【技术实现步骤摘要】
一种基于神经网络的反馈式降噪方法
本专利技术涉及降噪
，特别涉及一种基于神经网络的反馈式降噪方法。
技术介绍
如图1所示为反馈式主动降噪的基本原理图，在B位，扬声器产生和原始噪声信号幅值相同，但相位相反的反向信号，原始噪声信号和反向信号从而相互抵消。残差信号被C位的误差麦克风拾取，并输入到反馈降噪控制器中给。反馈降噪控制器输出信号，通过扬声器产生和原始噪声信号幅值相同，方向相反的反向信号。对于反馈控制器，因为存在来自误差麦克风的反馈信号，因此反馈降噪控制器的参数可以进行在线调整。如图2所示为反馈式降噪控制器和次级通道辨识原理图，其基本原理：误差信号麦克风拾取原始噪声信号和扬声器产生的反向噪声叠加后的残差信号，然后通过这个残差信号，对于反馈式降噪控制器的参数进行自适应地调整。图2中，噪声参考麦克风信号为x(n)，原始噪声信号为d(n),反向噪声信号为y(n)，误差麦克风信号为e(n)。P(z)是噪声原始通道的传递函数，Wb(n)是反馈控制滤波器的权重系数，S(z)是次级通道传递函数，即反馈控制信号从扬声器输出，通...
【技术保护点】
1.一种基于神经网络的反馈式降噪方法，其特征在于：基于噪声参考麦克风、前馈控制滤波器、反馈控制滤波器、误差麦克风和扬声器，方法包括以下步骤：/n1)噪音参考麦克风对初始噪音进行拾音并经转换后得到噪声参考信号；/n2)将噪声参考信号经过反馈控制滤波器后得到反向噪声信号；/n3)将反向噪声信号转换成模拟信号经扬声器输出，产生次级声源，误差麦克风对初始噪声叠加次级声源的残余噪声拾音并经转换后得到的误差信号；/n4)使误差信号叠加反向噪声信号之后得到的信号作为初始噪声的估计值；/n5)测算出次级通道传递函数的估计值；/n6)将初始噪声的估计值经过次级通道传递函数的估计值滤波得到反馈...
【技术特征摘要】
1.一种基于神经网络的反馈式降噪方法，其特征在于：基于噪声参考麦克风、前馈控制滤波器、反馈控制滤波器、误差麦克风和扬声器，方法包括以下步骤：
1)噪音参考麦克风对初始噪音进行拾音并经转换后得到噪声参考信号；
2)将噪声参考信号经过反馈控制滤波器后得到反向噪声信号；
3)将反向噪声信号转换成模拟信号经扬声器输出，产生次级声源，误差麦克风对初始噪声叠加次级声源的残余噪声拾音并经转换后得到的误差信号；
4)使误差信号叠加反向噪声信号之后得到的信号作为初始噪声的估计值；
5)测算出次级通道传递函数的估计值；
6)将初始噪声的估计值经过次级通道传递函数的估计值滤波得到反馈控制滤波器的输入信号，根据该输入信号和误差信号测算出反馈控制滤波器的权重系数；
7)将初始噪声的估计值经过反馈控制滤波器的权重系数滤波得到的信号标记为反向噪声信号，然后重复上述的步骤3)至步骤6)，直到信号处理完毕；
其中，利用BP神经网络测算出次级通道传递函数的估计值或/和反馈控制滤波器的权重系数。
2.根据权利要求1所述的一种基于神经网络的反馈式降噪方法，其特征在于：利用BP神经网络测算出次级通道传递函数的估计值和利用LMS算法/RLMS算法测算出反馈控制滤波器的权重系数。
3.根据权利要求1所述的一种基于神经网络的反馈式降噪方法，其特征在于：利用LMS算法/RLMS算法测算出次级通道传递函数的估计值和利用BP神经网络测算出反馈控制滤波器的权重系数。
4.根据权利要求1、2或3所述的一种基于神经网络的反馈式降噪方法，其特征在于：所述BP神经网络测算出方法包括以下步骤：
1)建立BP神经网络测算出模型；
2)对BP神经网络进行优化训练；
3)利用优化训练后的BP神经网络进行测算，得到测算值。
其中，所述测算值为次级通道传递函数的估计值或/和反馈控制滤波器的权重系数。
5.根据权利要求4所述的一种基于神经网络的反馈式降噪方法，其特征在于：所述BP神经网络通过Sigmoid函数或双曲正切函数建立输入与输出关系。
6.根据权利要求5所述的一种基于神经网络的反馈式降噪方法，其特征在于：所述BP神经网络通过双曲正切函数建立输入与输出关系；
所述其输入为net＝x1w1+x2w2+…+xnwn；
所述其输出为y＝f(net)；
所述输入层有n个神经元，隐含层有h个神经元,输出层有q个神经元；
输入向量：x＝(x1,x2,…,xn)；
隐含层输入向量：ji＝(ji1,ji2,…,jih)；
隐含层输出向量：jo＝(jo1,jo2,…,joh)；
输出层输入向量...
【专利技术属性】
技术研发人员：胡中骥，钟鑫，张鑫，
申请(专利权)人：佳禾智能科技股份有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。