[发明专利]一种基于模糊神经网络的主动噪声控制方法、系统及直升机驾驶员头盔

权利要求书

1.一种基于模糊神经网络的主动噪声控制方法，其特征在于，包括：

参考麦克风采集参考区域的参考噪声信号，作为参考信号，并输出至模糊控制器；

误差麦克风采集噪声控制区域的残余噪声信号，作为误差信号，并输出至模糊控制器；以及

所述模糊控制器基于模糊神经网络的自适应FX-RBF网训练算法，对所述参考信号和所述误差信号进行分析，并输出反相的目标声信号至扬声器。

2.根据权利要求1所述的基于模糊神经网络的主动噪声控制方法，其特征在于，所述模糊控制器为两个独立的模糊控制器，分别对各自接收到的参考信号和误差信号信号进行分析，并输出反相的目标声信号至扬声器，以抵消残余噪声信号。

3.根据权利要求1所述的基于模糊神经网络的主动噪声控制方法，其特征在于，所述自适应FX-RBF网训练算法包括：基于模糊c-均值聚类对参考噪声信号数据集进行划分；基于近似梯度下降法自适应减少每次迭代的计算步长，并动态调整最小均方差算法的学习速率。

4.根据权利要求2所述的基于模糊神经网络的主动噪声控制方法，其特征在于，所述自适应FX-RBF网训练算法还包括：对时滞信号的幅值和相位进行分析，重构反相目标声信号后输出至扬声器。

5.根据权利要求3所述的基于模糊神经网络的主动噪声控制方法，其特征在于，所述基于模糊c-均值聚类对参考噪声信号数据集进行划分的步骤包括：

使用高斯函数作为算法的基函数，在确定适合实际噪声情况的最佳聚类个数c和最佳权重因子m后，对隐含层的中心向量进行学习，直到中心向量不再变化或小于预设阈值，并计算高斯函数方差。

6.根据权利要求3所述的基于模糊神经网络的主动噪声控制方法，其特征在于，所述基于近似梯度下降法自适应减少每次迭代的计算步长，并动态调整最小均方差算法的学习速率的步骤包括：

基于近似梯度下降法，利用公式α(t+1)=α(t)-β·ΔE自适应减少每次迭代的计算步长，并动态调整最小均方差算法的学习速率；

然后初始化隐含层到输出层的每个权值，再利用公式对权值进行计算，直到输出误差[y₀(n)-y(n)]不再变化或小于预设的某个阈值时，停止学习，否则继续重复以上学习步骤；

式中α为学习速率，ΔE为训练前后的误差，β为自适应调整步长，w为隐含层到输出层的权值，y₀(n)为目标输出值，y(n)为实际输出值。

7.一种基于模糊神经网络的主动噪声控制系统，其特征在于，包括：模糊控制器、参考麦克风、误差麦克风和扬声器，其中：

所述参考麦克风，用于采集参考区域的参考噪声信号，作为参考信号，并输出至模糊控制器；

所述误差麦克风，用于采集噪声控制区域的残余噪声信号，作为误差信号，并输出至模糊控制器；以及

所述模糊控制器与所述参考麦克风及所述误差麦克风耦接，基于模糊神经网络的自适应FX-RBF网训练算法，对所述参考信号和所述误差信号进行分析，并输出反相的目标声信号至扬声器。

8.根据权利要求7所述的基于模糊神经网络的主动噪声控制系统，其特征在于，所述模糊控制器为两个独立的模糊控制器，分别对各自接收到的参考信号和误差信号信号进行分析，并输出反相的目标声信号至扬声器，以抵消残余噪声信号。

9.一种使用权利要求7的模糊神经网络的主动噪声控制系统的直升机驾驶员头盔，其特征在于，所述主动噪声控制系统还包括驾驶员头盔主体，所述模糊控制器包括左耳模糊控制器、右耳模糊控制器，分别执行左、右耳的信号分析及降噪模式输出。

10.根据权利要求9所述的直升机驾驶员头盔，其特征在于，包括：电源、主动噪声控制系统开关，所述电源向模糊控制器供电，主动噪声控制系统开关分别位于电源与主动噪声控制系统之间；所述参考麦克风、误差麦克风与扬声器集成于左耳耳罩和右耳耳罩中；所述主动噪声控制系统开关集成于左耳耳罩中；所述模糊控制器和电源集成在头盔正后方；所述头盔为三腔单垫式头盔，驾驶员佩戴该头盔时，由扬声器鼓面、耳罩垫、驾驶员耳部构成密闭的腔体，为残余噪声控制区；由扬声器背面和耳罩外壳形成密闭的腔体，为噪声参考区域1；由耳罩外壳、头盔主体、驾驶员头部构成密闭的腔体，为噪声参考区域2。