制系数更新公式为：

s'(n+1)＝s'(n)+μ_iε(n)f_es(n)

其中，μ_i为辨识步长，取值为

P_vy为次级输入信号能量，ε(n)为次级叠加残余信号，表示为：

ε(n)＝e(n)-v'(n)

其中，v'(n)＝v(n)*s'(n)，e(n)为误差信号，通过误差传声器采集。

5.根据权利要求1所述的基于EMFNL滤波器在线建模次级通道的有源降噪方法，其特征在于，所述次级通道的传递函数表示为如下形式：

其中，R₁≤M、R₂≤M、R₃≤M和R₃≤M(M-1)/2分别为线性项、正弦、余弦项和交叉项的数量，l_i,k_i,p_i和q_i为时延参数，s'(n)＝[a_i ^T,b_i ^T,c_i ^T,d_i ^T]，其中a_i＝{a_i,i＝1,2,…,R₁}，b_i＝{b_i,i＝1,2,…,R₂}，c_i＝{c_i,i＝1,2,…,R₃}，d_i＝{d_i,i＝1,2,…,R₄}。

6.根据权利要求1所述的基于EMFNL滤波器在线建模次级通道的有源降噪方法，其特征在于，所述次级通道估计表示为：

其中，A_i～E_i为系数估计，l_i,k_i,p_i,q_i和r_i为时延参数，满足如下：

Images