CN115171642A - 一种基于改进的循环神经网络的主动降噪方法及系统 - Google Patents
一种基于改进的循环神经网络的主动降噪方法及系统 Download PDFInfo
- Publication number
- CN115171642A CN115171642A CN202210795721.0A CN202210795721A CN115171642A CN 115171642 A CN115171642 A CN 115171642A CN 202210795721 A CN202210795721 A CN 202210795721A CN 115171642 A CN115171642 A CN 115171642A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- neural network
- recurrent neural
- noise reduction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000009467 reduction Effects 0.000 title claims abstract description 49
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000001066 destructive effect Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010011878 Deafness Diseases 0.000 description 1
- 206010063602 Exposure to noise Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 208000007107 Stomach Ulcer Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 201000005917 gastric ulcer Diseases 0.000 description 1
- 230000010370 hearing loss Effects 0.000 description 1
- 231100000888 hearing loss Toxicity 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 229960000890 hydrocortisone Drugs 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000003860 sleep quality Effects 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
-
- 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
-
- 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
本发明属于主动降噪技术领域，提供了一种基于改进的循环神经网络的主动降噪方法及系统，该方法包括获取待降噪信号数据；基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；对滤波后的信号通过次级路径模型模拟得到抗噪声信号；依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。不仅保证了信号的时间相关性，而且提高了训练效率。
Description
技术领域
本发明属于主动降噪技术领域，尤其涉及一种基于改进的循环神经网络的主动降噪方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着科技和工业的发展，人们生活质量的不断提高，噪声污染也随之产生，逐渐成为影响人们生活质量和身心健康的重要因素。研究表明，轻度噪声会使人焦躁，影响睡眠质量；若长期处在85分贝以上的噪音环境中会影响人的听力，高于120分贝的噪音可以使人丧失听力。同时，噪音还会使人体内皮质醇的分泌增高，导致高血压、心脏病和胃溃疡等疾病的发病几率提升。因此，对噪声进行有效控制受到越来越广泛的关注，如何进行快速有效的噪声控制是当前研究的热点和难点。
目前对噪声的控制主要分为被动降噪和主动降噪两种。被动降噪大多采用物理的方法从噪声的产生、传播和接收三个方面对噪声信号进行控制，但此方法对于低频噪声降噪效果较差，主动降噪方法基于相消干涉原理，通过产生与噪声信号幅值相同相位相反的抗噪声信号对噪声信号进行抵消，弥补了被动降噪方法对低频噪声降噪效果较差的不足。
发明人发现，传统主动降噪方法大多使用线性滤波器作为控制器，利用自适应算法实时更新滤波器系数，产生抗噪声信号，达到最小化观测点的声压值的目的。但在现实情况中传统线性系统的效果会受到扬声器、等设备存在的非线性失真问题的影响，目前，基于信号处理的主动降噪方法，利用自适应滤波算法更新滤波器系数，产生抗噪声(Anti-noise)信号，此类方法对于现实中的非线性因素地表示精确程度不高，并且系统中扬声器、麦克风等硬件设备对系统效果影响较为明显；此外，以基于BP的前馈神经网络的主动降噪方法为代表的传统神经网络方法，虽然可以对噪声信号进行控制，但难以表示噪声信号的时间相关性。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种基于改进的循环神经网络的主动降噪方法及系统，其使用门控循环单元(GRU)替换传统循环神经网络(RNN)中的隐藏单元，作为控制多频噪声的核心算法，代替传统线性滤波器算法。此外，通过增加隐藏层数量的方式提高网络的表达能力，构成深度神经网络，对噪声信号进行主动控制。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于改进的循环神经网络的主动降噪方法，包括如下步骤：
获取待降噪信号数据；
基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；
其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；
对滤波后的信号通过次级路径模型模拟得到抗噪声信号；
依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。
作为一种可选的实施方式，所述对改进的循环神经网络模型的训练过程包括：
使用不同信噪比下的模拟噪声信号作为噪声源进行训练；
获取误差信号，根据该误差信号计算损失函数，向改进的循环神经网络模型进行反馈，直至网络损失函数最小并达到收敛状态。
作为一种可选的实施方式，所述依据相消干涉原理为根据抗噪声信号与噪声信号具有幅值相同、相位相反的特性。
作为一种可选的实施方式，在得到去噪后的信号后还包括采用降噪前后的声压差对系统降噪效果进行评价。
作为一种可选的实施方式，获取待降噪信号数据后，通过主要路径模型进行模拟得到含主要噪声的待降噪信号。
作为一种可选的实施方式，所述主要路径模型为非线性模型，所述次级路径模型为线性模型。
本发明的第二个方面提供一种基于改进的循环神经网络的主动降噪系统，包括：
数据获取模块，用于获取待降噪信号数据；
滤波控制模块，用于基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；
其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；
抗噪声信号生成模块，用于对滤波后的信号通过次级路径模型模拟得到抗噪声信号；
噪声消除模块，用于依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种基于改进的循环神经网络的主动降噪方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于改进的循环神经网络的主动降噪方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明通过将深度学习知识应用于主动降噪领域中，通过采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；对输入的噪声信号进行滤波控制，不仅保证了信号的时间相关性，而且提高了训练效率。
本发明通过主要路径模拟模型得到主要噪声对主要噪声进行滤波，同时将滤波后的信号通过次级路径模型模拟，得到抗噪声信号，最终由滤波控制器产生与主要噪声幅值相同相位相反的抗噪声信号(Anti-noise)，从而达到完全消除主要噪声的目的。解决了传统信号处理方法中非线性失真问题以及传统非线性方法无法很好的学习噪声信号的时间相关性的问题。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一基于改进的循环神经网络的主动降噪方法流程图；
图2是本发明实施例一带有GRU的RNN网络的主动降噪方法总体流程框图；
图3是本发明实施例一GRU内部结构图；
图4是本发明实施例一带有GRU的RNN网络结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所提及的现有主动降噪方法存在的技术问题，本发明通过使用GRU单元代替RNN网络隐藏层中的Tanh单元，构成修改的RNN网络，作为滤波控制的核心算法对噪声信号进行滤波控制，得到抗噪声(Anti-noise)信号，根据相消干涉原理对噪声信号进行消除。将深度学习的知识用于主动降噪领域，不但提高了降噪效果和训练效率，而且解决了传统信号处理方法中非线性失真问题以及传统非线性方法无法很好的学习噪声信号的时间相关性的问题。为克服传统主动降噪方法的不足，本发明提供了一种门控方法用于主动降噪，对主要噪声(Primary noise)进行滤波，由滤波控制器产生与主要噪声幅值相同相位相反的抗噪声信号(Anti-noise)，从而达到完全消除主要噪声的目的。
实施例一
如图1-图2所示，本实施例提供了一种基于改进的循环神经网络的主动降噪方法，包括如下步骤：
步骤1：获取噪声信号数据x(n)；
作为一种或多种实施例，步骤1中，所述噪声信号数据x(n)为模拟正弦信号；
可以理解的，具体的模拟正弦信号可以根据本领域技术人员实际需求设置；比如，将噪声信号模拟为200Hz和300Hz的正弦信号，其采样频率为2000Hz。
步骤2：将噪声信号x(n)通过主要路径模型进行模拟得到主要噪声d(n)；
作为一种或多种实施例，设计信号传播过程中的主要路径模型为非线性模型；
其中，假设主要路径为非线性函数，则将噪声信号x(n)通过主要路径模型进行模拟得到主要噪声d(n)的表达式为：
d(n)＝f[x(n),p(n)]
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
步骤3：根据噪声信号对改进的循环神经网络模型进行训练，采用训练好的改进的循环神经网络模型进行对噪声信号进行滤波控制，生成滤波后的信号u(n)；
u(n)的的计算公式为：
u(n)＝V·GRU(xn,un-1)
所述改进的神经网络模型的主体为循环神经网络(RNN)；
其中，所述改进的神经网络模型的构建过程为：采用门控循环单元(GRU)替换传统循环神经网络(RNN)中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，保留了RNN网络对时序信号的处理能力，并解决了梯度消失和梯度爆炸问题，同时提高了处理效率；
如图4所示带有GRU的RNN网络结构图，本实施例中将改进的循环神经网络模型作为控制多频噪声的核心算法，代替传统线性滤波器算法，同时使用如图3所示带有遗忘门和记忆门的GRU对具有时间相关性的噪声信号进行处理，不仅保证了信号的时间相关性，而且提高了训练效率。
所述神经网络模型的训练过程包括：使用不同信噪比下的模拟噪声信号作为噪声源进行训练；获取误差信号e(n)，根据该误差信号计算损失函数，向神经网络模型进行反馈，直至网络损失函数最小并达到收敛状态。
作为一种或多种实施例，所述根据该误差信号计算损失函数包括：
当参考信号为噪声信号时，损失函数为误差信号的均方值，其公式如下：
式中，m为信号长度，e(n)为误差麦克风处的误差信号；
步骤4：将滤波后的信号u(n)通过次级路径模型，得到抗噪声信号y(n)；
作为一种或多种实施例，设计信号传播过程中的次级路径模型为线性模型；
假设次级路径为线性函数，滤波后的信号u(n)通过次级路径模型，得到抗噪声信号y(n)，其公式为：
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)
步骤5：由于抗噪声信号与噪声信号具有幅值相同、相位相反的特性，依据相消干涉原理，根据抗噪声信号对噪声信号进行消除；
步骤6：使用降噪前后的声压差对系统降噪效果进行评价。
评价的公式为：
R＝SPL(d(n))-SPL(e(n))
其中，R为被降噪的声压；SPL为声压级计算公式，d(n)为噪声信号x(n)通过主要路径模型进行模拟得到的输出信号，e(n)为误差麦克风处的误差信号；
SPL为声压级计算公式，具体为：
其中，p(n)为指定位置的声压测量值；pref为参考声压，对于空气来说，pref一般为20μPa。
实施例二
本实施例提供了一种基于改进的循环神经网络的主动降噪系统，包括：
数据获取模块，被配置为：获取待降噪信号数据；
滤波控制模块，被配置为：基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；
其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；
抗噪声信号生成模块，被配置为：对滤波后的信号通过次级路径模型模拟得到抗噪声信号；
噪声消除模块，被配置为：依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。
剩余噪声测量模块，被配置为：在控制位置设置误差麦克风对剩余的噪声进行测量。
其中，所述对改进的循环神经网络模型的训练过程包括：
使用不同信噪比下的模拟噪声信号作为噪声源进行训练；
获取误差信号，根据该误差信号计算损失函数，向改进的循环神经网络模型进行反馈，直至网络损失函数最小并达到收敛状态。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种基于改进的循环神经网络的主动降噪方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于改进的循环神经网络的主动降噪方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于改进的循环神经网络的主动降噪方法，其特征在于，包括如下步骤：
获取待降噪信号数据；
基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；
其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；
对滤波后的信号通过次级路径模型模拟得到抗噪声信号；
依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。
2.如权利要求1所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，所述对改进的循环神经网络模型的训练过程包括：
使用不同信噪比下的模拟噪声信号作为噪声源进行训练；
获取误差信号，根据该误差信号计算损失函数，向改进的循环神经网络模型进行反馈，直至网络损失函数最小并达到收敛状态。
3.如权利要求1所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，所述依据相消干涉原理为根据抗噪声信号与噪声信号具有幅值相同、相位相反的特性。
4.如权利要求1所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，在得到去噪后的信号后还包括采用降噪前后的声压差对系统降噪效果进行评价。
5.如权利要求1所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，获取待降噪信号数据后，通过主要路径模型进行模拟得到含主要噪声的待降噪信号。
6.如权利要求5所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，所述主要路径模型为非线性模型，所述次级路径模型为线性模型。
7.一种基于改进的循环神经网络的主动降噪系统，其特征在于，包括：
数据获取模块，用于获取待降噪信号数据；
滤波控制模块，用于基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；
其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；
抗噪声信号生成模块，用于对滤波后的信号通过次级路径模型模拟得到抗噪声信号；
噪声消除模块，用于依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。
8.如权利要求1所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，所述对改进的循环神经网络模型的训练过程包括：
使用不同信噪比下的模拟噪声信号作为噪声源进行训练；
获取误差信号，根据该误差信号计算损失函数，向改进的循环神经网络模型进行反馈，直至网络损失函数最小并达到收敛状态。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于改进的循环神经网络的主动降噪方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于改进的循环神经网络的主动降噪方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210795721.0A CN115171642B (zh) | 2022-07-07 | 2022-07-07 | 一种基于改进的循环神经网络的主动降噪方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210795721.0A CN115171642B (zh) | 2022-07-07 | 2022-07-07 | 一种基于改进的循环神经网络的主动降噪方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115171642A true CN115171642A (zh) | 2022-10-11 |
| CN115171642B CN115171642B (zh) | 2024-10-29 |
Family
ID=83490336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210795721.0A Active CN115171642B (zh) | 2022-07-07 | 2022-07-07 | 一种基于改进的循环神经网络的主动降噪方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115171642B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230282193A1 (en) * | 2022-03-03 | 2023-09-07 | University Of Manitoba | Method and apparatus for active noise cancellation using deep learning |
| WO2024131014A1 (zh) * | 2022-12-23 | 2024-06-27 | 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 |
|---|---|---|---|---|
| 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 |
| CN109273021A (zh) * | 2018-08-09 | 2019-01-25 | 厦门亿联网络技术股份有限公司 | 一种基于rnn的实时会议降噪方法及装置 |
| CN109712628A (zh) * | 2019-03-15 | 2019-05-03 | 哈尔滨理工大学 | 一种基于rnn的语音降噪方法及语音识别方法 |
| CN111603191A (zh) * | 2020-05-29 | 2020-09-01 | 上海联影医疗科技有限公司 | 医学扫描中的语音降噪方法、装置和计算机设备 |
| CN111883091A (zh) * | 2020-07-09 | 2020-11-03 | 腾讯音乐娱乐科技（深圳）有限公司 | 音频降噪方法和音频降噪模型的训练方法 |
| CN113191321A (zh) * | 2021-05-21 | 2021-07-30 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
-
2022
- 2022-07-07 CN CN202210795721.0A patent/CN115171642B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109273021A (zh) * | 2018-08-09 | 2019-01-25 | 厦门亿联网络技术股份有限公司 | 一种基于rnn的实时会议降噪方法及装置 |
| CN109712628A (zh) * | 2019-03-15 | 2019-05-03 | 哈尔滨理工大学 | 一种基于rnn的语音降噪方法及语音识别方法 |
| CN111603191A (zh) * | 2020-05-29 | 2020-09-01 | 上海联影医疗科技有限公司 | 医学扫描中的语音降噪方法、装置和计算机设备 |
| CN111883091A (zh) * | 2020-07-09 | 2020-11-03 | 腾讯音乐娱乐科技（深圳）有限公司 | 音频降噪方法和音频降噪模型的训练方法 |
| CN113191321A (zh) * | 2021-05-21 | 2021-07-30 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| YUAN XIA: "Robust noise control method based on deep learning optimization", 《2023 8TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND SIGNAL PROCESSING (ICSP)》, 15 August 2023 (2023-08-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230282193A1 (en) * | 2022-03-03 | 2023-09-07 | University Of Manitoba | Method and apparatus for active noise cancellation using deep learning |
| US12087265B2 (en) * | 2022-03-03 | 2024-09-10 | University Of Manitoba | Method and apparatus for active noise cancellation using deep learning |
| WO2024131014A1 (zh) * | 2022-12-23 | 2024-06-27 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115171642B (zh) | 2024-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cha et al. | DNoiseNet: Deep learning-based feedback active noise control in various noisy environments | |
| 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 | |
| CN114627847B (zh) | 一种基于频谱映射的主动降噪方法及系统 | |
| Ramírez et al. | Modeling nonlinear audio effects with end-to-end deep neural networks | |
| Kajikawa et al. | Recent advances on active noise control: open issues and innovative applications | |
| 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 | |
| CN102227240B (zh) | 展示联系行为的玩具 | |
| KR102429256B1 (ko) | 음향 정보를 통해 사용자의 수면 상태를 분석하기 위한 방법, 컴퓨팅 장치 및 컴퓨터 프로그램 | |
| Kajikawa et al. | Recent applications and challenges on active noise control | |
| CN109379652B (zh) | 一种耳机有源噪声控制的次级通道离线辨识方法 | |
| Zhang et al. | A Deep Learning Approach to Active Noise Control. | |
| Thanigai et al. | Nonlinear active noise control for infant incubators in neo-natal intensive care units | |
| Singh et al. | Enhancing active noise control through stacked autoencoders: Training strategies, comparative analysis, and evaluation with practical setup | |
| CN111462770A (zh) | 一种基于lstm的后期混响抑制方法及系统 | |
| CN107577986B (zh) | 一种呼吸与心跳分量提取方法、电子设备和存储介质 | |
| Liu et al. | Infant cry classification integrated ANC system for infant incubators | |
| CN113515048B (zh) | 一种模糊自适应pso-elm声品质预测模型的建立方法 | |
| CN117496936A (zh) | 一种变压器噪声主动降噪控制方法、系统、设备及介质 | |
| CN113506556B (zh) | 主动噪声控制方法、装置、存储介质和计算机设备 | |
| Kuo et al. | Development and application of audio-integrated ANC system for infant incubators | |
| Chen et al. | Adaptive fuzzy neural network control on the acoustic field in a duct | |
| CN114171044A (zh) | 基于时域全卷积深度神经网络电子听诊器自适应消噪方法 | |
| Freixes et al. | Influence of tense, modal and lax phonation on the three-dimensional finite element synthesis of vowel [A]. | |
| CN113990339A (zh) | 声音信号处理方法、装置、系统、设备和存储介质 | |
| Li | Multi-function enhanced active noise control system for infant incubator |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 250014 No. 19, ASTRI Road, Lixia District, Shandong, Ji'nan Applicant after: SHANDONG COMPUTER SCIENCE CENTER(NATIONAL SUPERCOMPUTER CENTER IN JINAN) Applicant after: Qilu University of Technology (Shandong Academy of Sciences) Address before: 250014 No. 19, ASTRI Road, Lixia District, Shandong, Ji'nan Applicant before: SHANDONG COMPUTER SCIENCE CENTER(NATIONAL SUPERCOMPUTER CENTER IN JINAN) Country or region before: China Applicant before: Qilu University of Technology |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |