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

技术特征：

1.一种基于神经网络的混合式主动降噪叠加方法，其特征在于，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。

2.根据权利要求1所述的一种基于神经网络的混合式主动降噪叠加方法，其特征在于，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。

3.根据权利要求1所述的一种基于神经网络的混合式主动降噪叠加方法，其特征在于，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。

4.根据权利要求1所述的一种基于神经网络的混合式主动降噪叠加方法，其特征在于，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。

5.根据权利要求1所述的一种基于神经网络的混合式主动降噪叠加方法，其特征在于，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。

6.根据权利要求5所述的一种基于神经网络的混合式主动降噪叠加方法，其特征在于，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。

7.根据权利要求6所述的一种基于神经网络的混合式主动降噪叠加方法，其特征在于，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。

8.根据权利要求1所述的一种基于神经网络的混合式主动降噪叠加方法，其特征在于，所述lms算法为最小均方算法。

9.根据权利要求1所述的一种基于神经网络的混合式主动降噪叠加方法，其特征在于，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。

10.一种基于神经网络的混合式主动降噪叠加装置，其特征在于，包括权利要求书1-9任意一项的基于神经网络的混合式主动降噪叠加装方法。

技术总结
本发明公开了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。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。

技术研发人员：胡中骥;李向才;钟鑫
受保护的技术使用者：佳禾智能科技股份有限公司
技术研发日：2021.03.18
技术公布日：2021.07.02