[发明专利]基于深度神经网络的自适应有源噪声控制系统及其方法

权利要求书

1.一种基于深度神经网络的自适应有源噪声控制系统，其特征在于：包括参考麦克风、控制器、作动器和误差麦克风，所述控制器包括深度神经网络模块和驱动电路；

所述参考麦克风设置于噪声声源附近，用于收集参考信号并输入至深度神经网络的收入端；

所述误差麦克风设置于控制点处，用于收集误差信号并输入至深度神经网络的收入端；

所述深度神经网络模块对参考信号进行处理，生成与待控制噪声信号振幅相同相位相反的控制信号，并将生成的控制信号输出给驱动电路；所述深度神经网络模块根据误差信号，利用反向传播算法进行梯度计算，更新网络参数；

所述驱动电路将控制信号输出给作动器；

所述作动器将控制信号转化为控制声波，在控制点处与待控制噪声叠加，进行有源消声。

2.根据权利要求1所述基于深度神经网络的自适应有源噪声控制系统，其特征在于：所述深度神经网络模块为RNN循环神经网络嵌套MLP多层感知机节点的DNN深度神经网络结构，该深度神经网络模块由1个输入层、1个隐藏层和1个输出层组成的3层深度网络构成，其中输入层包括5个输入节点，隐藏层由10个RNN循环神经元和一个MLP节点组成，输出层包括一个输出节点。

3.根据权利要求1或2所述基于深度神经网络的自适应有源噪声控制系统，其特征在于：所述控制器为集成电路硬件芯片，硬件芯片内集成深度神经网络模块和驱动电路。

4.一种如权利要求1至3任一项所述基于深度神经网络的自适应有源噪声控制系统的控制方法，其特征在于，包括以下步骤：

步骤1、设置于噪声声源附近的参考麦克风收集参考信号并输入至深度神经网络模块中，设置于控制点处的误差麦克风收集误差信号并输入至深度神经网络模块中；

步骤2、深度神经网络模块根据误差信号，采用反向传播算法进行梯度计算并更新网络参数；深度神经网络模块对参考信号进行处理，生成与待控制噪声信号振幅相同相位相反的控制信号；

步骤3、深度神经网络模块将生成的控制信号通过驱动电路输入至作动器。

步骤4、作动器将控制信号转化为控制声波，在控制点处与待控制噪声叠加，进行有源消声。

5.根据权利要求4所述基于深度神经网络的自适应有源噪声控制系统的控制方法，其特征在于：所述步骤2的具体实现方法包括以下以下步骤：

(1)使用如下公式计算当前时刻RNN神经元状态H^(t)，

H^(t)＝XV+H^(t-1)W，

其中，H^(t-1)为上一时刻的RNN神经元状态；X为输入向量；V和W为加权系数矩阵；

(2)使用如下公式计算MLP节点状态b，

其中，U为加权系数矩阵；

(3)使用如下公式计算当前时刻控制信号的输出值

其中，α和β为加权系数矩阵；

(4)使用反向传播算法计算各加权系数矩阵的负梯度，其计算公式如下：

Δβ＝eb，

ΔU_i＝eβX_i，

ΔV_ij＝eα_jX_i，

其中，e为当前时刻采得误差信号的样本值；

(5)使用如下公式对网络参数进行更新，

α＝α+ηΔα，

β＝β+ηΔβ，

U＝U+ηΔU，

V＝V+ηΔV，

W＝W+ηΔW

其中，η为预先设定的学习率。