一种基于深度学习的主动降噪耳机环境自适应控制方法及系统与流程

本发明涉及数据处理，特别是指一种基于深度学习的主动降噪耳机环境自适应控制方法及系统。

背景技术：

1、目前市面上的主动降噪耳机，普遍采用固定参数的滤波器来生成抗噪声波。这类滤波器的参数通常是在实验室中针对特定稳态噪声环境调试确定的。以地铁通勤为例，车厢内的环境噪声以低频轰鸣为主，频谱分布相对稳定，固定参数滤波器能够提供较好的降噪体验。然而当用户走出地铁站进入地面街道时，声环境转变为包含车辆行驶声、鸣笛声、行人交谈声等多种来源的复合噪声，频谱分布发生明显变化。由于固定参数滤波器的频率响应特性无法随噪声环境的变化而自动调整，其降噪效果会出现明显落差。

2、已有方案有的尝试引入环境特征识别机制，即采集各频段的噪声能量值作为环境特征，再据此调整滤波器参数。但这类方案直接将各频段能量值原封不动地输入给决策模型，系统看到的只是一串孤立的数值，而非噪声能量在频谱上整体偏向低频还是高频这一关键信息。这种处理方式导致系统对噪声所处环境的类型切换感知不敏锐，进而影响后续参数调整的准确性。

技术实现思路

1、本发明提供了一种基于深度学习的主动降噪耳机环境自适应控制方法及系统，能够在耳机芯片有限算力条件下实现滤波器系数的实时自适应更新，在不同噪声场景间切换时保持稳定的降噪效果。

2、为解决上述技术问题，本发明的技术方案如下：

3、第一方面，基于深度学习的主动降噪耳机环境自适应控制方法，所述方法包括：

4、通过设置于主动降噪耳机外侧的麦克风拾取环境噪声声波，转换为数字输入信号；对数字输入信号进行预处理，得到归一化频段能量值；

5、根据归一化频段能量值在频域坐标上的分布重心偏离预设基准位置的方向和距离，向偏离方向同侧且远离分布重心的频段能量值施加衰减权重，向偏离方向对侧的频段能量值保持原有权重，生成环境特征张量；

6、将环境特征张量输入至预构建的轻量化深度神经网络，其中，所述轻量化深度神经网络为原始网络经剪枝和参数量化至八比特整型所得的压缩模型，所述压缩模型在芯片上的单次前向推理耗时小于预设的反馈控制中断周期；

7、由轻量化深度神经网络对环境特征张量执行前向运算，输出数字滤波系数偏移值；

8、调取预存于音频处理芯片随机存取存储器中的有限冲激响应滤波器的当前抽头系数，并根据数字滤波系数偏移值与当前抽头系数逐点累加，得到更新后的抽头系数；

9、通过更新后的抽头系数对数字输入信号执行卷积滤波，生成数字抗噪声波信号，再经数模转换和功率放大后通过耳机的扬声器向外辐射，以抵消麦克风所拾取的环境噪声。

10、第二方面，基于深度学习的主动降噪耳机环境自适应控制系统，包括：

11、转换模块，用于通过设置于主动降噪耳机外侧的麦克风拾取环境噪声声波，转换为数字输入信号；对数字输入信号进行预处理，得到归一化频段能量值；

12、计算模块，用于根据归一化频段能量值在频域坐标上的分布重心偏离预设基准位置的方向和距离，向偏离方向同侧且远离分布重心的频段能量值施加衰减权重，向偏离方向对侧的频段能量值保持原有权重，生成环境特征张量；

13、输入模块，用于将环境特征张量输入至预构建的轻量化深度神经网络，其中，所述轻量化深度神经网络为原始网络经剪枝和参数量化至八比特整型所得的压缩模型，所述压缩模型在芯片上的单次前向推理耗时小于预设的反馈控制中断周期；

14、累加模块，用于由轻量化深度神经网络对环境特征张量执行前向运算，输出数字滤波系数偏移值；调取预存于音频处理芯片随机存取存储器中的有限冲激响应滤波器的当前抽头系数，并根据数字滤波系数偏移值与当前抽头系数逐点累加，得到更新后的抽头系数；

15、更新模块，用于通过更新后的抽头系数对数字输入信号执行卷积滤波，生成数字抗噪声波信号，再经数模转换和功率放大后通过耳机的扬声器向外辐射，以抵消麦克风所拾取的环境噪声。

16、第三方面，一种计算设备，包括：

17、一个或多个处理器；

18、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。

19、第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。

20、本发明的上述方案至少包括以下有益效果：

21、通过以频域分布重心偏移方向与距离为依据，对偏离方向同侧远离重心的频段施加阶梯式衰减、对侧保持原有权重生成特征张量，克服了固定频段特征无法感知频谱重心漂移的问题，实现了特征与噪声分布偏移的自适应关联；通过将特征张量输入剪枝与八比特整型量化后的轻量化网络，使单次推理耗时小于反馈控制中断周期，克服了全精度模型无法在低功耗芯片实时部署的问题，实现了网络推理与控制周期的时序匹配；通过将网络输出的偏移值逐点累加并限幅更新滤波器系数，随后卷积滤波生成抗噪声波，克服了固定系数无法追踪噪声快速变化的问题，实现了深度模型驱动的系数实时更新与低延迟降噪输出。

1.基于深度学习的主动降噪耳机环境自适应控制方法，应用于连接外侧麦克风的耳机主控单元，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的主动降噪耳机环境自适应控制方法，其特征在于，根据归一化频段能量值在频域坐标上的分布重心偏离预设基准位置的方向和距离，向偏离方向同侧且远离分布重心的频段能量值施加衰减权重，向偏离方向对侧的频段能量值保持原有权重，生成环境特征张量，包括：

3.根据权利要求2所述的基于深度学习的主动降噪耳机环境自适应控制方法，其特征在于，以所述分布重心为分界点，将频域坐标划分为与偏离方向同侧的第一频段集合和与所述偏离方向对侧的第二频段集合，包括：

4.根据权利要求3所述的基于深度学习的主动降噪耳机环境自适应控制方法，其特征在于，由所述轻量化深度神经网络对所述环境特征张量执行前向运算，输出数字滤波系数偏移值，包括：

5.根据权利要求4所述的基于深度学习的主动降噪耳机环境自适应控制方法，其特征在于，调取预存于音频处理芯片随机存取存储器中的有限冲激响应滤波器的当前抽头系数，并根据所述数字滤波系数偏移值与所述当前抽头系数逐点累加，得到更新后的抽头系数，包括：

6.根据权利要求5所述的基于深度学习的主动降噪耳机环境自适应控制方法，其特征在于，通过更新后的抽头系数对数字输入信号执行卷积滤波，生成数字抗噪声波信号，再经数模转换和功率放大后通过耳机的扬声器向外辐射，以抵消所述麦克风所拾取的环境噪声，包括：

7.根据权利要求6所述的基于深度学习的主动降噪耳机环境自适应控制方法，其特征在于，将模拟抗噪声波信号输入至功率放大器进行功率放大，包括：

8.根据权利要求7所述的基于深度学习的主动降噪耳机环境自适应控制方法，其特征在于，对模拟抗噪声波信号进行峰值幅度检测，包括：

9.根据权利要求8所述的基于深度学习的主动降噪耳机环境自适应控制方法，其特征在于，所述预设的检测时间窗口的长度根据所述环境特征张量的分布重心偏离程度动态确定，包括：

10.基于深度学习的主动降噪耳机环境自适应控制系统，该系统实现如权利要求1至9中任一项所述的方法，其特征在于，包括：