一种基于神经网络的混合式主动降噪叠加方法和装置制造方法及图纸

本发明专利技术公开了一种基于神经网络的混合式主动降噪叠加方法，包括：W

【技术实现步骤摘要】
一种基于神经网络的混合式主动降噪叠加方法和装置
本专利技术属于混合式主动降噪
，更具体地说，尤其涉及一种基于神经网络的混合式主动降噪叠加方法和装置。
技术介绍
对于混合式主动降噪的数字方案，一般包含前馈式降噪和反馈式降噪。如图1所示：前馈式降噪，在A位，参考麦克风拾取噪声信号，通过前馈降噪控制器，产生和原始噪声反向的信号，然后通过扬声器输出，在B位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。反馈式降噪，在C位的误差信号麦克风，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，通过反馈控制器，产生和残差信号幅值相同，相位相反的反向信号，进一步将残差噪声消除。一般的数字式降噪控制器采用FIR(有限冲击响应)滤波器或者IIR(无限冲击相应)滤波器。这两类滤波器属于线性滤波器。当从前馈控制通道，即A位噪声源到B位扬声器过程中原始噪声传播的路径，存在非线性环节，比如输入噪声过大，导致器件产生非线性；或者从B位的扬声器到C位的误差麦克风传递函数存在非线性，比如扬声器处于饱和，则前馈和反馈式线性滤波器不能处理由于非线性产生的谐波，以及交调失真，从而导致主动降噪的性能变差。另外在常规的混合式降噪控制器中，如图2所示，噪声参考麦克风信号为x(n)，目标信号为d(n),前馈滤波器输出为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，Wf(n)是前馈滤波器，Wb(n)是反馈式滤波器，LMS(LeastMeanSquare)是对滤波器参数进行迭代的最小均方差迭代算法；S(z)是次级通道，即从控制信号从扬声器输出，通过扬声器推动空气，传递到麦克风吸取的整个路径的传递函数。一般次级通道的传递函数不能获得，只能进行估计。图中S’(z)即为S(Z)的估计，另外对于反馈控制器，不能获得原始噪声信号的信息，此时可以将误差信号麦克风信号e(n)，加上每次控制迭代输出的反向噪声信号y(n)，作为原始噪声信号d(n)的估算值d’(n)；其中Wf(n)，Wb(n)均可采用FIR或者IIR滤波器实现。一般的数字式前馈式降噪控制器采用FIR(有限冲击响应)滤波器或者IIR(无限冲击相应)滤波器。这两类滤波器属于线性滤波器。当从A位噪声源到B位扬声器过程中原始噪声传播的路径中存在非线性环节，比如原始噪声过大，导致器件产生非线性；或者从B位的扬声器到C位的误差麦克风传递函数存在非线性，比如扬声器处于饱和，则线性滤波器不能处理由于非线性产生的谐波，以及交调失真，从而降低降噪的性能。
技术实现思路
本专利技术的目的是为了解决现有技术中存在的缺点，对于从A位噪声源到B位扬声器过程中原始噪声传播的路径中存在非线性环节，比如原始噪声过大，导致器件产生非线性的情况，前馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制；从C位的误差麦克风到B位扬声器的控制通道中存在非线性环节，比如误差麦克风存在非线性，或者放大器存在非线性，反馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制，而提出的一种基于神经网络的混合式主动降噪叠加方法和装置。为实现上述目的，本专利技术提供如下技术方案：一种基于神经网络的混合式主动降噪叠加方法，包括：Wf(n)或/和Wb(n)由线性滤波器FIR或者IIR实现，滤波器参数根据LMS或者RLMS算法进行迭代，S(z)因为具有非线性，因此S’(z)仍然可以用神经网络来进行估计，神经网络的参数根据BP算法进行迭代求解；还包括两种方法：方法一，直接修改次级信道的传递函数；S(z)是次级信道传递函数；(y(n)-e(n)*Wb(n))*S＝e(n)进一步求解可得出：y(n)*S(Z)-e(n)*Wb(n)*S(z)＝e(n)y(n)*S(Z)＝e(n)*(1+Wb(n)*S(z))进一步求解可得出，实际的次级信道估计S’(z)实际是原始的次级信道S(z)以及反馈控制器Wb(n)的函数，计算如下：此时将前馈和反馈控制器进行叠加，在计算前馈控制滤波器Wf(n)计算时，所采用的S’(z)必须是包含有原始滤波器和反馈控制器的函数，即前馈滤波器的神经网络算法中，BP算法的输入信息包括反馈滤波器的信息，即Wf(n)＝f(x(n),S(z),Wb(n))；方法二，利用在线测量次级信道S’(z)；反馈控制器开启之后，在喇叭处注入一个激励信号，然后在参考麦克风处进行接收，根据输入输出的来计算得到次级信道整体的传递函数；u(n)是输入的激励信号，假定次级信道用神经网络来建模，一路通过带反馈控制器Wb(n)从喇叭输出到参考麦克风，得到误差信号e(n)，另外一路是通过神经网络描述的次级信道估计S’(z)，输出的信号和e(n)相减，得到两路信号的的差值e’(n)，这个差值作为求解反向次级信道神经网络S’(z)的反向传播算法BP的输入值，通过不断调整S’(z)的参数，使得e’(n)趋近于零，从而使得S’(z)成为带反馈控制器Wb(n)的次级信道传递函数的近似估计。优选的，S’(z)用神经网络来进行估计时，S’(z)进行BP估算时的输入信号包括随机信号。优选的，神经网络的参数进行迭代求解根据的BP算法为反向传播算法。优选的，在计算前馈控制滤波器Wf(n)计算时，所采用的S’(z)必须是包含有原始滤波器和反馈控制器的函数，该函数如何构造，并不影响这个前馈滤波器计算需要以来反馈滤波器的信息。优选的，在混合降噪的叠加中，前馈降噪的滤波器和反馈降噪的滤波器输出直接叠加，前馈降噪滤波器的计算需要用到次级信道的估计值；而在叠加过程中，次级信道的传递函数会发生变化。优选的，即对于前馈降噪而言，没有反馈降噪的次级信道传递函数和有反馈降噪的传递函数已经完全不同。优选的，在混合降噪的叠加过程中，需要将反馈降噪的对于次级信道的影响计入，不然因为次级信道传递函数的估计不准，导致前馈降噪和反馈降噪的叠加，不能使得叠加之后的降噪效果等于前馈降噪的效果加上反馈降噪的效果。优选的，所述LMS算法为最小均方算法。优选的，方法二中，在喇叭处注入的一个激励信号包括随机信号与利用喇叭现有的激励信号。本专利技术还提出一种基于神经网络的混合式主动降噪叠加装置，包括基于神经网络的混合式主动降噪叠加装方法。本专利技术的技术效果和优点：本专利技术提供的一种基于神经网络的混合式主动降噪叠加方法和装置，与现有技术相比，对于从A位噪声源到B位扬声器过程中原始噪声传播的路径中存在非线性环节，比如原始噪声过大，导致器件产生非线性的情况，前馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制；从C位的误差麦克风到B位扬声器的控制通道中存在非线性环节，比如误差麦克风存在非线性，或者放大器存在非线性，反馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制。附图说明图1为现有技术中混合式降噪的示意图；图2为现有技术中混合式降噪线性控制器本文档来自技高网...

【技术保护点】
1.一种基于神经网络的混合式主动降噪叠加方法，其特征在于，包括：/nW

【技术特征摘要】
1.一种基于神经网络的混合式主动降噪叠加方法，其特征在于，包括：
Wf(n)或/和Wb(n)由线性滤波器FIR或者IIR实现，滤波器参数根据LMS或者RLMS算法进行迭代，S(z)因为具有非线性，因此S’(z)仍然可以用神经网络来进行估计，神经网络的参数根据BP算法进行迭代求解；
还包括两种方法：
方法一，直接修改次级信道的传递函数；
S(z)是次级信道传递函数；
(y(n)-e(n)*Wb(n))*S＝e(n)
进一步求解可得出：
y(n)*S(Z)-e(n)*Wb(n)*S(z)＝e(n)
y(n)*S(Z)＝e(n)*(1+Wb(n)*S(z))
进一步求解可得出，实际的次级信道估计S’(z)实际是原始的次级信道S(z)以及反馈控制器Wb(n)的函数，计算如下：



此时将前馈和反馈控制器进行叠加，在计算前馈控制滤波器Wf(n)计算时，所采用的S’(z)必须是包含有原始滤波器和反馈控制器的函数，即前馈滤波器的神经网络算法中，BP算法的输入信息包括反馈滤波器的信息，即
Wf(n)＝f(x(n)，S(z)，Wb(n))；
方法二，利用在线测量次级信道S’(z)；
反馈控制器开启之后，在喇叭处注入一个激励信号，然后在参考麦克风处进行接收，根据输入输出的来计算得到次级信道整体的传递函数；
u(n)是输入的激励信号，假定次级信道用神经网络来建模，一路通过带反馈控制器Wb(n)从喇叭输出到参考麦克风，得到误差信号e(n)，另外一路是通过神经网络描述的次级信道估计S’(z)，输出的信号和e(n)相减，得到两路信号的的差值e’(n)，这个差值作为求解反向次级信道神经网络S’(z)的反向传播算法BP的输入值，通过不断调整S’(z)的参数，使得e’(n)趋近于零，从而使得S’(z)成为带反馈控制器Wb(n)的次级信道传递函数的近似估计。


2.根据权利要求1所述的一种基于神经网络的混合式主动降噪叠...

【专利技术属性】
技术研发人员：胡中骥，李向才，钟鑫，
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