基于神经网络滤波器的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备技术

本发明专利技术涉及一种基于神经网络滤波器的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备，其中方法包括：构建第一神经网络模型，基于自适应前馈式主动降噪架构，用所构建的第一神经网络模型来作为所述架构中的前馈滤波器使用。本发明专利技术通过将自适应前馈式主动降噪架构中的前馈滤波器改用为第一神经网络模型实现，利用神经网络的非线性滤波特性，实现更好地对噪声进行控制，改善由A位噪声源到B位扬声器的传播路径中存在非线性环节而引起的谐波以及交调失真现象。的谐波以及交调失真现象。的谐波以及交调失真现象。

【技术实现步骤摘要】
基于神经网络滤波器的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备
[0001]本专利作为201911056457.3号专利技术创造“基于神经网络的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备”(申请日2019
‑
10
‑
31)的分案申请。


[0002]本专利技术涉及耳机降噪，尤其涉及一种基于神经网络滤波器的自适应前馈式主动降噪方法、计算机可读存储介质、电子设备。

技术介绍

[0003]见图1，耳机中自适应前馈式主动降噪架构的基本原理如下：在A位，参考麦克风拾取环境中的原始噪声信号，通过前馈滤波器产生和原始噪声信号反向的信号(简称反向噪声信号)，然后将反向噪声信号通过扬声器在B位输出，使原始噪声信号和反向噪声信号在B位相互抵消产生残差噪声信号，上述过程为自适应前馈式主动降噪。
[0004]在自适应前馈式主动降噪的基础上，增加C位的误差麦克风，残差噪声信号被C位的误差麦克风采集，经LMS算法分析后生成权重系数对前馈滤波器输出的反向噪声信号进行调整，则实现自适应前馈式主动降噪。
[0005]自适应前馈式主动降噪中，前馈滤波器一般采用FIR(有限冲击响应)滤波器或者IIR(无限冲击相应)滤波器实现，以FIR为例，自适应前馈式主动降噪的信号的工作过程如图2所示，其中，x(n)为原始噪声信号，P(z)是噪声原始通道的传递函数，表征噪声从A位到B位的时延，x(n)经P(z)后输出目标信号d(n)，W
f
(n)是前馈滤波器，y(n)为W
f
(n)输出的反向噪声信号，S(z)是次级通道，即从采集x(n)输入W
f
(n)，到W
f
(n)输出y(n)给扬声器，通过扬声器推动空气后传递到误差麦克风吸取的整个路径的传递函数，表征噪声经该路径的时延，y(n)与d(n)叠加相消后被误差麦克风吸取，得到残差噪声信号e(n)，S＇(z)是S(z)的估计，其本质为滤波器，内部设有一重系数迭代计算公式，通过该公式输出权重来与x(n)相乘，从而对x(n)进行修正。
[0006]使用时，一方面，e(n)被误差麦克风吸取作为LMS算法的其中一个输入，另一方面，x(n)经S＇(z)修正后作为LMS算法的另一个输入，利用LMS算法的迭代公式输出W
f
(n)的权重系数，获得W
f
(n)的权重系数后，以x(n)作为W
f
(n)的输入信号，通过W
f
(n)的权重系数*x(n)从而输出y(n)，达到自适应前馈式主动降噪之目的。
[0007]现有的自适应前馈式主动降噪方案存在以下问题：
[0008]因为前馈滤波器W
f
(n)所采用的FIR滤波器或者IIR滤波器均属于线性滤波器，所以，若从A位噪声源到B位扬声器的传播路径中存在非线性环节，比如原始噪声过大导致参考麦克风产生非线性，又或者是，若从B位扬声器到C位误差麦克风的传播路径中存在非线性环节，比如扬声器处于饱和，则由于FIR滤波器或者IIR滤波器不能处理非线性产生的谐波以及交调失真的情况，整个链路的降噪效果会明显降低。

技术实现思路

[0009]本专利技术为改善现有技术中的不足之处，而提供一种自适应前馈式主动降噪方法，其用于改善链路产生的谐波以及交调失真的情况。
[0010]本专利技术的提供的基于神经网络滤波器的自适应前馈式主动降噪方法，包括：
[0011]S101.构建第一神经网络模型的理论模型；
[0012]S102.获取耳机中自适应前馈式主动降噪架构的S＇(z)，其中S＇(z)是自适应前馈式主动降噪架构中次级通道的估计；
[0013]S103.从自适应前馈式主动降噪架构中采集x1(n)、y1(n)、e1(n)，其中x1(n)为历史原始噪声信号，y1(n)为前馈滤波器输出的历史反向噪声信号，e1(n)为历史残差噪声信号；
[0014]S104.以x1(n)经S＇(z)修正后的值和e1(n)为输入，利用BP算法计算第一神经网络模型的权重系数；
[0015]S105.以x1(n)、第一神经网络模型的权重系数和y1(n)作为第一神经网络模型理论模型的训练样本，其中以x1(n)和第一神经网络模型的权重系数作为输入，以y1(n)作为输出，利用机器学习的方式对理论模型进行训练；
[0016]S106.用构建出的第一神经网络模型作为自适应前馈式主动降噪架构中的前馈滤波器W
f
(n)使用，其中，第一神经网络模型以x1(n)和第一神经网络模型的当前权重系数作为输入，输出y1(n)给自适应前馈式主动降噪架构中的扬声器进行播音。
[0017]进一步的，对训练出的第一神经网络模型，采用逻辑回归算法进行拟合。所述逻辑回归算法配置为LR算法。
[0018]进一步的，所述自适应前馈式主动降噪架构中次级通道的估计S
’
(z)采用FIR滤波器或者IIR滤波器实现。
[0019]还提供一种电子设备，其中，该电子设备包括：
[0020]控制器；以及，
[0021]被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述控制器执行上述的方法。
[0022]还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被控制器执行时，实现上述的方法。
[0023]有益效果：
[0024]本专利技术通过将自适应前馈式主动降噪架构中的前馈滤波器改用为第一神经网络模型实现，利用神经网络的非线性滤波特性，实现更好地对噪声进行控制，改善由A位噪声源到B位扬声器的传播路径中存在非线性环节而引起的谐波以及交调失真现象。
[0025]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0026]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0027]图1示出了传统耳机中自适应前馈式降噪架构的结构示意图；
[0028]图2示出了传统耳机中自适应前馈式降噪架构的数字降噪方案实施示意图；
[0029]图3示出了本实施例中前馈滤波器改用为第一神经网络模型时的数字降噪方案实施示意图；
[0030]图4示出了第一神经网络模型的结构示意图；
[0031]图5示出了神经元的结构示意图；
[0032]图6示出了第一神经网络模型存在若干个输入信号时的结构示意图；
[0033]图7示出了本实施例中次级通道估计S＇(z)改用为第二神经网络模型时的数字降噪方案实施示意图；...

【技术保护点】

【技术特征摘要】
1.基于神经网络滤波器的自适应前馈式主动降噪方法，其特征在于，包括：S101.构建第一神经网络模型的理论模型；S102.获取耳机中自适应前馈式主动降噪架构的S＇(z)，其中S＇(z)是自适应前馈式主动降噪架构中次级通道的估计；S103.从自适应前馈式主动降噪架构中采集x1(n)、y1(n)、e1(n)，其中x1(n)为历史原始噪声信号，y1(n)为前馈滤波器输出的历史反向噪声信号，e1(n)为历史残差噪声信号；S104.以x1(n)经S＇(z)修正后的值和e1(n)为输入，利用BP算法计算第一神经网络模型的权重系数；S105.以x1(n)、第一神经网络模型的权重系数和y1(n)作为第一神经网络模型理论模型的训练样本，其中以x1(n)和第一神经网络模型的权重系数作为输入，以y1(n)作为输出，利用机器学习的方式对理论模型进行训练；S106.用构建出的第一神经网络模型作为自适应前馈式主动降噪架构中的前馈滤波器W
f
(n)使...

【专利技术属性】
技术研发人员：胡中骥，钟鑫，张鑫，
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：