基于蚁狮优化算法的主动降噪系统及方法与流程

1.本发明涉及有源噪声控制技术领域，具体为基于蚁狮优化算法的主动降噪系统及方法。


背景技术：

2.随着工业化的不断发展，噪声污染逐渐成为影响人们生活的一个重要问题，而针对噪声问题处理，目前主要可分为两大类：主动降噪和被动降噪。被动降噪对于低频噪声的处理能力较弱，而主动降噪由于采用相消性干涉的手段能有效地抑制低频噪音。随着对各种问题的理论和技术解决方案的日益复杂，anc的趋势是走向更广泛的算法，以抑制复杂的噪声模式，包括解决三维空间和时变信号等。guicking(1988,1991)很早便描述了人们对它越来越感兴趣，目前市场上也已经有众多关于anc解决方案的研究成果。
3.蚁狮算法(alo)是一种仿生优化算法。alo算法模拟了蚁狮在自然界中的捕猎机制。蚁狮幼虫沿着圆形的路径在沙子上挖一个圆锥形的洞，并用它巨大的下巴抛撒沙子。在挖好陷阱后，幼虫会藏在圆锥形的底部，等待昆虫/蚂蚁被困在洞里。一旦蚁狮意识到猎物在陷阱里，它就会试图抓住猎物。然而，昆虫通常不会立即被捕捉，并会试图逃离陷阱。在这种情况下，蚁狮会聪明地把沙子扔向洞的边缘，让猎物滑到洞的底部。当猎物被蚁狮的下颚抓住时，它就会被拉到地下吃掉。蚁狮吃掉猎物后，会把剩菜扔到洞外，为下一次狩猎做准备。
4.anc的滤波器参数的优化是实现较好的降噪性能的关键，现有的相关技术存在精度差等问题，亟需一种新的降噪优化算法来提高主动降噪的性能。


技术实现要素：

5.本发明提供了基于蚁狮优化算法的主动降噪系统及方法，具有全局优化、调节参数少、收敛精度高、鲁棒性好的优点，能够有效地提高主动降噪性能。
6.为了解决上述技术问题，本申请提供如下技术方案：
7.基于蚁狮优化算法的主动降噪方法，包括以下步骤：
8.s100：初始化蚂蚁和蚁狮的位置，作为滤波器系数向量；
9.s200：根据主动噪声控制系统确定适应度函数的表达式；
10.s300：计算所有初始化的蚂蚁和蚁狮的适应度，并找到适应度最好的蚁狮作为初始精英蚁狮；
11.s400：根据轮盘赌策略实现蚂蚁的随机游走，更新蚂蚁的位置；
12.s500：计算所有蚂蚁的适应度，并将蚁狮的位置更新为适应度更好的蚂蚁的位置；
13.s600：更新精英蚁狮的位置；
14.s700：判断是否满足迭代收敛条件，若满足迭代收敛条件，将精英蚁狮的位置作为最优的滤波器系数向量。
15.进一步，所述s400包括：
16.s400
‑
1：通过轮盘赌策略为每一只蚂蚁选择一只蚁狮；
17.s400
‑
2：根据蚁狮的位置按照以下式子更新第i维变量在第t次迭代的最小值和第i维变量在第t次迭代的最大值
[0018][0019][0020]
其中，c
t
为第t次迭代中所有变量的最小值；d
t
为第t次迭代中所有变量的最大值；为第j只蚁狮在第t次迭代的位置；i为比率，其值为t为最大迭代次数，ω为一个常量；
[0021]
s400
‑
3：使第t次迭代下的第i只蚂蚁位置按照下式在蚁狮及精英蚁狮附近随机游走：
[0022][0023]
其中，a
i
为第i维变量随机游走的最小值，b
i
为第i维变量随机游走的最大值；
[0024]
s400
‑
4：最后按下式取平均值更新蚂蚁的位置：
[0025][0026]
其中，为在第t次迭代中围绕根据轮盘赌策略选择的蚁狮的随机游走，为在第t次迭代中围绕精英蚁狮的随机游走。
[0027]
进一步，所述s500包括：
[0028]
s500
‑
1：根据蚂蚁位置向量计算出的误差均方值判断蚂蚁的适应度，误差均方值越小，蚂蚁的适应度越高，当蚂蚁的适应度高于其经过轮盘赌策略选定的蚁狮的适应度时，替换蚁狮的位置。
[0029]
进一步，所述s700还包括：当循环不满足迭代要求时，对精英蚁狮附近的蚁狮施加跳出机制，并重复s400、s500和s600。
[0030]
进一步，所述跳出机制为：
[0031][0032]
其中，为第j只蚁狮在第t次迭代的第i维分量的值，rand为0到1之间的随机数，d为精英蚁狮到第j只蚁狮的距离，d0为跳出阈值。
[0033]
进一步，所述s600包括：
[0034]
s600
‑
1比较当前迭代下所有蚁狮的适应度，并把适应度最高的蚁狮与精英蚁狮进行比较，如果适应度高于精英蚁狮，则替换精英蚁狮的位置。
[0035]
进一步，所述s400
‑
3中每只蚂蚁需计算两次随机游走来进行位置的更新，一次是围绕精英蚁狮的随机游走计算，另一次是围绕根据轮盘赌策略选择的蚁狮的随机游走计
算。
[0036]
进一步，本申请还公开了一种基于蚁狮优化算法的主动降噪系统，使用了上述的基于蚁狮优化算法的主动降噪方法。
[0037]
本发明技术方案的有益效果为：
[0038]
本发明技术方案中，将蚁狮优化算法与主动降噪相结合，并创新性地对算法进行了跳出机制的改进，同时，算法中的轮盘赌策略和精英策略保证了种群的多样性和算法的寻优性能，具有全局优化、调节参数少、收敛精度高、鲁棒性好的优点，能够有效地提高主动降噪性能。
附图说明
[0039]
图1为本发明中基于蚁狮优化算法的主动降噪系统及方法实施例中的算法流程图；
[0040]
图2为本发明中基于蚁狮优化算法的主动降噪系统及方法实施例中前馈主动噪声控制系统图；
[0041]
图3为本发明中基于蚁狮优化算法的主动降噪系统及方法实施例中反馈主动噪声控制系统图。
具体实施方式
[0042]
下面通过具体实施方式进一步详细说明：
[0043]
本实施例的一种基于蚁狮优化算法的主动降噪系统，使用了一种基于蚁狮优化算法的主动降噪方法。该系统包括前馈降噪部分和反馈降噪部分，如图2所示，噪声声源产生的噪声信号为x(n)，一路经过初级通道p(z)，另一路经过次级通道g(z)和前馈滤波器w(z)。通过蚁狮优化算法(alo算法)控制w(z)的值，使得输出的误差信号e(n)尽可能地接近0，也即使得两个信号叠加产生相消性干涉，从而实现前馈降噪。
[0044]
如图3所示，噪声声源产生的噪声信号为x(n)经过初级通道p(z)，与另一路信号叠加得到误差信号e(n)。同时，误差信号通过反馈并经过次级通道g(z)和前馈滤波器w(z)，与经过初级通道p(z)后的噪声信号叠加，通过蚁狮优化算法(alo算法)算法控制w(z)的值，使得输出的误差信号e(n)尽可能地接近0，也即使得两个信号叠加产生相消性干涉，从而实现反馈降噪。
[0045]
如图1所示，本实施例的基于蚁狮优化算法的主动降噪系统及方法，包括以下步骤：
[0046]
s80：基于主动降噪原理建立有源噪声控制系统；具体包括：
[0047]
s80
‑
1：建立前馈主动噪声控制系统，包括初级通道响应p(z)、次级通道响应g(z)以及滤波器响应w(z)，噪声信号x(n)分别经过初级通道和加上滤波器的次级通道后合成误差信号e(n)，作为蚁狮优化算法alo的适应度函数。初级通道响应p(z)表示从噪声声源到人耳(戴着耳机的时候)的声学传递方程，次级通道响应g(z)指的是从耳机喇叭到人耳的声学传递方程。
[0048]
s80
‑
2：建立反馈主动噪声控制系统，包括初级通道响应p(z)、次级通道响应g(z)以及滤波器响应w(z)，合成的误差信号e(n)作为蚁狮优化算法alo的适应度函数的同时，也
作为反馈信号，其经过加上滤波器的次级通道后，与经过初级通道的噪声信号合成新的误差信号。
[0049]
s90：根据有源噪声控制系统的传递函数及误差信号均方值确定蚁狮优化算法的适应度函数表达式；本实施例中，误差信号均方值为：
[0050][0051]
其中，n表示采样点的个数，本实施例中为200，e
k
(n)表示第k个采样点的误差均方值。
[0052]
s100：初始化n个蚂蚁和m个蚁狮的位置，作为滤波器系数向量，本实施例中，n和m分别为300和100。
[0053]
s200：根据主动噪声控制系统确定适应度函数的表达式，其中误差信号在频域的表示为：
[0054]
e(z)＝x(z)p(z)
‑
g(z)w(z),ff
[0055][0056]
其中，x(z)为噪声信号在频域的表示。
[0057]
s300：计算所有初始化的蚂蚁和蚁狮的适应度，并找到适应度最好的蚁狮作为初始精英蚁狮antlion
elite
。
[0058]
s400：根据轮盘赌策略实现蚂蚁的随机游走，更新蚂蚁的位置。
[0059]
在本实施例中，s400具体包括：
[0060]
s400
‑
1：通过轮盘赌策略为每一只蚂蚁选择一只蚁狮。
[0061]
s400
‑
2：根据蚁狮的位置按照以下式子更新第i维变量在第t次迭代的最小值和第i维变量在第t次迭代的最大值
[0062][0063][0064]
其中，c
t
为第t次迭代中所有变量的最小值；d
t
为第t次迭代中所有变量的最大值；为第j只蚁狮在第t次迭代的位置；i为比率，其值为(t为最大迭代次数，本实施例中为500；ω是根据当前迭代定义的常量，本实施例中，t>0.1t时ω＝2，t>0.5t时ω＝3，t>0.75t时ω＝4，t>0.9t时ω＝5，t>0.95t时ω＝6)。
[0065]
s400
‑
3：使第t次迭代下的第i只蚂蚁位置按照下式在蚁狮及精英蚁狮附近随机游走。
[0066][0067]
其中，a
i
为第i维变量随机游走的最小值，b
i
为第i维变量随机游走的最大值。s400
‑
3中，每只蚂蚁需计算两次随机游走来进行位置的更新，一次是围绕精英蚁狮的随机游走计算，另一次是围绕根据轮盘赌策略选择的蚁狮的随机游走计算。
[0068]
s400
‑
4：最后按下式取平均值更新蚂蚁的位置。
[0069][0070]
其中，为在第t次迭代中围绕根据轮盘赌策略选择的蚁狮的随机游走，为在第t次迭代中围绕精英蚁狮的随机游走。
[0071]
s500：计算所有蚂蚁的适应度，并将蚁狮的位置更新为适应度更好的蚂蚁的位置。根据蚂蚁位置向量计算出的误差均方值判断蚂蚁的适应度，误差均方值越小，蚂蚁的适应度越高，当蚂蚁的适应度高于其经过轮盘赌策略选定的蚁狮的适应度时，替换蚁狮的位置。
[0072]
s600：更新精英蚁狮的位置。具体地，比较当前迭代下所有蚁狮的适应度，并把适应度最高的蚁狮与精英蚁狮进行比较，如果适应度高于精英蚁狮，则替换精英蚁狮的位置。
[0073]
s700：当满足迭代收敛条件后，将精英蚁狮的位置作为最优的滤波器系数向量；当循环不满足迭代收敛条件时，对精英蚁狮附近的蚁狮施加跳出机制，并重复s400、s500和s600。具体地，在本实施例中，跳出机制为：
[0074][0075]
其中，为第j只蚁狮在第t次迭代的第i维分量的值；rand为0到1之间的随机数，d为精英蚁狮到第j只蚁狮的距离；d0为跳出阈值，本实施例中为1.50。蚁狮算法中，蚂蚁的位置是根据蚁狮的位置来进行更新的，而蚁狮的位置也是随着蚂蚁位置的更优化而改变，因此其全局搜索能力不足，对于anc而言，则可能会导致降噪效果不尽人意，本实施例针对此不足增加了跳出机制，结合算法中的轮盘赌策略和精英策略保证了种群的多样性和算法的寻优性能，具有全局优化、调节参数少、收敛精度高、鲁棒性好的优点，能够有效地提高主动降噪性能。
[0076]
以上的仅是本发明的实施例，该发明不限于此实施案例涉及的领域，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。