CN111862925A - 一种基于惰性学习的自适应有源噪声控制***及其方法 - Google Patents
一种基于惰性学习的自适应有源噪声控制***及其方法 Download PDFInfo
- Publication number
- CN111862925A CN111862925A CN202010629803.9A CN202010629803A CN111862925A CN 111862925 A CN111862925 A CN 111862925A CN 202010629803 A CN202010629803 A CN 202010629803A CN 111862925 A CN111862925 A CN 111862925A
- Authority
- CN
- China
- Prior art keywords
- signal
- control
- circuit
- noise
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims description 29
- 238000013450 outlier detection Methods 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001308 synthesis method Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000010079 rubber tapping Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 8
- 238000013461 design Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008030 elimination Effects 0.000 description 5
- 238000003379 elimination reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000030279 gene silencing Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
- G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
- G10K11/1785—Methods, e.g. algorithms; Devices
- G10K11/17853—Methods, e.g. algorithms; Devices of the filter
- G10K11/17854—Methods, e.g. algorithms; Devices of the filter the filter being an adaptive filter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
- G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
- G10K11/1781—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase characterised by the analysis of input or output signals, e.g. frequency range, modes, transfer functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明涉及一种基于惰性学习的自适应有源噪声控制***及其方法,该***包括参考麦克风、控制器、作动器和误差麦克风;参考麦克风和误差麦克风分别安装在临近声源处和控制点处,分别采集待控制的参考信号与反馈信号,并将采集的信号转换为电信号输入至所述控制器的输入端;控制器对参考信号和反馈信号进行处理后生成与待控制噪声信号振幅相同且相位相反的控制信号,将控制信号输入至所述作动器的输入端;作动器将控制信号转化为控制声波,在控制点处与待控制噪声叠加,进行噪声消除。本发明设计合理,其结合k‑NN法和自适应LMS算法,减少了控制过程中的收敛时间,加快了收敛速度,有效地满足了特殊工况下降噪***快速收敛的需求。
Description
技术领域
本发明属于有源噪声控制技术领域,尤其是一种基于惰性学习的自适应有源噪声控制***及其方法。
背景技术
低频线谱噪声作为目前生活与工业生产中较为常见的一类噪声,对人们的正常生活与工作由极大的影响,长时间暴露在噪声环境下严重时甚至会影响到居民和劳动者的身心健康,长久以来高效噪声控制技术都是声学研究领域的重要问题。
一般而言,常见的降噪手段主要包括被动消声和主动消声两种。其中,被动消声一般通过设置消声材料阻挡声波传播路径或利用声学覆盖层减弱噪声的回波与透射波实现。被动消声技术的工作频率以中高频为主,尤其对高频噪声能起到较好的效果,但是对于低频噪声效果有限。因此,目前针对低频噪声往往会考虑使用主动噪声控制技术进行抑制。
主动噪声控制技术利用声学叠加原理,即噪声可以通过次级声源产生一个幅度相同相位相反的控制声波予以抵消,达到噪声抑制的目的。主动噪声控制***通常由采集声学信号的拾麦克风、处理噪声信号的控制器和发出控制声波的作动器组成。常见的控制***一般通过自适应滤波算法控制次级声源输出,使得***能够具有自动检测噪声、自动计算滤波器参数和消除噪声的功能,实现有源消声与主动控制的结合功能。
在主动噪声控制***中,如何对控制算法进行合理优化一直是该领域研究的重点与热点。目前最小均方(least mean square,LMS)算法及其改良算法是自适应控制过程中应用最为普遍的方法。该算法是维纳滤波理论结合最速下降法的优化延伸,不需要目标信号统计特征的先验知识,通过上一时刻的滤波器系数加上一个负均方误差梯度的比例项来更新滤波器系数。这种算法有计算复杂度低、对平稳信号收敛性好的优点。而Morgan在此基础上提出了Fx-LMS算法,将由电子元器件延迟和误差产生的次级通道传递函数考虑在内,指出实际的误差信号并非噪声与滤波器输出的简单组合,在更新滤波器参数前先根据次通道传递函数进行滤波,达到消除误差的目的,是主动噪声控制领域稳定性最好、应用最广泛的一种自适应算法。
通常控制器的收敛速度和控制精度是评价一个控制***最重要的两个标准。虽然最小均方误差算法的期望值可以无偏地收敛到维纳解,但由于该算法在使用梯度下降的过程中为了减少计算复杂度,直接取误差信号平方瞬时值的导数作为均方误差梯度的估计值,在迭代过程中无法平滑收敛到最优解,不可避免地产生残差,并影响了算法的收敛速度。
在实际工作环境中,很多情况要求***具有更快的响应速度。比如说,当主动噪声控制技术用于潜艇水下消声时,***能否快速收敛决定了舰艇的声隐身性能,而传统最小均方误差算法收敛过慢的缺点增大了潜艇暴露的几率,不能很好地利用主动降噪技术实现声学隐身的目标。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于惰性学习的自适应有源噪声控制***及其方法,解决传统最小均方误差算法在特殊工况下降噪***不能满足快速收敛要求的问题。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于惰性学习的自适应有源噪声控制***,包括参考麦克风、控制器、作动器和误差麦克风;
所述参考麦克风和误差麦克风分别安装在临近声源处和控制点处,分别采集待控制的参考信号与反馈信号,并将采集的信号转换为电信号输入至所述控制器的输入端;
所述控制器对参考信号和反馈信号进行处理后生成与待控制噪声信号振幅相同且相位相反的控制信号,将控制信号输入至所述作动器的输入端;
所述作动器将控制信号转化为控制声波,在控制点处与待控制噪声叠加,进行噪声消除。
进一步,所述控制器包括FFT电路、离群点检测电路、先验数据集、k-NN回归器电路、LMS滤波器电路和驱动电路;
所述FFT电路对参考信号进行快速傅里叶变换,并将计算得到的频谱输入离群点检测电路;
所述离群点检测电路通过dbscan算法提取频谱中的离群点作为线谱的频率输入k-NN回归器电路;
所述频率输入k-NN回归器电路搜索先验数据集中与该频率相邻的样本点做加权平均得到LMS算法的迭代初值;
所述LMS滤波器电路根据误差信号和参考信号对LMS模块抽头权值矢量进行重新迭代,计算出控制信号;
所述驱动电路将控制信号输出给作动器。
进一步,所述控制器为集成电路芯片。
一种基于惰性学习的自适应有源噪声控制方法,包括以下步骤:
步骤2、取自适应滤波算法的迭代步长为μ,FIR滤波器长度为l,利用LMS算法分别迭代求各fi对应的抽头权值矢量ωi至收敛,建立先验数据集W=(ω1,ω2,…,ωmax)T;
步骤3、将待控制噪声x(t)加高斯窗传递到FFT电路输入端,通过快速傅里叶变换求得其该时刻的频谱F(t),将求得的频谱F(t)传递到离群点检测电路输入端;
步骤4、离群点检测电路对频谱进行聚类分析并提取其中的n个离群点o1,o2,…,on,其中,oj表示组成带控制噪声的不同频率的线谱信号,以fj表示该信号频率,j=1,2,…,n;
步骤5、将fj输入k-NN回归器电路的输入端,在先验数据集中搜索与该点相邻的两个样本点W(fk),W(fk+1)使fk<fj<fk+1,并根据其与fj的距离做加权平均得到估计滤波器:
ωj=(fn-fk)ωk+(fk+1-fn)ωk+1
根据频率合成法,将抽头权值矢量ωpredict表示为:
步骤6、将抽头权值矢量ωpredict作为迭代初值输入LMS滤波器电路,取输入信号矢量为:
X(t)=[x(t),x(t-1),…,x(t-l+1)]
则LMS滤波器电路的输出信号为:
步骤7、LMS滤波器电路的输出信号经过驱动电路由作动器输出为控制声波,在控制点处与噪声叠加,通过误差麦克风采得误差信号e(t);输入LMS滤波器电路对抽头权值矢量ω进行迭代,迭代公式为:
ω′=′+2μe(t)x(t)
其中ω′为迭代后的新抽头权值矢量。
进一步,所述步骤1中的信号的幅度与相位不影响滤波器收敛后的抽头权值矢量。
进一步,所述步骤4中离群点检测电路采用dbscan算法对频谱进行聚类分析与提取。
本发明的优点和积极效果是:
1、本发明作为一种主动噪声控制方法,结合了k-最近邻惰性学习算法(k-NN算法)和最小均方误差算法(自适应LMS算法),大大减少了控制过程中的收敛时间,可有效满足特殊工况下降噪***快速收敛的需求。
2、本发明以LMS算法为基础,在控制开始前就计算求得了各频率线谱信号对应的最优滤波器抽头向量,避免了控制过程中的重复计算。使算法可以从一个较优的迭代初值开始收敛,对噪声中能量较高的线谱信号有显著的控制效果,又不影响LMS算法后续对其他宽带噪声的控制作用,极大地加快收敛速度。
3、本发明所使用的算法可以与经典的Fx-LMS算法、变步长LMS算法等优化方法同时使用,满足在不同工作条件下的需求。
4、本发明利用现代高性能计算芯片提供的计算能力,可以在控制过程中利用噪声的统计学特征,为其他信号处理手段提供依据。
附图说明
图1是本发明的自适应有源噪声控制***连接图;
图2是本发明与传统LMS算法的降噪性能的仿真结果对比图;
图中,1-参考麦克风、2-FFT电路、3-离群点检测电路、4-先验数据集和k-NN回归器电路、5-LMS滤波器电路、6-驱动电路、7-控制器、8-作动器、9-误差麦克风。
具体实施方式
以下结合附图对本发明做进一步详述。
本发明的设计思想是:
传统最小均方误差算法的广泛使用除了其收敛准确的优点外,还得益于该算法计算复杂度低,适合在算力有限的情况下满足降噪的实时性需求。随着近年来高性能计算芯片的不断突破为主动噪声控制技术的发展提供了新的思路,使得一些高效的机器学习算法得以参与到控制过程中。
最近邻回归(k-Nearest Neighbors,k-NN)算法是一种经典的惰性学***均来作为该数据点的预测值。利用最近邻回归对最小均方误差算法进行优化,可以在降噪开始前根据给定的采样频率和滤波器抽头数等条件,首先计算出不同频率的单频信号对应的滤波器参数作为先验数据集,降噪过程中根据采集到的噪声提取其声学参数,利用最近邻算法和频率合成法计算合适的滤波器参数,并将该参数作为最小均方误差算法的迭代初值,可以大大减少最小均方误差算法的迭代过程,从而起到加速***收敛的作用。
本发明基于有限冲激响应(Finite Impulse Response,FIR)滤波器对噪声进行滤波,利用最近邻回归算法结合最小均方误差算法求解带控制噪声对应的FIR滤波器抽头权值矢量,控制次级声源主动发出与待控制噪声振幅相同相位相反的控制声波,在控制点处与待控制噪声相叠加,从而达到消除噪声的目的。
基于上述设计思想,本发明提出一种基于惰性学习的自适应有源噪声控制***,如图1所示,包括至少一组参考麦克风1、控制器7、作动器8和误差麦克风9。
所述参考麦克风1置于临近声源处,误差麦克风9置于控制点处,分别采集待控制的参考信号与反馈信号,并将采得的信号转换为电信号输入至所述控制器7的输入端。
所述控制器7生成与待控制噪声信号振幅相同相位相反的控制信号,将控制信号输入至所述作动器8的输入端。
所述作动器8将控制信号转化为控制声波,在控制点处与待控制噪声叠加,起到消声的效果。
所述控制器7包括FFT电路2、离群点检测电路3、先验数据集和k-NN回归器电路4、LMS滤波器电路5以及驱动电路6。
所述FFT电路2对一定长度的参考信号进行快速傅里叶变换,并将计算得到的频谱输入离群点检测电路3;
所述离群点检测电路3通过dbscan算法提取频谱中的离群点作为线谱的频率输入k-NN回归器电路4;
所述频率输入k-NN回归器电路4搜索先验数据集中与该频率相邻的样本点做加权平均得到LMS算法的迭代初值;通过误差麦克风9采集误差信号,将误差信号输出给LMS滤波器电路5。
所述LMS滤波器电路5根据误差信号信号和参考信号对LMS模块抽头权值矢量进行重新迭代,计算出控制信号。
所述驱动电路6将控制信号输出给作动器8。
上述控制器7在实际应用时,也可以集成在硬件芯片中。
基于上述基于惰性学习的自适应有源噪声控制***,本发明还提出一种基于惰性学习的自适应有源噪声控制方法,包括以下步骤:
步骤2、取自适应滤波算法的迭代步长为μ,FIR滤波器长度为l,利用LMS算法分别迭代求各fi对应的抽头权值矢量ωi至收敛,建立先验数据集W=(ω1,ω2,…,ωmax)T。
步骤3、将待控制噪声x(t)加高斯窗传递到FFT电路2输入端,通过快速傅里叶变换求得其该时刻的频谱F(t),将求得的频谱F(t)传递到离群点检测电路3输入端;
步骤4、离群点检测电路3利用dbscan算法对频谱进行聚类分析并提取其中的n个离群点o1,o2,…,on,其中oj(j=1,2,…,n)表示组成带控制噪声的不同频率的线谱信号,以fj表示该信号频率。
步骤5、将fj输入k-NN回归器电路4的输入端,在先验数据集中搜索与该点相邻的两个样本点W(fk),W(fk+1)使fk<fj<fk+1,并根据其与fj的距离做加权平均得到估计滤波器
ωj=(fn-fk)ωk+(fk+1-fn)ωk+1#(1)
则根据频率合成法可将抽头权值矢量ωpredict表示为
步骤6、将抽头权值矢量ωpredict作为迭代初值输入LMS滤波器电路5,取输入信号矢量为
X(t)=[x(t)x(t-1),…,x(t-l+1)]#(3)
则LMS滤波器电路5的输出信号为
步骤7、LMS滤波器电路5的输出信号经过驱动电路6由作动器8输出为控制声波,在控制点处与噪声叠加,通过误差麦克风9采得误差信号e(t);输入LMS滤波器电路5对抽头权值矢量ω进行迭代,迭代公式为
ω′=ω+2μe(t)x(t)#(5)
其中ω′为迭代后的新抽头权值矢量。
下面给出本发明与传统LMS算法进行噪声控制的比较实例,并使用MATLAB的Simulink模块中对智能有源降噪自适应主动噪声控制***进行仿真,仿真结果如图2所示,从上至下分为三部分:最上面是参考信号波形图,中间是利用传统LMS算法进行噪声控制的误差信号波形图,最下面是利用本发明进行噪声控制的误差信号波形图。其中待控制噪声设为频率为600.2Hz的单频信号,***采样率为4000Hz,控制时常2sec;坐标横轴为时间轴,纵轴为误差信号的幅值,振动幅度越小表示控制效果越明显。由三幅图可见,相对传统算法而言新算法在收敛速度、控制精度方面都有着明显优势,更适合于水声对抗等特殊声学环境下的研究与应用。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (6)
1.一种基于惰性学习的自适应有源噪声控制***,其特征在于:包括参考麦克风、控制器、作动器和误差麦克风;
所述参考麦克风和误差麦克风分别安装在临近声源处和控制点处,分别采集待控制的参考信号与反馈信号,并将采集的信号转换为电信号输入至所述控制器的输入端;
所述控制器对参考信号和反馈信号进行处理后生成与待控制噪声信号振幅相同且相位相反的控制信号,将控制信号输入至所述作动器的输入端;
所述作动器将控制信号转化为控制声波,在控制点处与待控制噪声叠加,进行噪声消除。
2.根据权利要求1所述的一种基于惰性学习的自适应有源噪声控制***,其特征在于:所述控制器包括FFT电路、离群点检测电路、先验数据集、k-NN回归器电路、LMS滤波器电路和驱动电路;
所述FFT电路对参考信号进行快速傅里叶变换,并将计算得到的频谱输入离群点检测电路;
所述离群点检测电路通过dbscan算法提取频谱中的离群点作为线谱的频率输入k-NN回归器电路;
所述频率输入k-NN回归器电路搜索先验数据集中与该频率相邻的样本点做加权平均得到LMS算法的迭代初值;
所述LMS滤波器电路根据误差信号和参考信号对LMS模块抽头权值矢量进行重新迭代,计算出控制信号;
所述驱动电路将控制信号输出给作动器。
3.根据权利要求2所述的一种基于惰性学习的自适应有源噪声控制***,其特征在于:所述控制器为集成电路芯片。
4.如权利要求1至3任一项所述一种基于惰性学习的自适应有源噪声控制***的控制方法,其特征在于包括以下步骤:
步骤2、取自适应滤波算法的迭代步长为μ,FIR滤波器长度为l,利用LMS算法分别迭代求各fi对应的抽头权值矢量ωi至收敛,建立先验数据集W=(ω1,ω2,…,ωmax)T;
步骤3、将待控制噪声x(t)加高斯窗传递到FFT电路输入端,通过快速傅里叶变换求得其该时刻的频谱F(t),将求得的频谱F(t)传递到离群点检测电路输入端;
步骤4、离群点检测电路对频谱进行聚类分析并提取其中的n个离群点o1,o2,…,on,其中,oj表示组成带控制噪声的不同频率的线谱信号,以fj表示该信号频率,j=1,2,…,n;
步骤5、将fj输入k-NN回归器电路的输入端,在先验数据集中搜索与该点相邻的两个样本点W(fk),W(fk+1)使fk<fj<fk+1,并根据其与fj的距离做加权平均得到估计滤波器:
ωj=(fn-fk)ωk+(fk+1-fn)ωk+1
根据频率合成法,将抽头权值矢量ωpredict表示为:
步骤6、将抽头权值矢量ωpredict作为迭代初值输入LMS滤波器电路,取输入信号矢量为:
X(t)=[x(t),x(t-1),…,x(t-l+1)]
则LMS滤波器电路的输出信号为:
步骤7、LMS滤波器电路的输出信号经过驱动电路由作动器输出为控制声波,在控制点处与噪声叠加,通过误差麦克风采得误差信号e(t);输入LMS滤波器电路对抽头权值矢量ω进行迭代,迭代公式为:
ω′=ω+2μe(t)x(t)
其中ω′为迭代后的新抽头权值矢量。
5.根据权利要求4所述一种基于惰性学习的自适应有源噪声控制***的控制方法,其特征在于:所述步骤1中的信号的幅度与相位不影响滤波器收敛后的抽头权值矢量。
6.根据权利要求4所述一种基于惰性学习的自适应有源噪声控制***的控制方法,其特征在于:所述步骤4中离群点检测电路采用dbscan算法对频谱进行聚类分析与提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629803.9A CN111862925B (zh) | 2020-07-03 | 2020-07-03 | 一种基于惰性学习的自适应有源噪声控制***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629803.9A CN111862925B (zh) | 2020-07-03 | 2020-07-03 | 一种基于惰性学习的自适应有源噪声控制***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862925A true CN111862925A (zh) | 2020-10-30 |
CN111862925B CN111862925B (zh) | 2024-04-12 |
Family
ID=73151926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010629803.9A Active CN111862925B (zh) | 2020-07-03 | 2020-07-03 | 一种基于惰性学习的自适应有源噪声控制***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862925B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100014685A1 (en) * | 2008-06-13 | 2010-01-21 | Michael Wurm | Adaptive noise control system |
CN102098258A (zh) * | 2009-12-14 | 2011-06-15 | 中兴通讯股份有限公司 | 一种去除窄带干扰的方法和自适应滤波器 |
US20120197636A1 (en) * | 2011-02-01 | 2012-08-02 | Jacob Benesty | System and method for single-channel speech noise reduction |
CN104038181A (zh) * | 2014-06-05 | 2014-09-10 | 北京航空航天大学 | 一种基于nlms算法的自适应滤波器的构建方法 |
CN105103568A (zh) * | 2012-09-24 | 2015-11-25 | Actiwave公司 | 扬声器的控制和保护 |
CN105261354A (zh) * | 2015-09-09 | 2016-01-20 | 东南大学 | 一种有源降噪自适应主动噪声控制***及其控制方法 |
CN105913836A (zh) * | 2016-04-07 | 2016-08-31 | 虞安波 | 一种基于dsp的定点化实时降噪方法 |
KR20180031332A (ko) * | 2016-09-20 | 2018-03-28 | 전북대학교산학협력단 | 가블드 회로 기반 k-NN 질의 처리 방법 및 k-NN 질의 처리 시스템 |
US20180233124A1 (en) * | 2014-09-17 | 2018-08-16 | Sony Corporation | Noise reduction device, noise reduction method, and program |
CN108761530A (zh) * | 2018-05-22 | 2018-11-06 | 闽南师范大学 | 一种地震信号谱分解方法 |
JP2019015953A (ja) * | 2017-07-04 | 2019-01-31 | 鹿島建設株式会社 | 能動騒音制御装置及び能動騒音制御方法 |
CN109547920A (zh) * | 2018-09-30 | 2019-03-29 | 西安电子科技大学 | 基于自适应噪声抵消的WiFi室内定位***和方法 |
CN109714023A (zh) * | 2018-12-28 | 2019-05-03 | 歌尔股份有限公司 | 自适应滤波方法、自适应滤波器和噪声控制*** |
CN110866135A (zh) * | 2019-11-12 | 2020-03-06 | 重庆邮电大学 | 一种基于响应长度隐藏的k-NN图像检索方法及*** |
CN111312275A (zh) * | 2020-02-13 | 2020-06-19 | 大连理工大学 | 一种基于子带分解的在线声源分离增强*** |
-
2020
- 2020-07-03 CN CN202010629803.9A patent/CN111862925B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100014685A1 (en) * | 2008-06-13 | 2010-01-21 | Michael Wurm | Adaptive noise control system |
CN102098258A (zh) * | 2009-12-14 | 2011-06-15 | 中兴通讯股份有限公司 | 一种去除窄带干扰的方法和自适应滤波器 |
US20120197636A1 (en) * | 2011-02-01 | 2012-08-02 | Jacob Benesty | System and method for single-channel speech noise reduction |
CN105103568A (zh) * | 2012-09-24 | 2015-11-25 | Actiwave公司 | 扬声器的控制和保护 |
CN104038181A (zh) * | 2014-06-05 | 2014-09-10 | 北京航空航天大学 | 一种基于nlms算法的自适应滤波器的构建方法 |
US20180233124A1 (en) * | 2014-09-17 | 2018-08-16 | Sony Corporation | Noise reduction device, noise reduction method, and program |
CN105261354A (zh) * | 2015-09-09 | 2016-01-20 | 东南大学 | 一种有源降噪自适应主动噪声控制***及其控制方法 |
CN105913836A (zh) * | 2016-04-07 | 2016-08-31 | 虞安波 | 一种基于dsp的定点化实时降噪方法 |
KR20180031332A (ko) * | 2016-09-20 | 2018-03-28 | 전북대학교산학협력단 | 가블드 회로 기반 k-NN 질의 처리 방법 및 k-NN 질의 처리 시스템 |
JP2019015953A (ja) * | 2017-07-04 | 2019-01-31 | 鹿島建設株式会社 | 能動騒音制御装置及び能動騒音制御方法 |
CN108761530A (zh) * | 2018-05-22 | 2018-11-06 | 闽南师范大学 | 一种地震信号谱分解方法 |
CN109547920A (zh) * | 2018-09-30 | 2019-03-29 | 西安电子科技大学 | 基于自适应噪声抵消的WiFi室内定位***和方法 |
CN109714023A (zh) * | 2018-12-28 | 2019-05-03 | 歌尔股份有限公司 | 自适应滤波方法、自适应滤波器和噪声控制*** |
CN110866135A (zh) * | 2019-11-12 | 2020-03-06 | 重庆邮电大学 | 一种基于响应长度隐藏的k-NN图像检索方法及*** |
CN111312275A (zh) * | 2020-02-13 | 2020-06-19 | 大连理工大学 | 一种基于子带分解的在线声源分离增强*** |
Also Published As
Publication number | Publication date |
---|---|
CN111862925B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616667B (zh) | 一种用于汽车内的主动降噪方法 | |
CN109087665B (zh) | 一种非线性回声抑制方法 | |
CN106875938B (zh) | 一种改进的非线性自适应语音端点检测方法 | |
CN107564539B (zh) | 面向麦克风阵列的声学回声消除方法及装置 | |
EP3204944A1 (en) | Method, device, and system of noise reduction and speech enhancement | |
CN107393550A (zh) | 语音处理方法及装置 | |
CN111024209B (zh) | 一种适用于矢量水听器的线谱检测方法 | |
WO2019113253A1 (en) | Voice enhancement in audio signals through modified generalized eigenvalue beamformer | |
Shi et al. | Active noise control in the new century: The role and prospect of signal processing | |
CN106059531B (zh) | 一种非负自适应滤波器 | |
CN112435683A (zh) | 基于t-s模糊神经网络的自适应噪声估计及语音降噪方法 | |
TWI459381B (zh) | 語音增強方法 | |
CN112289337B (zh) | 一种滤除机器学习语音增强后的残留噪声的方法及装置 | |
Hosseini et al. | Time difference of arrival estimation of sound source using cross correlation and modified maximum likelihood weighting function | |
CN109658947A (zh) | 一种同步建模和控制的主动噪声控制方法 | |
CN111273230B (zh) | 一种声源定位方法 | |
CN111862925A (zh) | 一种基于惰性学习的自适应有源噪声控制***及其方法 | |
CN110718230B (zh) | 一种消除混响的方法和*** | |
CN111681649A (zh) | 语音识别方法、交互***及包括该***的成绩管理*** | |
CN107346658B (zh) | 混响抑制方法及装置 | |
JP4616196B2 (ja) | 未知系同定システムおよび方法 | |
CN111968659B (zh) | 一种基于优化imcra的麦克风阵列语音增强方法 | |
Momoh et al. | VSS-LMS: LMS Algorithm Experimental Approach | |
CN113851104A (zh) | 含次级通道在线辨识的反馈型主动噪声控制***及方法 | |
CN108877829A (zh) | 一种信号处理的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |