一种基于声源分离的有源噪声控制方法技术

本发明专利技术提出一种基于声源分离的有源噪声控制方法，在多声源同时发声的情况下，首先利用时域分离网络对参考信号进行分离，然后将主噪声信号作为参考信号输入到控制系统中，与传统方法相比能过获得更大的降噪量。分离网络可以作为ANC系统的前端模块，无需占用系统资源。无需占用系统资源。无需占用系统资源。

【技术实现步骤摘要】
一种基于声源分离的有源噪声控制方法


[0001]本专利技术涉及有源噪声控制领域，提出了一种基于声源分离的有源噪声控制方法。

技术介绍

[0002]噪声污染是环境污染中一个特别突出的问题。噪声控制方法可以分为无源噪声控制和有源噪声控制(Active Noise Control，ANC)。无源噪声控制主要是依靠不同的隔音材料或者吸声结构来隔绝、吸收噪声能量。无源噪声控制的优势主要在于对中、高频的噪声具有很强的降噪效果，但是对低频噪声的控制性能大打折扣。针对低频噪声，人们提出了ANC，根据声波的相消性干涉原理，自适应地实现对初级噪声的控制。
[0003]ANC系统中常用的是前馈控制系统，需要在噪声源附近布置参考传感器获取参考信号。当存在多个声源时，参考传声器同时拾取多个噪声信号，包括主噪声信号和其它干扰信号。例如，主噪声信号受到脉冲噪声或语音的干扰，后者并不是初级噪声的主要来源。在传统方法中，并没有对参考信号进行处理，而是直接将其作为系统的输入参与到算法的迭代中，使其降噪量受到一定限制。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提出一种基于声源分离的有源噪声控制方法，在多声源同时发声的情况下，首先利用时域分离网络对参考信号进行分离，然后将主噪声信号作为参考信号输入到控制系统中，与传统方法相比能过获得更大的降噪量。分离网络可以作为ANC系统的前端模块，无需占用系统资源。
[0005]本专利技术的技术方案为：
[0006]一种基于声源分离的有源噪声控制方法，包括以下步骤：
[0007]步骤1：建立并训练端到端时域声源分离系统；
[0008]步骤2：利用参考传感器拾取多个噪声源发出的混合参考信号x(n)，
[0009]步骤3：利用步骤1建立的时域声源分离系统对所述混合参考信号x(n)进行分离，得到来自主噪声源s1(n)的信号x1(n)，作为控制滤波器的输入，获得次级信号y(n)，有
[0010][0011]式中w(n)为控制滤波器的权系数；
[0012]步骤4：次级信号驱动次级声源产生抵消信号y'(n)，利用抵消信号y'(n)以及所述多个噪声源的初级声场在误差传感器处的声压叠加后形成误差信号e(n)；
[0013]步骤5：利用主噪声源s1(n)的信号x1(n)、次级通路传递函数h(n)以及误差信号e(n)对控制滤波器权系数进行迭代：
[0014]w(n+1)＝w(n)
‑
μr(n)e(n)
[0015]式中μ为步长参数，r(n)＝x1(n)*h(n)。
[0016]进一步的，采用基于深度学习的网络构建所述时域声源分离系统；所述时域声源分离系统编码器
‑
分离器
‑
解码器的框架进行搭建；其中编码器通过一维卷积层实现，分离
(n)的信号成分x1(n)，然后将x1(n)代替x(n)进入控制系统参与运算。
[0036]近年来，基于深度学习的网络在声源分离的任务中表现优良，有些网络甚至具备了与人耳相当的性能。这些网络将分离任务描述为监督学习问题，从任务优化的角度来开发统计模型。因此，本专利技术中采用基于深度学习的网络构建时域声源分离系统。
[0037]在ANC开始之前，先对分离网络进行训练，首先建立训练数据集，在训练数据集中应该包含多种噪声源；从训练数据集中随机选择两个不同声源种类，并以随机信噪比进行混合获得混合声源；搭建端到端时域声源分离系统，依据编码器
‑
分离器
‑
解码器的框架创建时域分离网络；其中编码器通过一维卷积层实现；分离器用于估计声源的掩蔽矩阵；解码器为一维反卷积层；来自分离器的每个声源的掩蔽矩阵与来自编码器的混合声的二维表达相乘，之后能够通过解码器合成分离声源的时域信号；利用得到的混合声源数据对时域分离网络进行训练，获得端到端时域声源分离系统。网络框架如图2所示。
[0038]分离网络具有多种评估指标，其主要依据网络估计出来的信号和原有信号之间的差距来衡量网络的性能。网络的输入为混合声的时域信号x，由真实信号t1和t2构成，
[0039]x＝t1+t2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)网络的输出为x1和x2，分别表示对两个声源的估计。估计出的信号x可以分解为，
[0040]x＝t+e
interf
+e
noise
+e
artif
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0041]其中t表示原信号(允许存在线性增益)。估计出的信号x还包含三类失真：来自其他声源的干扰(e
interf
)、传感器采样带来的通道噪声(e
noise
)和其他原因(如算法)引入的失真(e
artif
)。
[0042]分离系统最常用的指标为尺度不变的信号干扰比(Scale
‑
Invariant Source
‑
to
‑
Distortion Ratio，SI
‑
SDR)，
[0043][0044]待训练完成后，利用以下步骤进行基于声源分离的有源噪声控制，在算法中没有设置结束标准，而是通过人为控制：
[0045]首先，利用参考传感器拾取噪声源发出的混合参考信号x(n)，这里x(n)来自噪声源s1(n)和噪声源s2(n)；
[0046]其次，利用建立并训练后的时域声源分离系统对所述混合参考信号x(n)进行分离，得到来自主噪声源s1(n)的信号x1(n)，作为控制滤波器的输入，获得次级信号y(n)，有
[0047][0048]式中w(n)为控制滤波器的权系数；
[0049]之后，次级信号驱动次级声源产生抵消信号y'(n)，利用抵消信号y'(n)以及噪声源的初级声场在误差传感器处的声压d1(n)和d2(n)叠加后形成误差信号e(n)；
[0050]在有源噪声控制过程中，利用主噪声源s1(n)的信号x1(n)、次级通路传递函数h(n)以及误差信号e(n)对控制滤波器权系数进行迭代：
[0051]w(n+1)＝w(n)
‑
μr(n)e(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0052]式中μ为步长参数，r(n)＝x1(n)*h(n)。从而实现更好的降噪效果。
[0053]下面结合具体实施例描述本专利技术，所述实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0054](1)首先训练卷积时域音频分离网络(convolutional time
‑
domain audio separation network，ConvTasNet)。训练数据集分别为来自LibriSpeech数据集的语音、来自MUSAN数据集的无人声音乐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声源分离的有源噪声控制方法，其特征在于：包括以下步骤：步骤1：建立并训练端到端时域声源分离系统；步骤2：利用参考传感器拾取多个噪声源发出的混合参考信号x(n)，步骤3：利用步骤1建立的时域声源分离系统对所述混合参考信号x(n)进行分离，得到来自主噪声源s1(n)的信号x1(n)，作为控制滤波器的输入，获得次级信号y(n)，有式中w(n)为控制滤波器的权系数；步骤4：次级信号驱动次级声源产生抵消信号y'(n)，利用抵消信号y'(n)以及所述多个噪声源的初级声场在误差传感器处的声压叠加后形成误差信号e(n)；步骤5：利用主噪声源s1(n)的信号x1(n)、次级通路传递函数h(n)以及误差信号e(n)对控制滤波器权系数进行迭代：w(n+1)＝w(n)
‑
μr(n)e(n)式中μ为步长参数，r(n)＝x1(n)*h(n)。2.根据权利要求1所述一种基于声源分离的有源噪声控制方法，其特征在于：采用...

【专利技术属性】
技术研发人员：陈克安，王磊，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：