本发明专利技术涉及主动噪声控制领域，尤其涉及基于标准粒子群优化算法的主动噪声控制方法，包括：(1)根据实际噪声控制问题建立迭代学习主动噪声控制系统；(2)根据广义次级通道的传递函数设计自变量为学习滤波器参数的适应度计算公式；(3)根据IIR滤波器数学模型建立标准粒子群优化模型；(4)利用标准粒子群优化算法搜索出最佳性能滤波器参数。本发明专利技术的优势在于：(1)本发明专利技术方法简单，易于实现，能够有效的消除重复噪声；(2)本发明专利技术设计一种迭代学习主动噪声控制系统，该系统用频域方法描述系统，用IIR滤波器实现学习滤波器，并通过量子粒子群优化算法设计IIR滤波器的参数，有很好的稳定性、鲁棒性，收敛速度快。
【技术实现步骤摘要】
本专利技术涉及主动噪声控制领域，尤其涉及基于标准粒子群优化算法的主动噪声控制方法。
技术介绍
主动噪声控制(ANC)最早由德国Lueg Paul以专利的形式于1936年提出，至今已有八十多年的发展历程。它的原理是人为生成一个与噪声等幅、同频、反相的声音与噪声进行相消性干涉，从而达到降噪或消声的目的。主动噪声控制系统如图1所示，图中d(n)是噪声，也被称为主声源；u(n)是控制输入；x(n)是次级声源在相消区域的声音信号；e(n)是残差信号；P(z)是控制系统的传递函数，也可称为广义次级通道，它不但包括了次级声源到相消区域之间的次级通道，还包括了系统输入到次级声源产生的过程。我们的目的是要根据残差信号和控制信号通过自适应的方式更新控制信号使残差信号渐渐减小。当噪声具有重复特性，这个问题就可被看作为一个轨迹跟踪问题。我们可以利用ILC方法对噪声进行一次次的学习，使次级声源渐渐近似于反相主声源与主声源进行干涉相消，使残差信号减小。随着自适应滤波技术的ANC技术的成熟，滤波最小均方误差(FxLMS)算法的ANC技术得到了广泛的应用。但是这种通用性广泛的技术，也带来了一些性能上的问题：(1)对于具有重复特性的噪声，FxLMS-ANC无法利用其噪声的特殊性进行降噪；(2)在那些对降噪性能有极致要求的应用背景中，FxLMS-ANC往往也无能为力，随着现代控制理论的发展和新型控制理论的不断出现，ANC有了一些新的发展方向。其中，基于迭代学习控制理论的ANC技术在处理具有重复特性噪声的应用中具有很高的研究价值。迭代学习控制(ILC)由日本学者Uchiyama于1978年首次提出，它通过反复利用先前实验得到的信息来获得能够产生期望输出轨迹的控制输入，以改善控制质量。与传统的控制方法不同的是，迭代学习控制能以非常简单的方式处理不确定度相当高的动态系统，且仅需要较少的先验知识和计算量，具有适应性强、易于实现等优点，更重要的是，他不依赖于被控对象的精确数学模型，是一种以迭代学习方式产生优化控制信号，使系统输出尽可能逼近理想值的控制算法。迭代学习控制凭借其独有的控制方式，对于解决非线性、复杂度高、难以建模的高精度轨迹跟踪控制问题有着巨大的优势。其已成为提高进行重复性运作系统的跟踪精度及消除系统重复干扰的有效途径，是现代控制理论的重要组成部分。标准粒子群优化算法(PSO-W)是在标准粒子群优化算法(PSO)基础上提出的。PSO算法是由美国学者Kennedy和Eberhart于1995年提出的一种全局智能优化算法，用于解决各式各样的优化问题。它利用一群粒子对最优解进行搜索，每个粒子都会根据自身的搜索经验和全局的搜索经验更新自身的搜索速度并评价当前位置的适应度为下一步搜索提供个体经验和全局经验，最终搜索出全局最优解。PSO算法参数少，实现起来较为简单。为了得到更好的收敛性，PSO-W算法使得粒子可以在整个可行解的空间中进行搜索，比PSO具有更好的全局收敛性和搜索能力。
技术实现思路
本专利技术为克服现有技术的不足之处、提供基于标准粒子群优化算法的主动噪声控制方法，该方法通过设计学习滤波器、优化参数算法，可以使主动噪声控制器对主声源跟踪的速度性能和误差性能达到最佳。本专利技术通过以下技术方案达到上述目的：基于标准粒子群优化算法的主动噪声控制方法，实施本专利技术方法的基于标准粒子群优化算法的主动噪声控制系统运行于计算机系统上，包括广义次级通道的传递函数P(z)、学习滤波器Q(z)和G(z)，其中Q(z)＝1，G(z)由IIR滤波器实现，z为系统函数的z域表示的变量；包括以下步骤：(1)根据广义次级通道的传递函数P(z)，选择IIR滤波器的抽头系数个数，其中分子中的参数个数为l，分母中的参数个数为r；(2)根据已知线性时不变系统的传递函数对应的频率响应函数P(ejω)，得到一个适应度函数表达式：其中：en(ejω)＝[1,e-jω,...,e-jωl]T (2)ed(ejω)＝[e-jω,e-2jω,...,e-jωr]T (3)φ＝[a1,a2,...,ar]T (4)ψ＝[b0,b1,...,bl]T (5)ejω为时域到复频域的拉普拉斯变换后的频域表示，ω为频率，φ，ψ为滤波器的实系数向量，其中[·]T表示向量转置，en(ejω)，ed(ejω)为两个复函数向量。(3)设定标准粒子群优化算法的参数；具体的参数有：总搜索代数N；粒子总数M；粒子在搜索空间飞行的速度v，加速系数c1,c2,r1,r2为服从[0,1]内均匀分布的随机数；(4)初始化滤波器系数向量所有个体的适应度值个体潜在最优的滤波器系数向量Pbesti(0),i＝1,2,...,M、全局潜在最优的滤波器系数向量gbest(0)、搜索代数n＝0；(5)进入下一代搜索，n＝n+1；计算所有个体的适应度值：比较个体当前适应度值和个体上一代的全局最优适应度值，如果个体的当前适应度大于上一代的全局最优适应度值，则用全局最优适应度值更新当前适应度值，并用全局潜在最优的滤波器系数向量更新当前个体的滤波器系数向量如果个体的当前适应度值小于上一代的全局最优适应度值，则保留上一代的适应度值和上一代的全局潜在最优滤波器系数向量gbesti(n)＝gbesti(n-1)，再用个体当前的适应度值与上一代个体最优适应度值比较，如果个体当前的适应度值大于上一代个体最优适应度值，则用个体最优适应度值更新当前适应度值，并用个体潜在最优的滤波器系数向量更新当前个体的滤波器系数向量：看滤波器的系数向量是否达到最终条件，没有则更新粒子飞行的速度和滤波器的系数向量，进入下一次迭代。更新粒子飞行速度v和滤波器系数向量：(6)重复步骤(5)，直到达到设定的最大搜索代数；输出全局潜在最优的滤波器系数作为滤波器系数。作为优选，所述广义次级通道包括了系统输入到次级声源产生的过程和次级声源到相消区域之间的次级通道的过程。本专利技术的有益效果在于：(1)本专利技术方法简单，易于实现，能够解决重复噪声消噪问题；(2)本专利技术设计一种迭代学习主动噪声控制系统，该系统用频域方法描述系统，用IIR滤波器实现学习滤波器，并通过标准粒子群优化算法设计IIR滤波器的参数，具有很好的稳定性，并对干扰具有很好的鲁棒性，能获得很小的残差，收敛速度快。附图说明图1是实施本专利技术方法的主动噪声控制系统结构原理的示意图；图2是实施本专利技术方法的系统结构示意图；图3是本专利技术方法的程序流程图；图4是本专利技术实施例中适应度随搜索代数增长的变化图；图5是本专利技术实施例中降噪速度因子在频域上的幅值图；图6是本专利技术实施例中降噪前后残差对比图；图7是本专利技术实施例中降噪前后残差功率谱对比图；具体实施方式下面结合具体实施例对本专利技术进行进一步描述，但本专利技术的保护范围并不仅限于此。如图2所示，是实现本专利技术方法的基于标准粒子群优化算法的主动噪声控制系统结构示意图，uk(n)是控制信号，即控制系统的输入信号；P(z)是广义次级通道的传递函数；Q(z)和G(z)是学习滤波器；rk(n)是包含随机噪声的主声源，主声源在迭代轴上是一个严格重复信号，每次迭代中，主声源都是相同的曲线；ek(n)是残差信号，也是系统的输出信号；wk(n)和vk(n)是学习滤波器输入中包含的观测噪声，是不可重复干扰，本文档来自技高网...
【技术保护点】
基于标准粒子群优化算法的主动噪声控制方法，实施本方法的基于标准粒子群优化算法的主动噪声控制系统运行于计算机系统上，包括广义次级通道的传递函数P(z)、学习滤波器Q(z)和G(z)，其中Q(z)＝1，G(z)由IIR滤波器实现，z为系统函数的z域表示的变量；本方法包括以下步骤：(1)根据广义次级通道的传递函数P(z)，选择IIR滤波器的抽头系数个数，其中分子中的参数个数为l，分母中的参数个数为r；(2)根据已知线性时不变系统的传递函数对应的频率响应函数P(ejω)，得到一个适应度函数表达式：其中：en(ejω)＝[1,e‑jω,...,e‑jωl]T (2)ed(ejω)＝[e‑jω,e‑2jω,...,e‑jωr]T (3)φ＝[a1,a2,...,ar]T (4)ψ＝[b0,b1,...,bl]T (5)ejω为时域到复频域的拉普拉斯变换后的频域表示，ω为频率，φ，ψ为滤波器的实系数向量，其中[·]T表示向量转置，en(ejω)，ed(ejω)为两个复函数向量。(3)设定标准粒子群优化算法的参数；具体的参数有：总搜索代数N；粒子总数M；粒子在搜索空间飞行的速度v，加速系数c1,c2,r1,r2为服从[0,1]内均匀分布的随机数；(4)初始化滤波器系数向量所有个体的适应度值个体潜在最优的滤波器系数向量Pbesti(0),i＝1,2,...,M、全局潜在最优的滤波器系数向量gbest(0)、搜索代数n＝0；(5)进入下一代搜索，n＝n+1；计算所有个体的适应度值，i表示第i个粒子：比较个体当前适应度值和个体上一代的全局最优适应度值，如果个体的当前适应度大于上一代的全局最优适应度值，则用全局最优适应度值更新当前适应度值，并用全局潜在最优的滤波器系数向量更新当前个体的滤波器系数向量如果个体的当前适应度值小于上一代的全局最优适应度值，则保留上一代的适应度值和上一代的全局潜在最优滤波器系数向量gbesti(n)＝gbesti(n‑1)，再用个体当前的适应度值与上一代个体最优适应度值比较，如果个体当前的适应度值大于上一代个体最优适应度值，则用个体最优适应度值更新当前适应度值，并用个体潜在最优的滤波器系数向量更新当前个体的滤波器系数向量：看滤波器的系数向量是否达到最终条件，没有则更新粒子飞行的速度和滤波器的系数向量，进入下一次迭代。更新粒子飞行速度v和滤波器系数向量：(6)重复步骤(5)，直到达到设定的最大搜索代数；输出全局潜在最优的滤波器系数作为滤波器系数。...
【技术特征摘要】
1.基于标准粒子群优化算法的主动噪声控制方法，实施本方法的基于标准粒子群优化算法的主动噪声控制系统运行于计算机系统上，包括广义次级通道的传递函数P(z)、学习滤波器Q(z)和G(z)，其中Q(z)＝1，G(z)由IIR滤波器实现，z为系统函数的z域表示的变量；本方法包括以下步骤：(1)根据广义次级通道的传递函数P(z)，选择IIR滤波器的抽头系数个数，其中分子中的参数个数为l，分母中的参数个数为r；(2)根据已知线性时不变系统的传递函数对应的频率响应函数P(ejω)，得到一个适应度函数表达式：其中：en(ejω)＝[1,e-jω,...,e-jωl]T (2)ed(ejω)＝[e-jω,e-2jω,...,e-jωr]T (3)φ＝[a1,a2,...,ar]T (4)ψ＝[b0,b1,...,bl]T (5)ejω为时域到复频域的拉普拉斯变换后的频域表示，ω为频率，φ，ψ为滤波器的实系数向量，其中[·]T表示向量转置，en(ejω)，ed(ejω)为两个复函数向量。(3)设定标准粒子群优化算法的参数；具体的参数有：总搜索代数N；粒子总数M；粒子在搜索空间飞行的速度v，加速系数c1,c2,r1,r2为服从[0,1]内均...
【专利技术属性】
技术研发人员：叶宣佐，管俊轶，何熊熊，丁佳骏，曹全君，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。