基于深度神经网络的自适应有源噪声控制系统及其方法技术方案

本发明专利技术涉及一种基于深度神经网络的自适应有源噪声控制系统及其方法，其技术特点是：该系统包括参考麦克风、控制器、作动器和误差麦克风，控制器包括深度神经网络模块和驱动电路；参考麦克风设置于噪声声源附近用于收集参考信号；误差麦克风设置于控制点处用于收集误差信号；深度神经网络模块生成与待控制噪声信号振幅相同相位相反的控制信号并更新网络参数，并将生成的控制信号输出给驱动电路；驱动电路将控制信号输出给作动器；作动器将控制信号转化为控制声波，在控制点处与待控制噪声叠加，进行有源消声。本发明专利技术结合RNN循环神经网络和MLP多层感知机网络，解决了最小均方误差算法无法控制非线性噪声的缺陷，提高了有源噪声控制技术的适用范围。控制技术的适用范围。控制技术的适用范围。

【技术实现步骤摘要】
基于深度神经网络的自适应有源噪声控制系统及其方法


[0001]本专利技术属于有源噪声控制
，尤其是一种基于深度神经网络的自适应有源噪声控制系统及其方法。

技术介绍

[0002]噪声污染是一个全世界都十分关注的环境问题。一般性的噪声干扰会影响人们的正常生活和工作，长期暴露在高噪声环境下更是会对人的心理和生理健康造成严重危害。因此，噪声控制长期以来都是一项重要的工作。
[0003]从策略上讲，传统的噪声控制主要以噪声的声学控制方法为主，技术手段包括吸声处理、隔声处理、振动的隔离与降低等。这些方法的机理在于使噪声声波与声学材料或结构相互作用而消耗声能，从而达到降低噪声的目的，称为“无源”噪声控制。总体上讲，无源控制方法对降低中高频噪声较为有效，而对低频噪声作用不大。为此，有源噪声控制技术给出了一种新的解决方法。
[0004]有源噪声控制技术也称主动降噪技术，其通过设计合理的自适应滤波器，控制一个次级声源发出与原始噪声幅度相同、相位相反的控制声波，利用声波的相消性干涉，使控制声波与原始噪声在控制点处相互叠加并抵消，以达到噪声消除的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的自适应有源噪声控制系统，其特征在于：包括参考麦克风、控制器、作动器和误差麦克风，所述控制器包括深度神经网络模块和驱动电路；所述参考麦克风设置于噪声声源附近，用于收集参考信号并输入至深度神经网络的收入端；所述误差麦克风设置于控制点处，用于收集误差信号并输入至深度神经网络的收入端；所述深度神经网络模块对参考信号进行处理，生成与待控制噪声信号振幅相同相位相反的控制信号，并将生成的控制信号输出给驱动电路；所述深度神经网络模块根据误差信号，利用反向传播算法进行梯度计算，更新网络参数；所述驱动电路将控制信号输出给作动器；所述作动器将控制信号转化为控制声波，在控制点处与待控制噪声叠加，进行有源消声。2.根据权利要求1所述基于深度神经网络的自适应有源噪声控制系统，其特征在于：所述深度神经网络模块为RNN循环神经网络嵌套MLP多层感知机节点的DNN深度神经网络结构，该深度神经网络模块由1个输入层、1个隐藏层和1个输出层组成的3层深度网络构成，其中输入层包括5个输入节点，隐藏层由10个RNN循环神经元和一个MLP节点组成，输出层包括一个输出节点。3.根据权利要求1或2所述基于深度神经网络的自适应有源噪声控制系统，其特征在于：所述控制器为集成电路硬件芯片，硬件芯片内集成深度神经网络模块和驱动电路。4.一种如权利要求1至3任一项所述基于深度神经网络的自适应有源噪声控制系统的控制方法，其特征在于，包括以下步骤：步骤1、设置于噪声声源附近的参考麦克风收集参考信号并输入至深度神经网络模块中，设置于控制点处的误差麦克风收集误差信号并输入至深度神经网络模块中；步骤2、深度神经网络模块根据误...

【专利技术属性】
技术研发人员：施麟，白宇田，唐俊，闫宏生，陈君，
申请(专利权)人：天津大学，
类型：发明
国别省市：