WO2024047691A1 - 能動騒音制御方法、能動騒音制御装置、およびプログラム - Google Patents

能動騒音制御方法、能動騒音制御装置、およびプログラム Download PDF

Info

Publication number
WO2024047691A1
WO2024047691A1 PCT/JP2022/032366 JP2022032366W WO2024047691A1 WO 2024047691 A1 WO2024047691 A1 WO 2024047691A1 JP 2022032366 W JP2022032366 W JP 2022032366W WO 2024047691 A1 WO2024047691 A1 WO 2024047691A1
Authority
WO
WIPO (PCT)
Prior art keywords
noise
sound
noise control
specific position
prediction
Prior art date
Application number
PCT/JP2022/032366
Other languages
English (en)
French (fr)
Inventor
伸 村田
記良 鎌土
弘章 伊藤
Original Assignee
日本電信電話株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2022/032366 priority Critical patent/WO2024047691A1/ja
Publication of WO2024047691A1 publication Critical patent/WO2024047691A1/ja

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

Definitions

  • This disclosure relates to active noise control technology.
  • An active noise control (ANC) device is a device that attenuates noise at a specific location by adding a sound with the opposite phase to the noise at a specific location.
  • the active noise control device includes a microphone called an error microphone that measures the amount of noise attenuation, a speaker called a secondary sound source that generates a sound that cancels out the noise (cancellation sound for noise control), and a speaker that generates a sound that cancels out the noise (cancellation sound for noise control). It is often composed of a noise control filter and a noise control filter.
  • a configuration is also commonly used that includes a reference microphone that is installed at a different location from the error microphone and records noise.
  • Non-Patent Document 1 active noise control is generally used to control noise with low frequency components, and to control noise with high frequency components, physical methods such as blocking the ears with canal earphones are used. Passive noise control techniques are used to attenuate noise. Active noise control is useful in providing a comfortable and quiet space for users in spaces with fixed layouts, such as public transportation facilities. However, there is a problem in that it is difficult to completely silence all frequency bands.
  • the purpose of this disclosure is to provide an active noise control method that is expected to improve noise control performance even in frequency bands where the amount of noise suppression is small with conventional active noise control.
  • Our goal is to provide the following.
  • an active noise control method is an active noise control method executed by an active noise control device.
  • a reference microphone detects the noise of the noise source.
  • a noise prediction unit predicts detected noise that propagates along a primary path from a noise source to a specific location and reaches the specific location.
  • a noise control filter generates a cancellation sound for noise control using the predicted noise and a predetermined coefficient.
  • a secondary sound source emits the generated canceling sound.
  • a secondary path model estimates predicted noise that propagates along a secondary path from a secondary sound source to a specific location and reaches the specific location.
  • An error microphone placed at a specific position detects the interference sound between the noise from the noise source that has propagated through the primary path and reached the specific position, and the radiated canceling sound that has propagated through the secondary path and reached the specific position. do.
  • a coefficient updating unit receives the estimated noise and the detected interference sound as input, and updates a predetermined coefficient used by the noise control filter.
  • the noise prediction of the noise source can be notified to the noise control filter at an early timing, improvement in noise control performance is expected even in frequency bands where the amount of noise suppression in conventional active noise control is small. It will be done.
  • FIG. 1 is a diagram illustrating the functional configuration of an active noise control device according to this embodiment.
  • FIG. 2 is a processing flow diagram illustrating the processing procedure of the active noise control method of this embodiment.
  • FIG. 3 is a diagram illustrating the functional configuration of the noise prediction learning device of this embodiment.
  • FIG. 4 is a processing flow diagram illustrating the processing procedure of the noise prediction learning method of this embodiment.
  • FIG. 5 is a diagram illustrating a functional configuration of an active noise control device according to a modification of the present embodiment.
  • FIG. 6 is a process flow diagram illustrating a process procedure of an active noise control method according to a modification of the present embodiment.
  • FIG. 7 is a diagram illustrating the functional configuration of a computer.
  • the active noise control device 1 includes a reference microphone 10, a noise prediction unit 20, a noise control filter 30, a secondary sound source 40, a secondary path model 50, an error microphone 60, and a coefficient update.
  • a section 70 is provided.
  • the active noise control method of this embodiment is realized by the active noise control device 1 performing the processing of each step shown in FIG.
  • Step S10 (Reference microphone 10)
  • the reference microphone 10 detects the noise x(n) of the noise source N, performs necessary amplification processing (not shown) and analog-to-digital conversion processing (not shown), and then (Step S10).
  • a vibration pickup may be installed in the reference microphone 10 in addition to the reference microphone 10. This is because vibrations travel faster in solids than in gases, so it is possible that noise can be recorded in the form of vibrations faster than it can be transmitted as sound.
  • the path from the noise source N to the specific position Z through which the noise x(n) propagates is referred to as a primary path P.
  • the noise prediction unit 20 predicts the noise x(n) detected by the reference microphone 10 that propagates along the primary path P and reaches the specific position Z. That is, the noise prediction unit 20 receives the noise x(n) received from the reference microphone 10 as input, and predicts the noise d(n) of the noise source N that propagates through the primary path P and reaches the specific position Z, The noise x'(n) that is the prediction result is output to the noise control filter 30 and the secondary path model 50 (step S20).
  • the noise prediction unit 20 may be configured by linear convolution, for example, or may be configured by learning using neural network technology and using the learned network (trained model), as described later. .
  • the configuration of the noise prediction unit 20 is determined by receiving the parameters stored in the noise prediction parameter p.
  • the noise control filter 30 generates a cancellation sound y(n) for noise control using the noise x'(n) predicted by the noise prediction unit 20 and a predetermined coefficient K. That is, the noise control filter 30 updates the coefficients (parameters) of the noise control filter 30 using the predetermined coefficient K received from the coefficient update section 70 as described later, and then updates the noise control filter 30 with respect to the noise received from the noise prediction section 20. Using the noise x'(n) that is the prediction result, a cancellation sound y(n) for noise control is generated and output to the secondary sound source 40 (step S30).
  • the noise control filter 30 is, for example, a model expressed by convolution of coefficients and signals.
  • the secondary sound source 40 subjects the canceled sound y(n) received from the noise control filter 30 to necessary amplification processing (not shown) and digital-to-analog conversion processing (not shown), and directs it to the error microphone 60. and radiates it (step S40). Note that in the present disclosure, the path from the secondary sound source 40 to the specific position Z, through which the canceling sound y(n) propagates, is referred to as a secondary path S.
  • the secondary path model 50 estimates the noise x'(n) that propagates along the secondary path S and reaches the specific position Z, predicted by the noise prediction unit 20. That is, in order to compensate for the influence of the secondary path S, the secondary path model 50 allows the noise x'(n), which is the prediction result received from the noise prediction unit 20, to propagate through the secondary path S and reach the specific position Z. The noise when it is assumed that this has been reached is estimated, and the estimation result, noise X''(n), is output to the coefficient updating unit 70 (step S50).
  • the secondary path model 50 is, for example, a model expressed by convolution of coefficients and signals.
  • the error microphone 60 is placed at a specific position Z.
  • the error microphone 60 detects the noise d(n) from the noise source N that has propagated along the primary path P and reached the specific position Z, and the noise from the secondary sound source 40 that has propagated along the secondary path S and reached the specific position Z. Interfering sound e(n) with d'(n) is detected. That is, the error microphone 60 detects the noise d(n) of the noise source that propagated along the primary path P and reached the specific position Z, and the noise of the secondary sound source 40 that propagated along the secondary path S and reached the specific position Z.
  • Interference consisting of two noises: d'(n) (noise caused by the canceled sound y(n), which has been subjected to the necessary amplification processing and digital-to-analog conversion processing, is propagated through the secondary path S and reaches a specific position Z)
  • the sound e(n) is detected, subjected to necessary amplification processing (not shown) and analog-to-digital conversion processing (not shown), and then output to the coefficient updating section 70 (step S60).
  • a virtual error microphone may be used that spatially predicts the noise at the error microphone based on the recording result of another microphone.
  • the coefficient update unit 70 inputs the noise X''(n) estimated by the secondary path model 50 and the interference sound e(n) detected by the error microphone 60, and uses the noise control filter 30 for noise control.
  • the predetermined coefficient K used to generate the cancellation sound y(n) is updated to a new coefficient K and output to the noise control filter 30 (step S70). Note that the method of updating the coefficients of the noise control filter 30 using the secondary path model 50 and the coefficient updating unit 70 corresponds to the Filtered-x algorithm described in the above-mentioned Non-Patent Document 1.
  • the active noise control device 1 has been described above. By configuring the active noise control device 1 as described above, the following effects can be expected. That is, the secondary path model 50 and the coefficient update unit 70 update the coefficients (parameters) used in the noise control filter 30 by compensating for the influence of the secondary path S.
  • the error microphone 60 acquires the noise x'(n), which is the prediction result of the noise d(n), before detecting the noise d(n). I will do it.
  • This x'(n) is the result of taking into account the influence of the primary path P by the noise prediction unit 20.
  • the noise prediction unit 20 compared to the case where the noise prediction unit 20 is not included, it is possible to generate a noise control canceling sound y(n) having a higher damping effect. That is, according to the active noise control device 1, the noise prediction (noise x'(n)) of the noise x(n) of the noise source N can be notified to the noise control filter 30 at an earlier timing than the error microphone 60, As a result, in conventional active noise control, improvement in noise control performance is expected even in frequency bands where the amount of noise suppression is small.
  • the present disclosure is expected to improve noise control performance, especially in high frequency bands. Since high frequency band sounds have short wavelengths, if the noise observed at the error microphone 60 points and the canceling sound differ in phase even slightly, the sound waves will not cancel each other out, making it impossible to suppress the noise. If the noise prediction unit 20 is not provided, the noise control filter 30 cannot generate the canceling sound y(n) in time, and the noise d(n) is sent to the error microphone 60 earlier than the noise d′(n). This can lead to performance deterioration. On the other hand, by providing the second estimation unit 20 described in the present disclosure, it is possible to predict the noise d(n) at the time when the noise d'(n) reaches the error microphone 60.
  • Performance deterioration due to inability to generate sound y(n) in time is eliminated. That is, by providing the noise prediction unit 20, a noise signal (noise d(n)) that has not yet been observed but will arrive at the error microphone 60 point in the future (that is, in the future) is calculated from the signal observed by the reference microphone 10. It can be predicted.
  • the noise prediction unit 20 may be configured to learn using neural network technology and use the learned network (learned model).
  • the learned model may be configured to be learned by a noise prediction learning device as described below.
  • the noise prediction learning device 300 of the present disclosure includes a parameter storage section 310, a prediction model section 320, an objective function calculation section 330, and a parameter update section 340, as shown in FIG.
  • the noise prediction learning method of this embodiment is realized by the noise prediction learning device 300 processing each step shown in FIG.
  • the parameter storage unit 310 stores a noise prediction parameter p used by a prediction model unit 320, which will be described later, and outputs the latest noise prediction parameter p to the prediction model unit 320 (step S310).
  • Prediction model unit 320 updates its own parameters using the noise prediction parameter p received from the parameter storage unit 310, and then updates the signal sequence received from the learning data set D by propagating through the primary path P.
  • the signal sequence after reaching the specific position Z is predicted and output to the objective function calculation unit 330 (step S320).
  • the training data included in the learning data set D is, for example, a signal sequence x(t) of length L from time tL-1 to time t (hereinafter also referred to as "x_t"), It includes K pairs of data with a signal sequence x(t) (hereinafter also referred to as "y_t") of length N from time t+M to time t+M+N-1.
  • x(t) may be a one-dimensional signal recorded from a single microphone or a multidimensional signal recorded by multiple microphones.
  • the prediction model section 320 receives the above-mentioned x_t, outputs y'_t which is the prediction result of y_t, and outputs it to the objective function calculation section 330.
  • the objective function calculation unit 330 calculates an objective function by inputting the signal sequence of the prediction result received from the prediction model unit 320 and the signal sequence that is the correct data received from the learning dataset D, and updates the parameters using the calculation result.
  • the information is output to section 340 (step S330).
  • the objective function calculation unit 330 inputs the signal sequence y'_t of the prediction result and the signal sequence y_t that is the correct data received from the learning data set, and calculates the difference between them.
  • An objective function is calculated by calculating the distance of , using an appropriate method, and the calculation result is output to the parameter updating unit 340 (step S330).
  • Parameter update unit 340 If the parameter update unit 340 determines that the objective function received from the objective function calculation unit 330 does not satisfy a predetermined condition, the parameter update unit 340 updates the noise prediction parameter p and outputs it to the parameter storage unit 310. To update the parameters, for example, the parameters of the neural network are updated using a method such as a gradient method. On the other hand, if the parameter update unit 340 determines that the objective function received from the objective function calculation unit 330 satisfies the predetermined condition, the parameter update unit 340 replaces the prediction model unit with the current noise prediction parameter p with the learned model. It is output as W (step S340). The learned model W will be stored in the noise prediction parameter p shown in FIG.
  • the above-described active noise control device 1 may be configured as a modified example such as the active noise control device 1' shown in FIG.
  • the active noise control device 1' according to the modified example differs from the above-described active noise control device 1 in the following points.
  • the reference microphone 10 is no longer an essential component.
  • the noise prediction section 20 has been changed to a noise prediction section 21.
  • the secondary path model 50 has been changed to a first secondary path model 50A.
  • a second secondary route model 50B is added that has the same function as the first secondary route model 50A.
  • a reference sound generation section 80 is newly added.
  • the active noise control method according to this modification is realized by the active noise control device 1' performing the processing of each step shown in FIG.
  • step S50A performed by the first secondary route model 50A performs the same process as step S50 performed by the secondary route model 50 described above, so a description thereof will be omitted.
  • the noise prediction unit 21 predicts the noise that propagates along the primary path P and reaches the specific position Z from the noise received as input (noise x'''(n) as a reference sound to be described later). That is, the noise prediction unit 21 inputs the noise x'''(n) received from the reference sound generation unit 80, which will be described later, and calculates the noise d of the noise source N that propagates along the primary path P and reaches the specific position Z. (n), and the noise x'(n) that is the prediction result is output to the noise control filter 30 and the secondary path model 50 (step S21).
  • the noise prediction unit 20 may be configured by linear convolution, for example, or may be configured by learning using neural network technology and using the learned network (trained model), as described later. .
  • the second secondary path model 50B estimates the canceling sound y(n) generated by the noise control filter 30, which propagates along the secondary path S and reaches the specific position Z. That is, in order to compensate for the influence of the secondary path S, the second secondary path model 50B estimates that the canceling sound y(n) is the noise that reaches the specific position Z when propagating through the secondary path S. , outputs the noise d''(n), which is the estimation result, to the reference sound generation unit 80 (secondary path S50B).
  • the reference sound generation unit 80 receives the noise d′′(n) estimated by the second secondary path model 50B and the interference sound e(n) detected by the error microphone 60 as input, and the noise prediction unit 21 receives the input A noise x'''(n) is generated which is accepted as .
  • the noise x'''(n) is a noise composed of the noise d''(n), the noise d(n), and the noise d'(n).
  • the reference sound generation section 80 outputs this noise x'''(n) to the noise prediction section 21 as a reference sound (corresponding to the noise x(n) in the active noise control device 1).
  • the noise prediction unit 21 executes the processing of the noise prediction unit 21 using this reference sound (noise x'''(n)) as input noise.
  • the active noise control device 1' in this modification does not include the reference microphone 10. This makes it possible to reduce the scale of the entire device compared to the active noise control device 1, while the reference sound (noise x'''(n )) will be delayed compared to the noise x(n) input to the noise prediction unit 20 of the active noise control device 1.
  • the active noise control device 1' uses the secondary path model 50 not only to compensate for the influence of the secondary path S in the applied algorithm (first secondary path model 50A), but also to generate the reference sound. (second secondary path model 50B), and for example, in constructing a trained model of the noise prediction unit 21, a trained model that has been previously trained to take this delay into consideration may be adopted. Therefore, it can be expected that a noise attenuation effect at a specific position can be obtained to the same degree as the active noise control device 1.
  • the second secondary path model 50B and the reference sound generation unit 80 are added, but a function that allows the directivity to be switched to, for example, the error microphone 60 without adding these elements can be added.
  • the noise prediction unit 21 employs neutral network technology, it is necessary to prepare a trained model that has been trained in advance to match the above-described configuration.
  • a program that describes this processing content can be recorded on a computer-readable recording medium.
  • the computer-readable recording medium may be of any type, such as a magnetic recording device, an optical disk, a magneto-optical recording medium, or a semiconductor memory.
  • this program is performed, for example, by selling, transferring, lending, etc. portable recording media such as DVDs and CD-ROMs on which the program is recorded. Furthermore, this program may be distributed by storing the program in the storage device of the server computer and transferring the program from the server computer to another computer via a network.
  • a computer that executes such a program for example, first stores a program recorded on a portable recording medium or a program transferred from a server computer in its own storage device. When executing a process, this computer reads a program stored in its own recording medium and executes a process according to the read program. In addition, as another form of execution of this program, the computer may directly read the program from a portable recording medium and execute processing according to the program, and furthermore, the program may be transferred to this computer from the server computer. The process may be executed in accordance with the received program each time.
  • ASP Application Service Provider
  • the program in this embodiment includes information that is used for processing by an electronic computer and that is similar to a program (data that is not a direct command to the computer but has a property that defines the processing of the computer, etc.).
  • the present apparatus is configured by executing a predetermined program on a computer, but at least a part of these processing contents may be implemented in hardware.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Soundproofing, Sound Blocking, And Sound Damping (AREA)

Abstract

従来の能動騒音制御での騒音の抑圧量が少ない帯域においても騒音制御性能の改善を見込む。参照マイク１０が騒音源Ｎの騒音ｘ（ｎ）を検出する。騒音予測部２０が騒音ｘ（ｎ）を入力として、一次経路Ｐを伝搬して特定位置Ｚまで到達する騒音を予測（騒音ｘ'（ｎ））する。騒音制御フィルタ３０が、騒音ｘ'（ｎ）と、係数Ｋとを用いてキャンセル音ｙ（ｎ）を生成する。二次音源４０がキャンセル音ｙ（ｎ）を放射する。二次経路モデル５０が騒音ｘ'（ｎ）を入力として、二次経路Ｓを伝搬して特定位置Ｚまで到達する騒音を推定（騒音ｘ''（ｎ））する。誤差マイク６０が、騒音ｄ（ｎ）と、騒音ｄ'（ｎ）とからなる干渉音ｅ（ｎ）を検出する。係数更新部７０が、推定された騒音ｘ''（ｎ）と、干渉音ｅ（ｎ）とを入力とし、係数Ｋを更新する。

Description

能動騒音制御方法、能動騒音制御装置、およびプログラム
　この開示は、能動騒音制御技術に関する。
　能動騒音制御（ＡＮＣ：Active Noise Control）装置は特定位置での騒音に、その騒音の逆位相の音を足し合わせることで特定位置での騒音を減衰させる装置である。能動騒音制御装置は、誤差マイクと呼ばれる騒音の減衰量を測るマイクと、二次音源と呼ばれる騒音を打ち消す音（騒音制御用のキャンセル音）を生成するためのスピーカと、打ち消す音を推定するための騒音制御フィルタと、から構成されることが多い。上述の構成に加えて、誤差マイクとは異なる場所に設置され、騒音を収録する参照マイクを持つ構成も一般に使われている。騒音制御フィルタには、能動騒音制御の稼働中には固定として変更しないものと、騒音の抑圧結果などから適応的に騒音制御フィルタを係数更新部により更新するものとがある。
梶川嘉延，"アクティブノイズコントロールの最近の話題と応用"，研究報告音楽情報科学　（ＭＵＳ）　2015.3 (2015): 1-6
　非特許文献１が示すように、能動騒音制御は一般に低周波成分の騒音の制御に用いられており、高周波成分を含む騒音の制御には、例えばカナル型イヤホンで耳をふさぐなど、物理的に騒音を減衰させる受動騒音制御技術が用いられる。公共交通機関などのレイアウトが固定された空間で、ユーザに快適な静穏空間を提供するためには、能動騒音制御を用いた手法が有用である。しかし、すべての周波数の帯域に対して完全に音を消すことは困難であるという課題がある。
　この開示の目的は、上記のような技術的課題に鑑みてなされたものであり、従来の能動騒音制御で騒音の抑圧量が少ない周波数帯域においても騒音制御性能の改善が見込まれる能動騒音制御方法を提供することにある。
　上記の課題を解決するために、この開示の一態様の能動騒音制御方法は、能動騒音制御装置が実行する能動騒音制御方法である。参照マイクが、騒音源の騒音を検出する。騒音予測部が、騒音源から特定位置までの一次経路を伝搬して特定位置に到達する、検出した騒音を予測する。騒音制御フィルタが、予測された騒音と、所定の係数とを用いて、騒音制御用のキャンセル音を生成する。二次音源が、生成されたキャンセル音を放射する。二次経路モデルが、二次音源から特定位置までの二次経路を伝搬して特定位置に到達する、予測された騒音を推定する。特定位置に配置された誤差マイクが、一次経路を伝搬して特定位置に到達した騒音源の騒音と、二次経路を伝搬して特定位置に到達した放射されたキャンセル音との干渉音を検出する。係数更新部が、推定された騒音と、検出された干渉音とを入力とし、騒音制御フィルタが用いる所定の係数を更新する。
　この開示によれば、騒音源の騒音予測を早いタイミングで騒音制御フィルタに知らせることができることから、従来の能動騒音制御での騒音の抑圧量が少ない周波数の帯域においても騒音制御性能の改善が見込まれる。
図１は、本実施形態の能動騒音制御装置の機能構成を例示する図である。 図２は、本実施形態の能動騒音制御方法の処理手順を例示する処理フロー図である。 図３は、本実施形態の騒音予測学習装置の機能構成を例示する図である。 図４は、本実施形態の騒音予測学習装方法の処理手順を例示する処理フロー図である。 図５は、本実施形態の変形例に係る能動騒音制御装置の機能構成を例示する図である。 図６は、本実施形態の変形例に係る能動騒音制御方法の処理手順を例示する処理フロー図である。 図７は、コンピュータの機能構成を例示する図である。
　以下、この開示の実施形態について詳細に説明する。なお、図面中において同じ機能を有する構成部には同じ番号を付し、重複説明を省略する。
［能動騒音制御装置］
　本実施形態に係る能動騒音制御装置１は、図１に示すように、参照マイク１０、騒音予測部２０、騒音制御フィルタ３０、二次音源４０、二次経路モデル５０、誤差マイク６０、係数更新部７０を備える。この能動騒音制御装置１が図２に示した各ステップの処理を行うことにより本実施形態の能動騒音制御方法が実現される。
　以下、図１及び図２を参照しながら、実施形態の能動騒音制御装置１が実行する能動騒音制御方法の処理手続きを説明する。
（参照マイク１０）
　図１に示した能動騒音制御装置１において、騒音源Ｎからは、騒音ｘ（ｎ）が放射されているものとする。この場合において、参照マイク１０は、騒音源Ｎの騒音ｘ（ｎ）を検出し、必要な増幅処理（不図示）、及びアナログデジタル変換処理（不図示）を施した上で、騒音予測部２０に出力する（ステップＳ１０）。本開示の能動騒音制御装置１においては、参照マイク１０は、参照マイク１０に加えて、振動ピックアップを設置してもよい。これは、固体中では気体より振動が早く伝わるため、騒音が音で伝わるよりも早く振動の形で収録できる可能性があるためである。
　なお、本開示では、騒音ｘ（ｎ）が伝搬する騒音源Ｎから特定位置Ｚまでの経路を一次経路Ｐということとする。
（騒音予測部２０）
　騒音予測部２０は、一次経路Ｐを伝搬して前記特定位置Ｚに到達する、参照マイク１０により検出された騒音ｘ（ｎ）を予測する。即ち、騒音予測部２０は、参照マイク１０から受信した騒音ｘ（ｎ）を入力として、一次経路Ｐを伝搬して前記特定位置Ｚに到達する騒音源Ｎの騒音ｄ（ｎ）を予測し、その予測結果である騒音ｘ’（ｎ）を騒音制御フィルタ３０と、二次経路モデル５０に出力する（ステップＳ２０）。騒音予測部２０は、例えば、線形の畳み込みで構成してもよいし、後述するように、ニューラルネットワーク技術を用いて学習させ、その学習されたネットワーク（学習済モデル）を用いた構成としてもよい。騒音予測部２０は、騒音予測パラメータｐに格納されたパラメータを受信することにより、どのような構成になるかが決定される。
（騒音制御フィルタ３０）
　騒音制御フィルタ３０は、騒音予測部２０により予測された騒音ｘ’（ｎ）と、所定の係数Ｋとを用いて、騒音制御用のキャンセル音ｙ（ｎ）を生成する。即ち、騒音制御フィルタ３０は、後述するように係数更新部７０から受信した所定の係数Ｋを用いて騒音制御フィルタ３０の係数（パラメータ）を更新した上で、騒音予測部２０から受信した騒音の予測結果である騒音ｘ’（ｎ）を用いて、騒音制御用のキャンセル音ｙ（ｎ）を生成し、二次音源４０へ出力する（ステップＳ３０）。騒音制御フィルタ３０は、例えば、係数と信号の畳み込みで表されたモデルである。
（二次音源４０）
　二次音源４０は、騒音制御フィルタ３０から受信したキャンセル音ｙ（ｎ）を、必要な増幅処理（不図示）、及びデジタルアナログ変換処理（不図示）を施した上で、誤差マイク６０へ向けて放射する（ステップＳ４０）。なお、本開示では、キャンセル音ｙ（ｎ）が伝搬する、二次音源４０から特定位置Ｚまでの経路を二次経路Ｓということとする。
（二次経路モデル５０）
　二次経路モデル５０は、二次経路Ｓを伝搬して特定位置Ｚに到達する、騒音予測部２０により予測された騒音ｘ’（ｎ）を推定する。即ち、二次経路モデル５０は、二次経路Ｓの影響を補償するため、騒音予測部２０から受信した予測結果である騒音ｘ’（ｎ）が、二次経路Ｓを伝搬して特定位置Ｚまで到達したと仮定した場合の騒音を推定し、その推定結果である騒音Ｘ’’（ｎ）を係数更新部７０へ出力する（ステップＳ５０）。二次経路モデル５０は、例えば、係数と信号の畳み込みであらわされたモデルである。
（誤差マイク６０）
　誤差マイク６０は、特定位置Ｚに配置されている。誤差マイク６０は、一次経路Ｐを伝搬して特定位置Ｚに到達した騒音源Ｎの騒音ｄ（ｎ）と、二次経路Ｓを伝搬して特定位置Ｚに到達した二次音源４０からの騒音ｄ’（ｎ）との干渉音ｅ（ｎ）を検出する。即ち、誤差マイク６０は、一次経路Ｐを伝搬して特定位置Ｚに到達した騒音源の騒音ｄ（ｎ）と、二次経路Ｓを伝搬して特定位置Ｚに到達した二次音源４０の騒音ｄ’（ｎ）（必要な増幅処理、及びデジタルアナログ変換処理が施されたキャンセル音ｙ（ｎ）が二次経路Ｓを伝搬されて特定位置Ｚに到達した騒音）の２つの騒音からなる干渉音ｅ（ｎ）を検出し、必要な増幅処理（不図示）、及びアナログデジタル変換処理（不図示）を施した上で、係数更新部７０に出力する（ステップＳ６０）。なお、誤差マイク６０の替わりに、別のマイクでの収録結果から空間的に誤差マイクでの騒音を予測する仮想誤差マイクを用いるような構成としてもよい。
（係数更新部７０）
　係数更新部７０は、二次経路モデル５０により推定された騒音Ｘ’’（ｎ）と、誤差マイク６０により検出された干渉音ｅ（ｎ）とを入力とし、騒音制御フィルタ３０が騒音制御用のキャンセル音ｙ（ｎ）を生成するために用いる所定の係数Ｋを新たな係数Ｋへと更新し、騒音制御フィルタ３０に出力する（ステップＳ７０）。なお、二次経路モデル５０や係数更新部７０を用いて騒音制御フィルタ３０の係数を更新する手法は、上述の非特許文献１で説明するＦｉｌｔｅｒｅｄ－ｘアルゴリズムに相当するものである。
　以上、能動騒音制御装置１について説明した。能動騒音制御装置１を上記のような構成にすることにより、以下のような効果が見込まれる。即ち、二次経路モデル５０と、係数更新部７０により、二次経路Ｓの影響を補償して騒音制御フィルタ３０で使用される係数（パラメータ）が更新される。ここで、二次経路モデル５０及び騒音制御フィルタ３０には、誤差マイク６０が、騒音ｄ（ｎ）を検出する前に、騒音ｄ（ｎ）の予測結果である騒音ｘ’（ｎ）を取得することとなる。このｘ’（ｎ）は、騒音予測部２０により一次経路Ｐの影響が考慮された結果となっている。従って、騒音予測部２０を有しない場合に比して、より減衰効果の高い騒音制御用のキャンセル音ｙ（ｎ）を生成することができる。即ち、能動騒音制御装置１によれば、騒音源Ｎの騒音ｘ（ｎ）の騒音予測（騒音ｘ’（ｎ））を誤差マイク６０よりも早いタイミングで騒音制御フィルタ３０に知らせることができ、結果として、従来の能動騒音制御において、騒音の抑圧量が少ない周波数の帯域においても騒音制御性能の改善が見込まれる。
　本開示は、特に高周波数帯域の騒音制御性能の改善が見込まれる。高周波数帯域の音は波長が短いため、誤差マイク６０地点で観測される騒音とキャンセル音の位相が少しでも異なると、音波が打ち消し合わず、騒音を抑圧することができなくなってしまう。騒音予測部２０を有しない場合、騒音制御フィルタ３０によるキャンセル音ｙ（ｎ）の生成処理が間に合わず、騒音ｄ’（ｎ）よりも騒音ｄ（ｎ）の方が、先に誤差マイク６０に到達してしまい、性能劣化の要因になってしまう。これに対し、本開示で示した第２推定部２０を設けることにより、騒音ｄ’（ｎ）が誤差マイク６０に到達する時点での騒音ｄ（ｎ）の予測が可能であることから、キャンセル音ｙ（ｎ）の生成が間に合わないことよる性能劣化がなくなる。即ち、騒音予測部２０を設けることにより、参照マイク１０で観測された信号から、未観測であるが誤差マイク６０地点にこれから到達する（即ち、未来の）騒音信号（騒音ｄ（ｎ））を予測しておくことができる。
［騒音予測学習装置］
　既述のように、騒音予測部２０は、ニューラルネットワーク技術を用いて学習し、その学習されたネットワーク（学習済モデル）を用いるように構成してもよい。本実施形態における騒音予測部２０がニューラルネットワークを用いる場合には、学習済モデルは、下記に示すような騒音予測学習装置によって学習するように構成しても良い。本開示の騒音予測学習装置３００は、図３に示したように、パラメータ記憶部３１０、予測モデル部３２０、目的関数計算部３３０、パラメータ更新部３４０を備える。この騒音予測学習装置３００が図４に示した各ステップの処理を行うことにより本実施形態の騒音予測学習方法が実現される。
　以下、図３及び４を参照しながら、本実施形態の騒音予測学習装置３００が実行する騒音予測学習方法の処理手続きを説明する。
（パラメータ記憶部３１０）
　図３において、パラメータ記憶部３１０は、後述する予測モデル部３２０が使用する騒音予測パラメータｐを記憶しており、最新の騒音予測パラメータｐを予測モデル部３２０に出力する（ステップＳ３１０）。
（予測モデル部３２０）
　予測モデル部３２０は、パラメータ記憶部３１０から受信した騒音予測パラメータｐを使用して自身のパラメータを更新し、その上で学習用データセットＤから受信した信号系列が、一次経路Ｐを伝搬して特定位置Ｚに到達する、到達後の信号系列を予測し、目的関数計算部３３０へ出力する（ステップＳ３２０）。
　学習用データセットＤの中に含まれる教師データは、例えば、時刻ｔ－Ｌ－１から時刻ｔまでの長さＬの信号の系列ｘ（ｔ）（以後、「ｘ＿ｔ」ともいう。）と、時刻ｔ＋Ｍから時刻ｔ＋Ｍ＋Ｎ－１までの長さＮの信号の系列ｘ（ｔ）（以後、「ｙ＿ｔ」ともいう、）とのペアのデータをＫ個含む。ｘ（ｔ）は単一のマイクから収録された一次元の信号や、複数マイクで収録された多次元の信号でもよい。予測モデル部３２０は上述したｘ＿ｔを入力とし、ｙ＿ｔの予測結果であるｙ’＿ｔを出力して目的関数計算部３３０へ出力する。
（目的関数計算部３３０）
　目的関数計算部３３０は、予測モデル部３２０から受信した予測結果の信号系列と、学習用データセットＤから受信した正解データである信号系列とを入力として目的関数を計算し、計算結果をパラメータ更新部３４０へ出力する（ステップＳ３３０）。上述のデータセットの例で説明すれば、目的関数計算部３３０は、予測結果の信号系列ｙ’＿ｔと、学習用データセットから受信した正解データである信号系列ｙ＿ｔとを入力として、それらの間の距離を適切な方法で計算して目的関数を計算し、計算結果をパラメータ更新部３４０へ出力する（ステップＳ３３０）。
（パラメータ更新部３４０）
　パラメータ更新部３４０は、目的関数計算部３３０から受信した目的関数が、所定の条件を満たしていないと判断した場合には、騒音予測パラメータｐを更新し、パラメータ記憶部３１０へ出力する。パラメータの更新には、例えばニューラルネットワークのパラメータを勾配法などの手法を用いて更新する。一方、パラメータ更新部３４０は、目的関数計算部３３０から受信した目的関数が、所定の条件を満たしていると判断した場合には、現状の騒音予測パラメータｐを有した予測モデル部を学習済モデルＷとして出力する（ステップＳ３４０）。学習済モデルＷは、図１で示した騒音予測パラメータｐに格納されることとなる。
［能動騒音制御装置の変形例］
　上述した能動騒音制御装置１は、図５で示した能動騒音制御装置１’のような変形例として構成してもよい。変形例に係る能動騒音制御装置１’が上述した能動騒音制御装置１と異なる点は以下の通りである。能動騒音制御装置１’は参照マイク１０が必須の構成要素でなくなっている。これに伴い、騒音予測部２０が、騒音予測部２１へと変更になっている。二次経路モデル５０が第１の二次経路モデル５０Ａへと変更されている。第１の二次経路モデル５０Ａと同等の機能を有した、第２の二次経路モデル５０Ｂが追加されている。また、参照音生成部８０が新たに追加されている。この能動騒音制御装置１’が図６に示した各ステップの処理を行うことにより本変形例に係る能動騒音制御方法が実現される。
　以下、図５及び図６を参照しながら、能動騒音制御装置１と異なる部分を中心に能動騒音制御装置１’が実行する能動騒音制御方法の処理手続きを説明する。なお、第１の二次経路モデル５０Ａが行うステップＳ５０Ａは、既述の二次経路モデル５０が行うステップＳ５０と同等の処理を行うため、その説明は割愛する。
（騒音予測部２１）
　騒音予測部２１は、一次経路Ｐを伝搬して特定位置Ｚまで到達する騒音を、入力として受け付けた騒音（後述する参照音としての騒音ｘ’’’（ｎ））から予測する。即ち、騒音予測部２１は、後述する参照音生成部８０から受信した騒音ｘ’’’（ｎ）を入力として、一次経路Ｐを伝搬して前記特定位置Ｚに到達する騒音源Ｎの騒音ｄ（ｎ）を予測し、その予測結果である騒音ｘ’（ｎ）を騒音制御フィルタ３０と、二次経路モデル５０に出力する（ステップＳ２１）。騒音予測部２０は、例えば、線形の畳み込みで構成してもよいし、後述するように、ニューラルネットワーク技術を用いて学習させ、その学習されたネットワーク（学習済モデル）を用いた構成としてもよい。
（第２の二次経路モデル５０Ｂ）
　第２の二次経路モデル５０Ｂは、二次経路Ｓを伝搬して特定位置Ｚに到達する、騒音制御フィルタ３０により生成されたキャンセル音ｙ（ｎ）を推定する。即ち、第２の二次経路モデル５０Ｂは、二次経路Ｓの影響を補償するため、キャンセル音ｙ（ｎ）が二次経路Ｓを伝搬した際に特定位置Ｚに到達する騒音である推定し、推定結果である騒音ｄ’’（ｎ）を参照音生成部８０へ出力する（二次経路Ｓ５０Ｂ）。
（参照音生成部８０）
　参照音生成部８０は、第２の二次経路モデル５０Ｂが推定した騒音ｄ’’（ｎ）と、誤差マイク６０が検出した干渉音ｅ（ｎ）とを入力として、騒音予測部２１が入力として受け付ける騒音ｘ’’’（ｎ）を生成する。ここで、騒音ｘ’’’（ｎ）は、騒音ｄ’’（ｎ）と、騒音ｄ（ｎ）と、騒音ｄ’（ｎ）とからなる騒音である。参照音生成部８０は、この騒音ｘ’’’（ｎ）を参照音（能動騒音制御装置１における騒音ｘ（ｎ）に相当）として騒音予測部２１に出力する。騒音予測部２１は、この参照音（騒音ｘ’’’（ｎ））を入力として受け付けた騒音として、騒音予測部２１の処理を実行する。
　以上、本実施形態の変形例について説明した。本変形例における能動騒音制御装置１’は参照マイク１０を有していない。これは、能動騒音制御装置１に比して装置全体の規模を小さくすることができる一方で、能動騒音制御装置１’の騒音予測部２１に入力される参照音（騒音ｘ’’’（ｎ））が、能動騒音制御装置１の騒音予測部２０に入力される騒音ｘ（ｎ）と比して遅延が生じてしまうこととなる。しかし、能動騒音制御装置１’は、二次経路モデル５０を、二次経路Ｓの影響を適用アルゴリズムにおいて補償するだけでなく（第１の二次経路モデル５０Ａ）、参照音を生成するために利用しており（第２の二次経路モデル５０Ｂ）、例えば、騒音予測部２１の学習済モデルの構築において、この遅延を考慮に入れた学習を事前に実施させた学習済みモデルを採用することによって、能動騒音制御装置１と遜色ない程度に、特定位置での騒音の減衰効果を得ることも期待できる。
　なお、本変形例では、第２の二次経路モデル５０Ｂや参照音生成部８０の追加を行ったが、これらの要素を追加することなく、例えば誤差マイク６０に指向性を切り替えられるような機能を持たせてもよい。当該誤差マイクは、一次経路Ｐを伝わって騒音源Ｎから到達した騒音ｄ（ｎ）を取得し、この騒音ｄ（ｎ）に適切な増幅処理やアナログデジタル変換処理を施した上で、騒音予測部２１に出力するように構成することが考えられる。騒音予測部２１がニュートラルネットワーク技術を採用する場合には、上述の構成にあうにように事前に学習させた学習済モデルを用意しておくことが必要となる。
　以上、この開示の実施形態、及び変形例について説明したが、具体的な構成は、これらの実施形態や変形例に限られるものではなく、この開示の趣旨を逸脱しない範囲で適宜設計の変更等があっても、この開示に含まれることはいうまでもない。実施形態や変形例において説明した各種の処理は、記載の順に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。
［プログラム、記録媒体］
　上述の各種の処理は、図７に示すコンピュータ２０００の記録部２０２０に、上記方法の各ステップを実行させるプログラムを読み込ませ、制御部２０１０、入力部２０３０、出力部２０４０、表示部２０５０などに動作させることで実施できる。
　この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。
　また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ－ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。
　このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。そして、処理の実行時、このコンピュータは、自己の記録媒体に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｅｒｖｉｃｅ　Ｐｒｏｖｉｄｅｒ）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。
　また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、本装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。

Claims (7)

  1. 　能動騒音制御装置が実行する能動騒音制御方法であって、
    　参照マイクが、騒音源の騒音を検出し、
    　騒音予測部が、前記騒音源から特定位置までの一次経路を伝搬して前記特定位置に到達する、前記検出した前記騒音を予測し、
    　騒音制御フィルタが、前記予測された前記騒音と、所定の係数とを用いて、騒音制御用のキャンセル音を生成し、
    　二次音源が、前記生成された前記キャンセル音を放射し、
    　二次経路モデルが、前記二次音源から前記特定位置までの二次経路を伝搬して前記特定位置に到達する、前記予測された前記騒音を推定し、
    　前記特定位置に配置された誤差マイクが、前記一次経路を伝搬して前記特定位置に到達した前記騒音源の騒音と、前記二次経路を伝搬して前記特定位置に到達した前記放射された前記キャンセル音との干渉音を検出し、
    　係数更新部が、前記推定された前記騒音と、前記検出された前記干渉音とを入力とし、前記騒音制御フィルタが用いる前記所定の係数を更新する、
    能動騒音制御方法。
  2. 　前記騒音予測部は、線形の畳み込みで構成されている請求項１に記載の能動騒音制御方法。
  3. 　前記騒音予測部は、ニューラルネットワークにより学習された学習済モデルで構成されている請求項１に記載の能動騒音制御方法。
  4. 　前記学習済モデルは、騒音予測学習装置による騒音予測学習方法により学習されたものであり、
    　前記騒音予測学習装置による前記騒音予測学習方法は、
    　パラメータ記憶部が、記憶している騒音予測パラメータを出力し、
    　予測モデル部が、前記出力された前記騒音予測パラメータを使用して、前記一次経路を伝搬して特定位置に到達する、受信した信号系列を予測し、
    　目的関数計算部が、前記予測された前記信号系列と、正解データである信号系列とを入力として目的関数を計算し、
    　パラメータ更新部が、前記計算された前記目的関数が所定条件を満たさないと判断した場合には、前記パラメータ記憶部に記憶されている前記騒音予測パラメータを更新し、前記計算された前記目的関数が所定条件を満たしたと判断した場合には、現状の騒音予測パラメータを有した予測モデル部を前記学習済モデルとして出力する、
    請求項３に記載の能動騒音制御方法。
  5. 　能動騒音制御装置が実行する能動騒音制御方法であって、
    　騒音予測部が、騒音源から特定位置までの一次経路を伝搬して前記特定位置まで到達する騒音を、入力として受け付けた騒音から予測し、
    　騒音制御フィルタが、前記予測された前記騒音と、所定の係数とを用いて、騒音制御用のキャンセル音を生成し、
    　二次音源が、前記生成された前記キャンセル音を放射し、
    　第１の二次経路モデルが、前記二次音源から前記特定位置までの二次経路を伝搬して前記特定位置に到達する、前記予測された前記騒音を推定し、
    　前記特定位置に配置された誤差マイクが、前記一次経路を伝搬して前記特定位置に到達した前記騒音源の騒音と、前記二次経路を伝搬して前記特定位置に到達した前記放射された前記キャンセル音との干渉音を検出し、
    　係数更新部が、前記推定された前記騒音と、前記検出された前記干渉音とを入力とし、前記騒音制御フィルタが用いる前記所定の係数を更新し、
    　第２の二次経路モデルが、前記二次経路を伝搬して前記特定位置に到達する、前記生成された前記キャンセル音を推定し、
    　参照音生成部が、前記第２の二次経路モデルが推定した前記騒音と、前記誤差マイクが検出した前記干渉音とを入力として、前記騒音予測部が入力として受け付ける前記騒音を生成する、
    能動騒音制御方法。
  6. 　騒音源の騒音を検出する参照マイクと、
    　前記騒音源から特定位置までの一次経路を伝搬して前記特定位置に到達する、前記検出した前記騒音を予測する騒音予測部と、
    　前記予測された前記騒音と、所定の係数とを用いて、騒音制御用のキャンセル音を生成する騒音制御フィルタと、
    　前記生成された前記キャンセル音を放射する二次音源と、
    　前記二次音源から前記特定位置までの二次経路を伝搬して前記特定位置に到達する、前記予測された前記騒音を推定する二次経路モデルと、
    　前記特定位置に配置され、前記一次経路を伝搬して前記特定位置に到達した前記騒音源の騒音と、前記二次経路を伝搬して前記特定位置に到達した前記放射された前記キャンセル音との干渉音を検出する誤差マイクと、
    　前記推定された前記騒音と、前記検出された前記干渉音とを入力とし、前記騒音制御フィルタが用いる前記所定の係数を更新する係数更新部と、
    を有する能動騒音制御装置。
  7. 　請求項１から請求項５のいずれかに記載の能動騒音制御方法をコンピュータに実行させるためのプログラム。
PCT/JP2022/032366 2022-08-29 2022-08-29 能動騒音制御方法、能動騒音制御装置、およびプログラム WO2024047691A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/032366 WO2024047691A1 (ja) 2022-08-29 2022-08-29 能動騒音制御方法、能動騒音制御装置、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/032366 WO2024047691A1 (ja) 2022-08-29 2022-08-29 能動騒音制御方法、能動騒音制御装置、およびプログラム

Publications (1)

Publication Number Publication Date
WO2024047691A1 true WO2024047691A1 (ja) 2024-03-07

Family

ID=90099071

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/032366 WO2024047691A1 (ja) 2022-08-29 2022-08-29 能動騒音制御方法、能動騒音制御装置、およびプログラム

Country Status (1)

Country Link
WO (1) WO2024047691A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10171465A (ja) * 1996-12-10 1998-06-26 Fuji Xerox Co Ltd 能動消音装置
JP2017161633A (ja) * 2016-03-08 2017-09-14 沖電気工業株式会社 能動騒音制御装置、能動騒音制御プログラム、及び能動騒音制御方法
JP2018036327A (ja) * 2016-08-29 2018-03-08 沖電気工業株式会社 能動騒音制御装置、能動騒音制御プログラム、及び能動騒音制御方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10171465A (ja) * 1996-12-10 1998-06-26 Fuji Xerox Co Ltd 能動消音装置
JP2017161633A (ja) * 2016-03-08 2017-09-14 沖電気工業株式会社 能動騒音制御装置、能動騒音制御プログラム、及び能動騒音制御方法
JP2018036327A (ja) * 2016-08-29 2018-03-08 沖電気工業株式会社 能動騒音制御装置、能動騒音制御プログラム、及び能動騒音制御方法

Similar Documents

Publication Publication Date Title
Zhang et al. Deep ANC: A deep learning approach to active noise control
US10147411B2 (en) Active noise cancellation device
JP4742226B2 (ja) 能動消音制御装置及び方法
Wu et al. A simplified adaptive feedback active noise control system
JP5318813B2 (ja) 無限インパルス応答フィルタを用いたアクティブノイズ制御のためのシステム
US9559736B2 (en) Auto-selection method for modeling secondary-path estimation filter for active noise control system
JP4790843B2 (ja) 能動消音装置および能動消音方法
WO1999053476A1 (fr) Dispositif antibruit actif
Shen et al. Alternative switching hybrid ANC
Akhtar et al. Online secondary path modeling in multichannel active noise control systems using variable step size
JP2012123135A (ja) 能動騒音低減装置
Wu et al. Active noise control pillow based on the combination of the fixed and adaptive feedback structures
Sahib et al. Nonlinear FXLMS algorithm for active noise control systems with saturation nonlinearity
WO2024047691A1 (ja) 能動騒音制御方法、能動騒音制御装置、およびプログラム
Gowtham et al. A family of adaptive Volterra filters based on maximum correntropy criterion for improved active control of impulsive noise
Lasota et al. Iterative learning approach to active noise control of highly autocorrelated signals with applications to machinery noise
JPH11168792A (ja) 音場制御装置
Yin et al. Selective fixed-filter active noise control based on frequency response matching in headphones
Akhtar et al. A simplified method for online acoustic feedback path modeling and neutralization in multichannel active noise control systems
JP7439915B2 (ja) 振動キャンセル方法、装置及びプログラム
Akhtar A normalized filtered-x generalized fractional lower order moment adaptive algorithm for impulsive ANC systems
WO2023139753A1 (ja) 騒音抑圧装置、騒音抑圧方法、およびプログラム
JP7447993B2 (ja) 消去フィルタ係数生成方法、消去フィルタ係数生成装置、プログラム
US12002445B2 (en) Cancel filter coefficient generation method, cancel filter coefficient generation apparatus, and program
WO2023139754A1 (ja) 騒音抑圧装置、騒音抑圧システム、騒音抑圧方法、およびプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22957295

Country of ref document: EP

Kind code of ref document: A1