一种基于卷积-模糊神经网络的无次级通路传感器有源降噪算法制造技术

本发明专利技术公开了一种基于卷积

【技术实现步骤摘要】
一种基于卷积
‑
模糊神经网络的无次级通路传感器有源降噪算法


[0001]本专利技术涉及车辆降噪控制
，更具体地，涉及一种基于卷积
‑
模糊神经网络的无次级通路传感器有源降噪算法。

技术介绍

[0002]轨道车辆噪声是复杂、非线性、多源的，很可能会对乘客和司机造成身心伤害，因此轨道车辆的噪声消除极为重要，有源降噪技术利用电子线路和扩音设备产生与噪声的频率相同相位相反的声音，来抵消原有的噪声而达到降噪目的的技术，旨在消除低频噪声。
[0003]传统的有源降噪控制方法中，LMS算法易于实现，但在实际应用场景中鲁棒性差且收敛精度较低；而引入滤波
‑
x信号的FxLMS算法及其改进可以提高收敛速度或降低稳态误差；但两者在工程实践上都对次级通路传感器的性能、数量及布置都较为依赖。
[0004]在CN202010862334.5提及一种主动控制车辆全局空间噪声的卷积
‑
模糊神经网络方法，方法包括在车辆降噪区周围设置多个次级通路；采集各次级通路的噪声残余信号；采用卷积
‑
模糊神经网络先进行离线辨识得到次级通路模型，同时作为次级通路的自适应有源噪声控制算法在线修正控制器参数，最后输出多方位的噪声抵消信号。该专利技术将卷积
‑
模糊神经网络用于辨识对象的逆模型，为车辆全局空间非线性噪声辨识提供了一种有效的方法，利用卷积
‑
模糊神经网络所具有的对函数的非线性逼近能力，提高次级通路的辨识精度；采用有源反馈消声系统，建立了稳定的次级通路模型；解决了车辆全局空间噪声控制难、频带窄的问题。但是，在该方法同样存在依赖次级通路传感器的性能、数量及布置等问题，且设置多个次级通路传感器也会导致成本上升，不利于车辆内部大空间有源降噪的工程实践。

技术实现思路

[0005]本专利技术要解决的主要技术问题是现有有源降噪方法中对于多次级通路传感器的依赖而导致车辆降噪工程实践困难的问题，建立不同位置噪声源与目标降噪区域噪声之间的相关性模型，提供一种基于卷积
‑
模糊神经网络的无次级通路传感器的有源降噪算法。
[0006]本专利技术的目的通过以下技术方案予以实现：
[0007]一种基于卷积
‑
模糊神经网络的无次级通路传感器的有源降噪算法，通过结合卷积网络(CNN)进行计算拟合以获得虚拟误差信号以消除声反馈，提高参考信号与理想降噪点处初级噪声相关性。并以模糊神经网络(FNN)为控制器，实时迭代计算输出噪声消除信号，在提高计算速度的同时，增强非线性有源降噪能力，具体步骤包括：
[0008]S1.利用初级传感器收集多个噪声源处的噪声信号X(n)为
[0009]X(n)＝[x1(n),x2(n),
…
x
k
(n)][0010]其中，k是初级传感器的数量，x
k
(n)为第k个传感器所采集到的噪声信号；
[0011]S2.确定降噪点，并通过传感器采集真实的噪声信号r(n)作为卷积网络模型训练
的信号，r(n)表示为
[0012]r(n)＝[r(n),r(n
‑
1),
…
r(n
‑
l)][0013]其中，l是噪声信号序列长度；
[0014]S3.将S1中的噪声信号X(n)和r(n)进入卷积网络的卷积层和池化层进行迭代计算，并通过激活函数输出虚拟误差信号o(n)为
[0015]o(n)＝f(∑X(n)*ω(n)+b(n))
[0016]其中，f(
·
)是激活函数，ω(n)是卷积网络的权重，b(n)是网络偏置；
[0017]S4.将卷积层输出的虚拟误差信号o(n)进入模糊神经网络，根据模糊规则计算出隶属度值并利用乘法函数激活隶属度值，输出模糊层输出值u(n)为
[0018][0019]其中，j为模糊层节点数，共H个节点，λ
j
(n)为卷积网络输出信号经过模糊层隶属函数后输出的结果，p0和p1是模糊系数；
[0020]S5.通过初级通路P(z)对目标降噪点采集的噪声信号进行滤波得到的期望信号d(n)，将模糊层输出值u(n)通过次级通路H(z)后得到的降噪信号y(n)，得到有源降噪算法的目标函数J(n)为
[0021][0022]进一步地，上述的传感器为传声器或麦克风。
[0023]进一步地，步骤S1中x
k
(n)拓展为x
k
(n)＝[x
k
(n),x
k
(n
‑
1),
…
x
k
(n
‑
l)]，l是噪声信号序列长度。
[0024]进一步地，为避免卷积网络模型常用激活函数——ReLu激活函数在负区间导致神经元不学习的问题，步骤S3中卷积网络中采用leaky
‑
Relu函数作为激活函数f(θ)，表示为
[0025][0026]其中，θ为函数自变量，a是区间为(1,+∞)的参数。
[0027]进一步地，步骤S3中卷积网络的训练函数E(n)为
[0028]E(n)＝1/2(r(n)
‑
o(n))2。
[0029]进一步地，卷积网络的权重ω(n)和网络偏置b(n)根据训练函数E(n)更新为
[0030][0031][0032]进一步地，步骤S4中的o(n)进入模糊层的激活结果为
[0033]λ
j
(n)＝μ
j
(o(n)),j＝1,2,
…
H
[0034]其中，j为模糊层节点数，共H个节点，μ
j
为隶属函数。
[0035]进一步地，隶属函数表示为
[0036][0037]其中，c(n)和σ(n)分别是隶属函数的中心和宽度。
[0038]进一步地，步骤S5中期望信号d(n)为：
[0039]d(n)＝r(n)*P(z)。
[0040]进一步地，步骤S5中降噪信号y(n)为：
[0041]y(n)＝u(n)*H(z)。
[0042]进一步地，由于噪声信号的时变特性，步骤S5中目标函数J(n)在模糊神经网络的实时训练中通过梯度下降法进行更新。即降噪信号y(n)无限接近期望信号d(n)且目标函数J(n)接近于零。模糊系数p(n)、隶属函数的中心c(n)和隶属函数的宽度σ(n)更新后分别为
[0043][0044][0045][0046]其中，α和β是模糊网络学习率。
[0047]与现有技术相比，有益效果是：
[0048]本专利技术通过卷积网络来估计和分析不同位置噪声源与理想降噪点之间的关系，即利用卷积层的平移不变性深度提取噪声信号特征并进行建模同时共享权值减少计算量，提高计算速度，将多个噪声初级信号通过卷积网络拟合估计以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积
‑
模糊神经网络的无次级通路传感器有源降噪算法，其特征在于，步骤包括：S1.收集噪声源处的噪声信号X(n)为X(n)＝[x1(n),x2(n),
…
x
k
(n)]其中，k是初级传感器的数量，x
k
(n)为第k个传感器所采集到的噪声信号；S2.确定降噪点，并采集噪声信号作为卷积网络模型训练的理想信号r(n)，r(n)表示为r(n)＝[r(n),r(n
‑
1),
…
r(n
‑
l)]其中，l是噪声信号序列长度；S3.将S1中的噪声信号X(n)和r(n)进入卷积网络的卷积层和池化层进行迭代计算，输出虚拟误差信号o(n)为o(n)＝f(∑X(n)*ω(n)+b(n))其中，f(
·
)是激活函数，ω(n)是卷积网络的权重，b(n)是网络偏置；S4.将卷积层输出的虚拟误差信号o(n)进入模糊神经网络，计算出隶属度值并利用乘法函数激活隶属度值，输出模糊层输出值u(n)为其中，j为模糊层节点数，共H个节点，λ
j
(n)为卷积网络输出信号经过模糊层隶属函数后输出的结果，p0和p1是模糊系数；S5.通过初级通路P(z)对目标降噪点采集的噪声信号进行滤波得到的期望信号d(n)，将模糊层输出值u(n)通过次级通路H(z)后得到的降噪信号y(n)，得到有源降噪算法的目标函数J(n)为2.根据权利要求1所述基于卷积
‑
模糊神经网络的无次级通路传感器的有源降噪算法，其特征在于，步骤S1中x
k
(n)拓展为x
k
(n)＝[x
k
(n),x
k
(n
‑
1),
…
x
k
(n
‑
l)]，l是噪声信号序列长度。3.根据权利要求1所述基于卷积
‑
模糊神经网络的无次级通路传感器的有源降噪算法，其特征在于，步骤S...

【专利技术属性】
技术研发人员：李涛，汪敏琪，贺钰瑶，杨军，丁荣军，罗竹辉，肖磊，梅文庆，何静，吴晓婷，
申请(专利权)人：湖南工业大学，
类型：发明
国别省市：