一种基于神经网络的混合式主动降噪叠加方法和装置与流程

本发明属于混合式主动降噪技术领域，更具体地说，尤其涉及一种基于神经网络的混合式主动降噪叠加方法和装置。

背景技术：

对于混合式主动降噪的数字方案，一般包含前馈式降噪和反馈式降噪。如图1所示：前馈式降噪，在a位，参考麦克风拾取噪声信号，通过前馈降噪控制器，产生和原始噪声反向的信号，然后通过扬声器输出，在b位产生和原始噪声信号幅值相同，但相位相反的反向信号，原始噪声信号和反向信号从而相互抵消。反馈式降噪，在c位的误差信号麦克风，拾取原始噪声信号和扬声器产生的反向噪声叠加后的残差信号，然后通过这个残差信号，通过反馈控制器，产生和残差信号幅值相同，相位相反的反向信号，进一步将残差噪声消除。

一般的数字式降噪控制器采用fir(有限冲击响应)滤波器或者iir(无限冲击相应)滤波器。这两类滤波器属于线性滤波器。当从前馈控制通道，即a位噪声源到b位扬声器过程中原始噪声传播的路径，存在非线性环节，比如输入噪声过大，导致器件产生非线性；或者从b位的扬声器到c位的误差麦克风传递函数存在非线性，比如扬声器处于饱和，则前馈和反馈式线性滤波器不能处理由于非线性产生的谐波，以及交调失真，从而导致主动降噪的性能变差。

另外在常规的混合式降噪控制器中，如图2所示，噪声参考麦克风信号为x(n)，目标信号为d(n),前馈滤波器输出为y(n)，误差麦克风信号为e(n)。p(z)是噪声原始通道的传递函数，wf(n)是前馈滤波器，wb(n)是反馈式滤波器，lms(leastmeansquare)是对滤波器参数进行迭代的最小均方差迭代算法；s(z)是次级通道，即从控制信号从扬声器输出，通过扬声器推动空气，传递到麦克风吸取的整个路径的传递函数。一般次级通道的传递函数不能获得，只能进行估计。图中s’(z)即为s(z)的估计，另外对于反馈控制器，不能获得原始噪声信号的信息，此时可以将误差信号麦克风信号e(n)，加上每次控制迭代输出的反向噪声信号y(n)，作为原始噪声信号d(n)的估算值d’(n)；其中wf(n)，wb(n)均可采用fir或者iir滤波器实现。

一般的数字式前馈式降噪控制器采用fir(有限冲击响应)滤波器或者iir(无限冲击相应)滤波器。这两类滤波器属于线性滤波器。当从a位噪声源到b位扬声器过程中原始噪声传播的路径中存在非线性环节，比如原始噪声过大，导致器件产生非线性；或者从b位的扬声器到c位的误差麦克风传递函数存在非线性，比如扬声器处于饱和，则线性滤波器不能处理由于非线性产生的谐波，以及交调失真，从而降低降噪的性能。

技术实现要素：

本发明的目的是为了解决现有技术中存在的缺点，对于从a位噪声源到b位扬声器过程中原始噪声传播的路径中存在非线性环节，比如原始噪声过大，导致器件产生非线性的情况，前馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制；从c位的误差麦克风到b位扬声器的控制通道中存在非线性环节，比如误差麦克风存在非线性，或者放大器存在非线性，反馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制，而提出的一种基于神经网络的混合式主动降噪叠加方法和装置。

为实现上述目的，本发明提供如下技术方案：一种基于神经网络的混合式主动降噪叠加方法，包括：

wf(n)或/和wb(n)由线性滤波器fir或者iir实现，滤波器参数根据lms或者rlms算法进行迭代，s(z)因为具有非线性，因此s’(z)仍然可以用神经网络来进行估计，神经网络的参数根据bp算法进行迭代求解；

还包括两种方法：

方法一，直接修改次级信道的传递函数；

s(z)是次级信道传递函数；

(y(n)-e(n)*wb(n))*s＝e(n)

进一步求解可得出：

y(n)*s(z)-e(n)*wb(n)*s(z)＝e(n)

y(n)*s(z)＝e(n)*(1 wb(n)*s(z))

进一步求解可得出，实际的次级信道估计s’(z)实际是原始的次级信道s(z)以及反馈控制器wb(n)的函数，计算如下：

此时将前馈和反馈控制器进行叠加，在计算前馈控制滤波器wf(n)计算时，所采用的s’(z)必须是包含有原始滤波器和反馈控制器的函数，即前馈滤波器的神经网络算法中，bp算法的输入信息包括反馈滤波器的信息，即

wf(n)＝f(x(n),s(z),wb(n))；

方法二，利用在线测量次级信道s’(z)；

反馈控制器开启之后，在喇叭处注入一个激励信号，然后在参考麦克风处进行接收，根据输入输出的来计算得到次级信道整体的传递函数；

u(n)是输入的激励信号，假定次级信道用神经网络来建模，一路通过带反馈控制器wb(n)从喇叭输出到参考麦克风，得到误差信号e(n)，另外一路是通过神经网络描述的次级信道估计s’(z)，输出的信号和e(n)相减，得到两路信号的的差值e’(n)，这个差值作为求解反向次级信道神经网络s’(z)的反向传播算法bp的输入值，通过不断调整s’(z)的参数，使得e’(n)趋近于零，从而使得s’(z)成为带反馈控制器wb(n)的次级信道传递函数的近似估计。

优选的，s’(z)用神经网络来进行估计时，s’(z)进行bp估算时的输入信号包括随机信号。

优选的，神经网络的参数进行迭代求解根据的bp算法为反向传播算法。

优选的，在计算前馈控制滤波器wf(n)计算时，所采用的s’(z)必须是包含有原始滤波器和反馈控制器的函数，该函数如何构造，并不影响这个前馈滤波器计算需要以来反馈滤波器的信息。

优选的，在混合降噪的叠加中，前馈降噪的滤波器和反馈降噪的滤波器输出直接叠加，前馈降噪滤波器的计算需要用到次级信道的估计值；而在叠加过程中，次级信道的传递函数会发生变化。

优选的，即对于前馈降噪而言，没有反馈降噪的次级信道传递函数和有反馈降噪的传递函数已经完全不同。

优选的，在混合降噪的叠加过程中，需要将反馈降噪的对于次级信道的影响计入，不然因为次级信道传递函数的估计不准，导致前馈降噪和反馈降噪的叠加，不能使得叠加之后的降噪效果等于前馈降噪的效果加上反馈降噪的效果。

优选的，所述lms算法为最小均方算法。

优选的，方法二中，在喇叭处注入的一个激励信号包括随机信号与利用喇叭现有的激励信号。

本发明还提出一种基于神经网络的混合式主动降噪叠加装置，包括基于神经网络的混合式主动降噪叠加装方法。

本发明的技术效果和优点：本发明提供的一种基于神经网络的混合式主动降噪叠加方法和装置，与现有技术相比，对于从a位噪声源到b位扬声器过程中原始噪声传播的路径中存在非线性环节，比如原始噪声过大，导致器件产生非线性的情况，前馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制；从c位的误差麦克风到b位扬声器的控制通道中存在非线性环节，比如误差麦克风存在非线性，或者放大器存在非线性，反馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制。

附图说明

图1为现有技术中混合式降噪的示意图；

图2为现有技术中混合式降噪线性控制器和次级通道辨识的示意图；

图3为本发明基于神经网络的混合式降噪控制器的示意图；

图4为本发明基于神经网络的次级信道估计的示意图；

图5为本发明基于神经网络的次级通道估计和混合式降噪控制器的示意图；

图6为本发明反馈控制叠加后次级信道发生变化的示意图；

图7为本发明在线估计次级信道神经网络示意图；

图8为本发明实施例1中输入层、隐藏层与输出层以及每层不同的神经元的局部示意图；

图9为本发明实施例1中神经元定义的示意图；

图10为本发明实施例1中输入层、隐藏层与输出层以及每层不同的神经元的详细示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于神经网络的混合式主动降噪叠加方法，包括：

wf(n)或/和wb(n)由线性滤波器fir或者iir实现，滤波器参数根据lms或者rlms算法进行迭代，s(z)因为具有非线性，因此s’(z)仍然可以用神经网络来进行估计，神经网络的参数根据bp算法进行迭代求解；

一般的数字式前馈式降噪控制器采用fir(有限冲击响应)滤波器或者iir(无限冲击相应)滤波器。这两类滤波器属于线性滤波器。当从a位噪声源到b位扬声器过程中原始噪声传播的路径中存在非线性环节，比如原始噪声过大，导致器件产生非线性；或者从b位的扬声器到c位的误差麦克风传递函数存在非线性，比如扬声器处于饱和，则线性滤波器不能处理由于非线性产生的谐波，以及交调失真，从而降低降噪的性能。

对于从a位噪声源到b位扬声器过程中原始噪声传播的路径中存在非线性环节，比如原始噪声过大，导致器件产生非线性的情况，前馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制；从c位的误差麦克风到b位扬声器的控制通道中存在非线性环节，比如误差麦克风存在非线性，或者放大器存在非线性，反馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制；我们知道神经网络是一种非线性控制器，因此，可以采用神经网络来实现混合降噪控制器。

对于从b位的扬声器到c位的误差麦克风传递函数存在非线性，比如扬声器处于饱和，则线性滤波器不能处理由于非线性产生的谐波，以及交调失真的情况，如果次级通道的估计采用非线性估计，则对于次级通道的建模和估计会更准确

如图5所示，当从a位噪声源到b位扬声器的通道，从c位的误差麦克风到b位扬声器的控制通道，中以及从b位的扬声器到c位的误差麦克风同时存在非线性环节的情况，则前馈和反馈控制器和次级通道估计均可用神经网络来实现；

在上面混合降噪的叠加中，前馈降噪的滤波器和反馈降噪的滤波器输出直接叠加，前馈降噪滤波器的计算需要用到次级信道的估计值；而在叠加过程中，次级信道的传递函数会发生变化。即对于前馈降噪而言，没有反馈降噪的次级信道传递函数和有反馈降噪的传递函数已经完全不同。因此，在上面叠加过程中，需要将反馈降噪的对于次级信道的影响计入，不然因为次级信道传递函数的估计不准，导致前馈降噪和反馈降噪的叠加，不能使得叠加之后的降噪效果等于前馈降噪的效果加上反馈降噪的效果。

解决这个叠加问题的有两种方法，一种方式是直接修改次级信道的传递函数，另一种解决前馈和反馈控制器叠加的方式是利用在线测量次级信道s’(z)

如图2-7所示，还包括两种方法：

方法一，直接修改次级信道的传递函数；

s(z)是次级信道传递函数；

(y(n)-e(n)*wb(n))*s＝e(n)

进一步求解可得出：

y(n)*s(z)-e(n)*wb(n)*s(z)＝e(n)

y(n)*s(z)＝e(n)*(1 wb(n)*s(z))

进一步求解可得出，实际的次级信道估计s’(z)实际是原始的次级信道s(z)以及反馈控制器wb(n)的函数，计算如下：

此时将前馈和反馈控制器进行叠加，在计算前馈控制滤波器wf(n)计算时，所采用的s’(z)必须是包含有原始滤波器和反馈控制器的函数，即前馈滤波器的神经网络算法中，bp算法的输入信息包括反馈滤波器的信息，即

wf(n)＝f(x(n),s(z),wb(n))；

方法二，利用在线测量次级信道s’(z)；

反馈控制器开启之后，在喇叭处注入一个激励信号，然后在参考麦克风处进行接收，根据输入输出的来计算得到次级信道整体的传递函数；

u(n)是输入的激励信号，假定次级信道用神经网络来建模，一路通过带反馈控制器wb(n)从喇叭输出到参考麦克风，得到误差信号e(n)，另外一路是通过神经网络描述的次级信道估计s’(z)，输出的信号和e(n)相减，得到两路信号的的差值e’(n)，这个差值作为求解反向次级信道神经网络s’(z)的反向传播算法bp的输入值，通过不断调整s’(z)的参数，使得e’(n)趋近于零，从而使得s’(z)成为带反馈控制器wb(n)的次级信道传递函数的近似估计。

s’(z)用神经网络来进行估计时，s’(z)进行bp估算时的输入信号包括随机信号。

神经网络的参数进行迭代求解根据的bp算法为反向传播算法。

在计算前馈控制滤波器wf(n)计算时，所采用的s’(z)必须是包含有原始滤波器和反馈控制器的函数，该函数如何构造，并不影响这个前馈滤波器计算需要以来反馈滤波器的信息。

在混合降噪的叠加中，前馈降噪的滤波器和反馈降噪的滤波器输出直接叠加，前馈降噪滤波器的计算需要用到次级信道的估计值；而在叠加过程中，次级信道的传递函数会发生变化。

即对于前馈降噪而言，没有反馈降噪的次级信道传递函数和有反馈降噪的传递函数已经完全不同。

在混合降噪的叠加过程中，需要将反馈降噪的对于次级信道的影响计入，不然因为次级信道传递函数的估计不准，导致前馈降噪和反馈降噪的叠加，不能使得叠加之后的降噪效果等于前馈降噪的效果加上反馈降噪的效果。

所述lms算法为最小均方算法。

方法二中，在喇叭处注入的一个激励信号包括随机信号与利用喇叭现有的激励信号。

实施例1

如图8所示，神经网络实现wf(n)，wb(n)。s’(z)用fir或者iir实现；

假定wf(n)或wb(n)由如下的3*n*1前向神经网络实现，即输入层为3个神经元，隐藏层为n个神经元，输出层为一个神经元；其中wij,h表示第i个输入到隐藏层第j个神经元的权重值，wj,o表示j个隐藏层的神经元到输出的权重值；

很显然，对于不同的层数，以及每层不同的神经元个数，属于很容易推导和理解的扩展，也属于本专利的保护范围；

如图9所示，图中为神经元的定义；

假定有若干个输入信号xi,i＝1,2,…,n；wi表示第i个输入对应的权重系数，θ表示神经元的阈值，也可以理解为另外一个不变的输入值；∑表示累加，net表示各输入值乘以权重值后的累加值，y为输出值；f是非线性函数，比如sigmoid函数，或者双曲正切函数如下；

假定前馈主动降噪控制的代价函数为误差均方函数：

costfunction＝e²＝(y-d)²

如图10所示，则根据bp(backpropagation)反向传播算法，可以计算出输出层各权重的迭代计算公式如下，其中，f’o(neto)是fo(neto)的导数：

wj,o(n 1)＝wj,o(n) 2efo′(neto)xj,h(n)

隐藏层各权重的迭代计算公式如下：

wij,h(n 1)＝wij,h(n) 2efo′(neto)wj,ofh′(netj,h)xi(n)

或者统一写成

wnode,o(n 1)＝wnode,o(n) λ1δnode(n)xnode,h(n)

其中λ1是收敛系数，δnode(n)按照如下计算：

同时，假定次级信道s’(z)由fir滤波器或者iir滤波器实现，比如为fir滤波器，则fir滤波器每阶的权重系数迭代计算公式如下，其中l＝1,2,…,l

wl(n 1)＝wl(n) λ2ex(n-l)

实施例2

fir或者iir实现wf(n),wb(n)，s’(z)用前向神经网络实现；

假定fir实现wf(n),wb(n)。此时wf(n),wb(n)的权重系数，根据lms最小均方算法，由下面公式迭代计算：

wl(n 1)＝wl(n) λ2ex(n-l)

而s’(z)用前向神经网络实现，其权重系数由下面公式迭代计算：

wnode,o(n 1)＝wnode,o(n) λ1δnode(n)xnode,h(n)

实施例3

wf(n),wb(n)和s’(z)都用神经网络实现；

wf(n),wb(n)和s’(z)用前向神经网络实现，其权重系数均由下面公式迭代计算。

wnode,o(n 1)＝wnode,o(n) λ1δnode(n)xnode,h(n)

当然，wf(n),wb(n)和s’(z)使用的神经网络的层数，以及每层的神经元节点数可以不一样，但是，其权重系数的迭代过程和公式大同小异

实施例4

次级信道估计采用原始次级信道估计和反馈控制器函数的方式迭代计算得到。

如前所述，次级信道估计s’(z)实际是原始的次级信道s(z)以及反馈控制器wb(n)的函数，比如计算如下：

实施例5

次级信道估计采用前向神经网络bp算法得到，其中反馈控制器作为bp算法的输入

综上所述：本发明提供的一种基于神经网络的混合式主动降噪叠加方法和装置，与现有技术相比，对于从a位噪声源到b位扬声器过程中原始噪声传播的路径中存在非线性环节，比如原始噪声过大，导致器件产生非线性的情况，前馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制。从c位的误差麦克风到b位扬声器的控制通道中存在非线性环节，比如误差麦克风存在非线性，或者放大器存在非线性，反馈滤波器如果能用非线性滤波器，则能更好地对噪声进行控制。我们知道神经网络是一种非线性控制器，因此可以采用神经网络来实现混合降噪控制器。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。