一种基于粒子群算法的主动降噪算法参数优化方法技术

本发明专利技术公开了一种基于粒子群算法的主动降噪算法参数优化方法，步骤1：种群的随机初始化；步骤2：将群体赋值给待求参数；步骤3：运行主动噪声控制算法，并计算适应度函数对应适应度值；步骤4：确定个体最优位置和全局最优位置；步骤5：判断迭代次数是否达到上限；若未达到则继续执行以下步骤6；若达到，则输出优化变量值；步骤6：对粒子的速度与位置进行更新，得到新的群体，之后再次执行步骤2至步骤5。

【技术实现步骤摘要】
一种基于粒子群算法的主动降噪算法参数优化方法
本专利技术涉及本专利技术属于主动噪声控制
，特别涉及一种基于粒子群算法的主动降噪算法参数优化方法。
技术介绍
随着人们对汽车车内舒适性及NVH性能的追求，车内噪声得到了越来越多的重视。长期处于噪声环境中，不仅影响驾驶安全，还会给人们身心健康造成很大程度上的危害。因此，控制车内噪声已经成为汽车行业中一个重要的研究方向。传统的被动噪声控制对高频噪声的控制效果很有效，但对低频噪声的控制却不理想。而主动噪声控制利用声波干涉的原理，可以对低频噪声起到很好的抑制作用，并且能够有效提升车内声品质。其中，自适应滤波算法是主动噪声控制的核心，而最小均方(LeastMeanSquare，LMS)算法以其算法简单、计算量小的特点被广泛应用。但在主动噪声控制实际应用中存在次级声通道，出现不稳定的问题。Widrow基于该特点，将LMS算法改进为滤波－x最小均方(Filter-xLeastMeanSquare，FxLMS)算法消除了次级通道的影响。对于采用定步长FxLMS算法的车内噪声主动控制系统存在收敛速度与稳态误差无法兼顾的缺陷，本技术方案在算法初始收敛阶段时予以较大的步长以得到较快的收敛速度，而在算法收敛之后，权矢量逐渐达到最优值，予以较小的步长以获得较小的稳态误差，并且当残余误差逐渐接近于0时，要求具有缓慢变化的特性，避免在稳态过程因误差偶尔的波动而造成步长的大幅变化。将类似的步长调节方式应用于传统车内噪声主动控制系统采用的FxLMS算法中，将有利于改善实际的降噪效果。而在试验研究或实际应用中，对于算法中涉及的多个参数，普遍采用试凑法或正交法来确定最优值，这些方法操作繁琐且精度不高。而粒子群优化算法(PSO)是基于个体与群体的社会行为来进行寻优的一种算法，其属于智能优化算法类别。类似于其它群体搜索算法，粒子群优化算法也是根据群体对环境的适应度来指引个体动态移动到最优区间。但该算法的独特不同之处在于，算法中的每个个体仅被认为是整个寻优空间中以特定速度与方向飞行的粒子，整个优化过程不存在粒子间的交叉变异和重组等进化过程。粒子群优化算法具有编程简单、容易实现、寻优速度快、优化效果显著等优点，能有效地解决复杂优化问题。将PSO算法应用于主动降噪算法的参数选取中，不仅能提高精度，而且能大大缩短参数选择的时间，提高算法研究或系统调试的效率。
技术实现思路
本专利技术提出一种基于粒子群算法的主动降噪算法参数优化方法，针对主动噪声控制算法中涉及的参数通过粒子群优化算法进行选取，旨在寻找使得该目标函数最小的最优参数。一种基于粒子群算法的主动降噪算法参数优化方法，步骤1：种群的随机初始化；步骤2：将群体赋值给待求参数；步骤3：代入步骤2中所得参数，采用的主动噪声控制算法，并计算适应度函数对应适应度值；步骤4：确定个体最优位置和全局最优位置；步骤5：判断迭代次数是否达到上限；若未达到则继续执行以下步骤6；若达到，则输出优化变量值；步骤6：对粒子的速度与位置进行更新，得到新的群体，之后再次执行步骤2至步骤5。作为进一步的优选，所述步骤1中生成一定种群规模的粒子，随机初始化每个粒子的初始速度vij(t＝0)与位置xij(t＝0)；其中，i为优化参数的编号，即第i个优化参数，j为每个粒子的编号，即第j个粒子，vij(t)表示在第t次迭代时第i维优化参数的第j个粒子的速度和xij(t)表示在第t次迭代时第i维优化参数的第j个粒子的位置。作为进一步的优选，采用定步长FxLMS算法时，当μ(n)＝μ0，μ0为定值，利用步骤2中的参数vari，令μ0＝var1；或者采用不定步长FxLMS算法时当μ(n)不为定值时，此时：其中，α和β为大于零的常数。利用步骤二的参数，令α＝var1，β＝var2。作为进一步的优选，所述步骤3中，所述适应度函数的适应度值fitv：其中n指的是当前迭代次数，M指的是总的迭代次数，e(n)指迭代到第n次时主动降噪仿真算法所输出的残余误差值。作为进一步的优选，所述步骤4中，初次迭代时，将每个粒子的当前位置设为个体最优位置pbest，初次迭代后，对每个粒子的当前位置与其历史最优位置进行比较，若当前位置更优，则将其替代pbest，否则个体最优位置不变；将所有个体的最优值pest与整个群体的当前的全局最优位置gbest进行对比，若某个个体的最优值pest更优，则将其替换gbest，否则全局最优位置不变。作为进一步的优选，所述步骤6中，调节每个粒子的位置与速度，使每个粒子朝向其自身历史最佳位置和种群的最优位置，所述更新的公式如下：vij(t+1)＝w·vij(t)+r1·c1·(pbestij(t)-xij(t))+r2·c2·(gbesti(t)-xij(t))xij(t+1)＝xij(t)+vij(t+1)其中i为每个优化参数的编号，即第i个优化参数，j为每个粒子的编号，即第j个粒子，vij(t)和xij(t)分别表示在第t次迭代时第i维优化变量的粒子j的速度和位置，pbestij(t)和pbesti(t)分别代表在第t次迭代时第i个优化参数第j个粒子的最优位置和整个群体第i个优化变量的最优位置；w为惯性权重，c1与c2分别为认知学习因子和社会学习因子、r1与r2均为[0,1]内的随机数。作为进一步的优选，其中，惯性权重w通过线性调整法进行控制，w初始值应取得较大，随着迭代的进行逐渐减小w值，采用以下线性调节法对w值进行控制:其中w1和w2分别代表惯性权重的初值与终值，t与T分别为当前的迭代次数与整个寻优过程的最大迭代次数。本专利技术所述的有益效果：本专利技术提供的一种基于粒子群算法的主动降噪算法参数优化方法与传统普遍采用的试凑法和正交法相比，其优势在于通过程序可以实现最优参数的智能选取，提高参数选取的效率和精度。将类似的步长调节方式应用于传统车内噪声主动控制系统采用的FxLMS算法中，将有利于改善实际的降噪效果。该方法将粒子群算法与主动噪声控制算法相结合，把主动噪声控制算法对降噪效果有直接影响的待定参数设为粒子群算法中的优化参数，把主动噪声控制算法输出的残余误差的均方值设定为粒子群算法的适应度函数或目标函数，粒子群优化算法也是根据群体对环境的适应度来指引个体动态移动到最优区间。附图说明图1为本专利技术的参数优化方法流程图。图2为本专利技术所述的FxLMS算法的框图。图3为本专利技术所述的模拟噪声信号。图4为本专利技术所述的最优参数对应的主动降噪效果图。图5为本专利技术所述的最优参数对应的前1000次迭代的主动降噪效果。图6为本专利技术所述的最优参数对应的前1000-8000次迭代的主动降噪效果。具体实施方式下面结合附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。如图1所示，本专利技术提供了一种基于粒子群算法本文档来自技高网...

【技术保护点】
1.一种基于粒子群算法的主动降噪算法参数优化方法，其特征在于，/n步骤1：种群的随机初始化；/n步骤2：将群体赋值给待求参数；/n步骤3：通过基于FxLMS算法的主动噪声控制算法，并计算适应度函数对应适应度值；/n步骤4：确定个体最优位置和全局最优位置；/n步骤5：判断迭代次数是否达到上限；若未达到则继续执行以下步骤6；若达到，则输出优化变量值；/n步骤6：对粒子的速度与位置进行更新，得到新的群体，之后再次执行步骤2至步骤5。/n

【技术特征摘要】
1.一种基于粒子群算法的主动降噪算法参数优化方法，其特征在于，
步骤1：种群的随机初始化；
步骤2：将群体赋值给待求参数；
步骤3：通过基于FxLMS算法的主动噪声控制算法，并计算适应度函数对应适应度值；
步骤4：确定个体最优位置和全局最优位置；
步骤5：判断迭代次数是否达到上限；若未达到则继续执行以下步骤6；若达到，则输出优化变量值；
步骤6：对粒子的速度与位置进行更新，得到新的群体，之后再次执行步骤2至步骤5。


2.如权利要求1所述的基于粒子群算法的主动降噪算法参数优化方法，其特征在于，所述步骤1中生成一定种群规模的粒子，随机初始化每个粒子的初始速度vij(t＝0)与位置xij(t＝0)；其中，i为优化参数的编号，即第i个优化参数，j为每个粒子的编号，即第j个粒子，vij(t)表示在第t次迭代时第i维优化参数的第j个粒子的速度和xij(t)表示在第t次迭代时第i维优化参数的第j个粒子的位置。


3.如权利要求1或2所述的基于粒子群算法的主动降噪算法参数优化方法，其特征在于，采用定步长FxLMS算法时，当μ(n)＝μ0，μ0为定值，利用步骤2中的参数vari，令μ0＝var1；或者
采用不定步长FxLMS算法时当μ(n)不为定值时，此时：



其中，α和β为大于零的常数。
利用步骤二的参数，令α＝var1,β＝var2。


4.如权利要求1或2所述的基于粒子群算法的主动降噪算法参数优化方法，其特征在于，
所述步骤3中，所述适应度函数的适应度值fitv：
其中n指的是当前迭代次数，M指的是总的迭代次数，e(n)指迭代到第n次时主动降噪仿真算法所输出的残余误差值。


5.如权利要求1...

【专利技术属性】
技术研发人员：陈书明，蒋尧，周政道，张瑞，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22