[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

说明书

本发明涉及一种基于深度神经网络的自适应有源噪声控制系统及其方法，其技术特点是：该系统包括参考麦克风、控制器、作动器和误差麦克风，控制器包括深度神经网络模块和驱动电路；参考麦克风设置于噪声声源附近用于收集参考信号；误差麦克风设置于控制点处用于收集误差信号；深度神经网络模块生成与待控制噪声信号振幅相同相位相反的控制信号并更新网络参数，并将生成的控制信号输出给驱动电路；驱动电路将控制信号输出给作动器；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。本发明结合RNN循环神经网络和MLP多层感知机网络，解决了最小均方误差算法无法控制非线性噪声的缺陷，提高了有源噪声控制技术的适用范围。

技术领域

本发明属于有源噪声控制技术领域，尤其是一种基于深度神经网络的自适应有源噪声控制系统及其方法。

背景技术

噪声污染是一个全世界都十分关注的环境问题。一般性的噪声干扰会影响人们的正常生活和工作，长期暴露在高噪声环境下更是会对人的心理和生理健康造成严重危害。因此，噪声控制长期以来都是一项重要的工作。

从策略上讲，传统的噪声控制主要以噪声的声学控制方法为主，技术手段包括吸声处理、隔声处理、振动的隔离与降低等。这些方法的机理在于使噪声声波与声学材料或结构相互作用而消耗声能，从而达到降低噪声的目的，称为“无源”噪声控制。总体上讲，无源控制方法对降低中高频噪声较为有效，而对低频噪声作用不大。为此，有源噪声控制技术给出了一种新的解决方法。

有源噪声控制技术也称主动降噪技术，其通过设计合理的自适应滤波器，控制一个次级声源发出与原始噪声幅度相同、相位相反的控制声波，利用声波的相消性干涉，使控制声波与原始噪声在控制点处相互叠加并抵消，以达到噪声消除的目的。目前使用最为普遍的是基于维纳滤波理论的最小均方误差(least mean square，LMS)算法，该算法利用最速梯度下降法调整滤波器参数，以实现对未知噪声的自适应控制。

LMS算法作为一种线性控制算法，有计算复杂度低、对平稳信号收敛性好的优点。由于大多数有源噪声控制系统在较大的范围内都有良好的线性度，这使其在一定程度上足以令人满意。但是对于非线性特性严重的噪声，线性控制算法将难以起到理想的控制效果。因此，如何设计性能良好的非线性控制算法是有源噪声控制领域发展道路上的一大难点。

其中一种解决方案是利用人工神经网络(Artificial Neural Network，ANN)技术。ANN是20世纪末迅速发展起来的一门新技术，属于机器学习的一个分支。该技术具有良好非线性映射能力和自适应学习能力的特点，为针对非线性噪声进行有源控制提供了一条新的思路。但是现有的基于ANN实现有源噪声控制的相关研究仍有较大缺陷：ANN对非线性函数的拟合依赖于一个较大的隐藏层对输入向量进行高维拓展，这无疑大大增加了算法的计算代价，而在网络规模较小时其收敛速度和降噪效果也差强人意。这些缺点使得ANN技术在有源噪声控制领域难以成为主流。

2006年，深度学习这一概念在ANN的基础上被正式提出。深度学习也被称为深度神经网络(Deep Neural Network，DNN)，它超越了之前机器学习模型的神经科学观点，诉诸于学习“多层次组合”这一更普遍的原理，这一原理也可以应用于那些并非受神经科学启发的机器学习框架。在DNN技术的各种应用中，循环神经网络(Recurrent Neural Network，RNN)是一类用于处理序列数据x⁽¹⁾，…，x^(τ)的特化网络，并用以下公式表示隐藏层的状态H^(t)，

H^(t)＝f(H^(t-1)，x^(t))

＝g^(t)(x^(t)，x^(t-1)，…，x⁽¹⁾)