一种基于改进的循环神经网络的主动降噪方法及系统技术方案

本发明专利技术属于主动降噪技术领域，提供了一种基于改进的循环神经网络的主动降噪方法及系统，该方法包括获取待降噪信号数据；基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；对滤波后的信号通过次级路径模型模拟得到抗噪声信号；依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。不仅保证了信号的时间相关性，而且提高了训练效率。而且提高了训练效率。而且提高了训练效率。

【技术实现步骤摘要】
一种基于改进的循环神经网络的主动降噪方法及系统


[0001]本专利技术属于主动降噪
，尤其涉及一种基于改进的循环神经网络的主动降噪方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着科技和工业的发展，人们生活质量的不断提高，噪声污染也随之产生，逐渐成为影响人们生活质量和身心健康的重要因素。研究表明，轻度噪声会使人焦躁，影响睡眠质量；若长期处在85分贝以上的噪音环境中会影响人的听力，高于120分贝的噪音可以使人丧失听力。同时，噪音还会使人体内皮质醇的分泌增高，导致高血压、心脏病和胃溃疡等疾病的发病几率提升。因此，对噪声进行有效控制受到越来越广泛的关注，如何进行快速有效的噪声控制是当前研究的热点和难点。
[0004]目前对噪声的控制主要分为被动降噪和主动降噪两种。被动降噪大多采用物理的方法从噪声的产生、传播和接收三个方面对噪声信号进行控制，但此方法对于低频噪声降噪效果较差，主动降噪方法基于相消干涉原理，通过产生与噪声信号幅值相同相位相反的抗噪声信号对噪声信号进行抵消，弥补了被动降噪方法对低频噪声降噪效果较差的不足。
[0005]专利技术人发现，传统主动降噪方法大多使用线性滤波器作为控制器，利用自适应算法实时更新滤波器系数，产生抗噪声信号，达到最小化观测点的声压值的目的。但在现实情况中传统线性系统的效果会受到扬声器、等设备存在的非线性失真问题的影响，目前，基于信号处理的主动降噪方法，利用自适应滤波算法更新滤波器系数，产生抗噪声(Anti
‑
noise)信号，此类方法对于现实中的非线性因素地表示精确程度不高，并且系统中扬声器、麦克风等硬件设备对系统效果影响较为明显；此外，以基于BP的前馈神经网络的主动降噪方法为代表的传统神经网络方法，虽然可以对噪声信号进行控制，但难以表示噪声信号的时间相关性。

技术实现思路

[0006]为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供一种基于改进的循环神经网络的主动降噪方法及系统，其使用门控循环单元(GRU)替换传统循环神经网络(RNN)中的隐藏单元，作为控制多频噪声的核心算法，代替传统线性滤波器算法。此外，通过增加隐藏层数量的方式提高网络的表达能力，构成深度神经网络，对噪声信号进行主动控制。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术的第一个方面提供一种基于改进的循环神经网络的主动降噪方法，包括如下步骤：
[0009]获取待降噪信号数据；
[0010]基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；
[0011]其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；
[0012]对滤波后的信号通过次级路径模型模拟得到抗噪声信号；
[0013]依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。
[0014]作为一种可选的实施方式，所述对改进的循环神经网络模型的训练过程包括：
[0015]使用不同信噪比下的模拟噪声信号作为噪声源进行训练；
[0016]获取误差信号，根据该误差信号计算损失函数，向改进的循环神经网络模型进行反馈，直至网络损失函数最小并达到收敛状态。
[0017]作为一种可选的实施方式，所述依据相消干涉原理为根据抗噪声信号与噪声信号具有幅值相同、相位相反的特性。
[0018]作为一种可选的实施方式，在得到去噪后的信号后还包括采用降噪前后的声压差对系统降噪效果进行评价。
[0019]作为一种可选的实施方式，获取待降噪信号数据后，通过主要路径模型进行模拟得到含主要噪声的待降噪信号。
[0020]作为一种可选的实施方式，所述主要路径模型为非线性模型，所述次级路径模型为线性模型。
[0021]本专利技术的第二个方面提供一种基于改进的循环神经网络的主动降噪系统，包括：
[0022]数据获取模块，用于获取待降噪信号数据；
[0023]滤波控制模块，用于基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；
[0024]其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；
[0025]抗噪声信号生成模块，用于对滤波后的信号通过次级路径模型模拟得到抗噪声信号；
[0026]噪声消除模块，用于依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。
[0027]本专利技术的第三个方面提供一种计算机可读存储介质。
[0028]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种基于改进的循环神经网络的主动降噪方法中的步骤。
[0029]本专利技术的第四个方面提供一种计算机设备。
[0030]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于改进的循环神经网络的主动降噪方法中的步骤。
[0031]与现有技术相比，本专利技术的有益效果是：
[0032]本专利技术通过将深度学习知识应用于主动降噪领域中，通过采用门控循环单元替换
传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；对输入的噪声信号进行滤波控制，不仅保证了信号的时间相关性，而且提高了训练效率。
[0033]本专利技术通过主要路径模拟模型得到主要噪声对主要噪声进行滤波，同时将滤波后的信号通过次级路径模型模拟，得到抗噪声信号，最终由滤波控制器产生与主要噪声幅值相同相位相反的抗噪声信号(Anti
‑
noise)，从而达到完全消除主要噪声的目的。解决了传统信号处理方法中非线性失真问题以及传统非线性方法无法很好的学习噪声信号的时间相关性的问题。
[0034]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0035]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0036]图1是本专利技术实施例一基于改进的循环神经网络的主动降噪方法流程图；
[0037]图2是本专利技术实施例一带有GRU的RNN网络的主动降噪方法总体流程框图；
[0038]图3是本专利技术实施例一GRU内部结构图；
[0039]图4是本专利技术实施例一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的循环神经网络的主动降噪方法，其特征在于，包括如下步骤：获取待降噪信号数据；基于待降噪信号数据和训练好的改进的循环神经网络模型对噪声信号进行滤波控制，生成滤波后的信号；其中，所述改进的循环神经网络模型的构建过程为：采用门控循环单元替换传统循环神经网络中的隐藏单元中的tanh函数，形成了一个带有门控的RNN网络，同时使用遗忘门和记忆门对具有时间相关性的噪声信号进行处理；对滤波后的信号通过次级路径模型模拟得到抗噪声信号；依据相消干涉原理，根据抗噪声信号对噪声信号进行消除得到去噪后的信号。2.如权利要求1所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，所述对改进的循环神经网络模型的训练过程包括：使用不同信噪比下的模拟噪声信号作为噪声源进行训练；获取误差信号，根据该误差信号计算损失函数，向改进的循环神经网络模型进行反馈，直至网络损失函数最小并达到收敛状态。3.如权利要求1所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，所述依据相消干涉原理为根据抗噪声信号与噪声信号具有幅值相同、相位相反的特性。4.如权利要求1所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，在得到去噪后的信号后还包括采用降噪前后的声压差对系统降噪效果进行评价。5.如权利要求1所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，获取待降噪信号数据后，通过主要路径模型进行模拟得到含主要噪声的待降噪信号。6.如权利要求5所述的一种基于改进的循环神经网络的主动降噪方法，其特征在于，所述主要路径模型为非线性模型，...

【专利技术属性】
技术研发人员：夏源，汪付强，吴晓明，张鹏，袁从刚，张建强，马晓凤，郝秋赟，刘祥志，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：