【技术实现步骤摘要】
本专利技术涉及啸叫抑制领域，具体涉及一种融合神经网络的卡尔曼滤波啸叫抑制路径突变检测方法。本专利技术利用反馈损失增强作为特征量，输入一个小型的神经网络用于状态检测，从而控制卡尔曼滤波的状态误差矩阵，实现路径突变情况下的再次跟踪收敛。
技术介绍
1、声反馈现象广泛存在于公共放音系统或助听器等扩音系统中，当传声器采集到扬声器泄露的声音后，形成闭环回路自激振荡，影响放音增益与音质，甚至出现啸叫。自适应滤波声反馈抑制法通过匹配声反馈路径将反馈声抵消，具有良好效果。若引入状态空间模型，将声反馈路径用一阶马尔可夫模型表示，声反馈过程对应状态的观测方程，则可以将自适应声反馈抑制与卡尔曼滤波相结合，得到分块频域卡尔曼滤波算法(pbfdkf)。通过前向滤波与滤波器参数更新两个环节的迭代，实现滤波器的匹配与反馈声的重建，进而达到啸叫抑制的效果。为简化计算，在实际操作中pbfdkf算法的各矩阵可约束为对角矩阵，每个对角元对应频域某一频点的相应变量值。分块频域卡尔曼滤波算法(pbfdkf)作为一种自适应滤波策略，被广泛应用于啸叫抑制领域，具有收敛快、稳态失调误...
【技术保护点】
1.融合神经网络的卡尔曼滤波啸叫抑制路径突变检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的融合神经网络的卡尔曼滤波啸叫抑制路径突变检测方法，其特征在于，所述步骤2中，神经网络包括多条输入特征处理模块和与之相连的加权求和模块，每条输入特征处理模块均包括依次相连的第一全连接层、第一激活函数、门控循环单元、第二全连接层、第二激活函数、第三全连接层和第三激活函数。
3.根据权利要求2所述的融合神经网络的卡尔曼滤波啸叫抑制路径突变检测方法，其特征在于，所述步骤4中，所述每条输入特征处理模块的输入维度为L×1维，通过第一全连接层的升维和第一...
【技术特征摘要】
1.融合神经网络的卡尔曼滤波啸叫抑制路径突变检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的融合神经网络的卡尔曼滤波啸叫抑制路径突变检测方法，其特征在于，所述步骤2中，神经网络包括多条输入特征处理模块和与之相连的加权求和模块，每条输入特征处理模块均包括依次相连的第一全连接层、第一激活函数、门控循环单元、第二全连接层、第二激活函数、第三全连接层和第三激活函数。
3.根据权利要求2所述的融合神经网络的卡尔曼滤波啸叫抑制路径突变检测方法，其特征在于，所述步骤4中，所述每条输入特征处理模块的输入维度为l×1维，通过第一全连接层的升维和第一激活函数激活后，进入门控循环单元用于提取时序信息；然后通过第二全连接层、第三全连接层降维和第二激活函数、第三激活函数激活后得到l×1维向量；最后通过l×1维加权求和模块将每条输入特征处理模块得到的向量加权求和得到一个标量值，然后通过sigmoid函数模块，得到输出值pflag-out∈(0,1)。
4.根据权利要求1所述的融合神经网络的卡尔曼滤波啸叫抑制路径突变检测方法，其特征在于，所述步骤3中，所述状态检测模型的输入特征为...
【专利技术属性】
技术研发人员：郭昊诚，陈锴，卢晶，朱长宝，胡玉祥，
申请(专利权)人：南京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。