Nothing Special   »   [go: up one dir, main page]

CN113539229B - 降噪参数确定方法及其装置、主动降噪方法及其装置 - Google Patents

降噪参数确定方法及其装置、主动降噪方法及其装置 Download PDF

Info

Publication number
CN113539229B
CN113539229B CN202110875266.0A CN202110875266A CN113539229B CN 113539229 B CN113539229 B CN 113539229B CN 202110875266 A CN202110875266 A CN 202110875266A CN 113539229 B CN113539229 B CN 113539229B
Authority
CN
China
Prior art keywords
noise reduction
fuzzy
error signal
signal sample
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110875266.0A
Other languages
English (en)
Other versions
CN113539229A (zh
Inventor
徐银海
刘益帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Ansheng Haolang Technology Co ltd
Original Assignee
Beijing Ansheng Haolang Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Ansheng Haolang Technology Co ltd filed Critical Beijing Ansheng Haolang Technology Co ltd
Priority to CN202110875266.0A priority Critical patent/CN113539229B/zh
Publication of CN113539229A publication Critical patent/CN113539229A/zh
Application granted granted Critical
Publication of CN113539229B publication Critical patent/CN113539229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1785—Methods, e.g. algorithms; Devices
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1787—General system configurations
    • G10K11/17875—General system configurations using an error signal without a reference signal, e.g. pure feedback
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
    • G10K2210/30—Means
    • G10K2210/301—Computational
    • G10K2210/3026—Feedback

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Soundproofing, Sound Blocking, And Sound Damping (AREA)

Abstract

本申请提供了一种降噪参数确定方法，包括：获取扬声器输出的降噪信号样本和误差麦克风采集的误差信号样本；分别对误差信号样本和降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量；确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系；基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系，确定降噪参数。与模糊控制相结合，无需建立声学路径精确的数学模型，就能确定降噪参数，能够显著降低主动降噪系统的设计成本，并且，基于模糊控制自身特性，使得结合模糊控制的主动降噪过程具有处理非线性时变过程的智能性和高效性，显著提高主动降噪效果。

Description

降噪参数确定方法及其装置、主动降噪方法及其装置
技术领域
本申请涉及主动降噪技术领域，具体涉及一种降噪参数确定方法及其装置、主动降噪方法及其装置。
背景技术
近年来，具有主动降噪功能的产品备受关注。现有的主动降噪(ANC(Active NoiseCancellation，ANC)控制器的降噪参数是基于对声学路径的准确求解而进行设计的，即将声学路径视为“系统”，根据输入与输出声信号之间的关系确定系统响应。
然而，声学路径的客观计算较为复杂，且声学路径也可能随产品使用状态变动，容易导致声学路径计算不准确。声学路径计算不准确严重影响目标区域的降噪效果甚至导致无法降噪。
发明内容
有鉴于此，本申请实施例提供了一种降噪参数确定方法及其装置、主动降噪方法及其装置，既能降低系统设计成本，又能提高产品的主动降噪效果。
根据本申请实施例的第一方面，提供一种降噪参数确定方法，包括：获取扬声器输出的降噪信号样本和误差麦克风采集的误差信号样本；分别对误差信号样本和降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量；确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系；基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系，确定降噪参数。
在本申请的一个实施例中，分别对误差信号样本和降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量，包括：以误差信号样本为模糊控制的观测量，确定误差信号模糊划分信息；基于误差信号模糊划分信息，将误差信号样本模糊量化为误差信号样本模糊向量；以降噪信号样本为模糊控制的控制量，确定降噪信号模糊划分信息；基于降噪信号模糊划分信息，将降噪信号样本模糊量化为降噪信号样本模糊向量。
在本申请的一个实施例中，以误差信号样本为模糊控制的观测量，确定误差信号模糊划分信息，包括：以误差信号样本为模糊控制的观测量，确定误差信号量化等级与误差信号论域；基于误差信号量化等级和误差信号论域，确定误差信号隶属度，误差信号隶属度用于表征误差信号论域的精确值隶属于误差信号量化等级的程度。和/或，以降噪信号样本为模糊控制的控制量，确定降噪信号模糊划分信息，包括：以降噪信号样本为模糊控制的控制量，确定降噪信号量化等级与降噪信号论域；基于降噪信号量化等级和降噪信号论域，确定降噪信号隶属度，降噪信号隶属度用于表征降噪信号论域的精确值隶属于降噪信号量化等级的程度。
在本申请的一个实施例中，模糊控制映射关系用于消除误差信号样本的幅值并维持幅值处于最小值收敛状态。
在本申请的一个实施例中，确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系，包括：如误差信号样本模糊向量对应的误差信号量化等级为负大，则降噪信号样本模糊向量对应的降噪信号量化等级为正大；如误差信号样本模糊向量对应的误差信号量化等级为负小，则降噪信号样本模糊向量对应的降噪信号量化等级为正小；如误差信号样本模糊向量对应的误差信号量化等级为零，则降噪信号样本模糊向量对应的降噪信号量化等级为零；如误差信号样本模糊向量对应的误差信号量化等级为正大，则降噪信号样本模糊向量对应的降噪信号量化等级为负大；如误差信号样本模糊向量对应的误差信号量化等级为正小，则降噪信号样本模糊向量对应的降噪信号量化等级为负小。
在本申请的一个实施例中，基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系，确定降噪参数，包括：针对多个模糊控制映射关系中的每个模糊控制映射关系，将模糊控制映射关系对应的相互映射的误差信号样本模糊向量和降噪信号样本模糊向量进行笛卡尔乘积运算，得到模糊控制映射关系对应的中间值矩阵；将多个模糊控制映射关系各自对应的中间值矩阵的元素进行取最大运算，得到降噪参数。
根据本申请实施例的第二方面，提供一种主动降噪方法，包括：对误差麦克风采集的当前误差信号进行模糊量化处理，得到当前误差信号对应的当前误差信号模糊向量；基于当前误差信号模糊向量和降噪参数，确定当前降噪信号对应的当前降噪信号模糊向量，其中，降噪参数基于上述第一方面所述的降噪参数确定方法确定；对当前降噪信号模糊向量进行解模糊量化处理，得到当前降噪信号，以便扬声器播放当前降噪信号。
在本申请的一个实施例中，对当前降噪信号模糊向量进行解模糊量化处理，得到当前降噪信号，包括：通过搜索最大隶属度，确定当前降噪信号模糊向量隶属的当前降噪信号论域；基于降噪信号论域与降噪信号的对应关系，确定当前降噪信号论域对应的当前降噪信号。
根据本申请实施例的第三方面，提供一种降噪参数确定装置，包括：获取模块，配置为获取扬声器输出的降噪信号样本和误差麦克风采集的误差信号样本；第一确定模块，配置为分别对误差信号样本和降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量；第二确定模块，配置为确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系；第三确定模块，配置为基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系，确定降噪参数。
根据本申请实施例的第四方面，提供一种主动降噪装置，包括：模糊量化模块，配置为对误差麦克风采集的当前误差信号进行模糊量化处理，得到当前误差信号对应的当前误差信号模糊向量；模糊推理模块，配置为基于当前误差信号模糊向量和降噪参数，确定当前降噪信号对应的当前降噪信号模糊向量，其中，降噪参数基于上述第一方面所述的降噪参数确定方法确定；解模糊量化模块，配置为对当前降噪信号模糊向量进行解模糊量化处理，得到当前降噪信号，以便扬声器播放当前降噪信号。
本申请实施例提供的降噪参数确定方法，通过分别对误差麦克风采集的误差信号样本和扬声器输出的降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量，确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系，基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系，确定降噪参数，实现无需计算声学路径就能确定降噪参数。由于无需建立声学路径精确的数学模型，能够显著降低主动降噪系统的设计成本，并且，基于模糊控制自身特性，使得结合模糊控制的主动降噪过程具有处理非线性时变过程的智能性和高效性，能够显著提高主动降噪效果。
附图说明
图1所示为现有技术中通过建立声学途径确定降噪参数的主动降噪系统的框图。
图2所示为本申请一实施例提供的降噪参数确定方法的流程示意图。
图3所示为本申请一实施例提供的降噪参数确定方法的流程示意图。
图4所示为本申请一实施例提供的降噪参数确定方法的流程示意图。
图5所示为本申请一实施例提供的降噪参数确定方法的流程示意图。
图6所示为本申请一实施例提供的降噪参数确定方法的流程示意图。
图7所示为本申请一实施例提供的降噪参数确定方法的流程示意图。
图8所示为本申请一实施例提供的主动降噪方法的流程示意图。
图9所示为图8提供的主动降噪方法对应的主动降噪系统的框图。
图10所示为本申请一实施例提供的降噪参数确定装置的结构示意图。
图11所示为本申请一实施例提供的降噪参数确定装置的结构示意图。
图12所示为本申请一实施例提供的主动降噪装置的结构示意图。
图13所示为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1所示为现有技术中通过建立声学途径确定降噪参数的主动降噪系统的框图。如图1所示，误差麦克风120设置于靠近目标降噪区域，用于采集误差信号e，误差信号e即在目标降噪区域内获取的被降噪后的噪声信号，计算模块130用于根据误差信号e确定降噪信号y，扬声器110用于输出降噪信号y，以对噪声信号进行降噪。
原始噪声信号x到误差麦克风120之间的空间形成初级路径，扬声器110本身与扬声器110到误差麦克风120之间的空间共同构成次级路径。初级路径与次级路径具有各自的传递函数，其中，初级路径的传递函数为原始噪声信号x到误差麦克风120之间空间的传递函数，记为P，次级路径的传递函数为扬声器110的电声转换的传递函数和扬声器110的振膜面到误差麦克风120之间空间的传递函数，记为G。通过计算G确定降噪参数W，以建立反馈主动降噪系统。
然而，声学路径的客观计算较为复杂，且声学路径也可能随产品使用状态变动，容易导致声学路径计算不准确。声学路径计算不准确严重影响目标区域的降噪效果甚至导致无法降噪。因此，本申请实施例提供一种降噪参数确定方法，无需计算声学路径就能确定降噪参数。
具体而言，通过分别对误差麦克风采集的误差信号样本和扬声器输出的降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量，确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系，基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系，确定降噪参数，实现无需计算声学路径就能确定降噪参数。由于无需建立声学路径精确的数学模型，能够显著降低主动降噪系统的设计成本，并且，基于模糊控制自身特性，使结合模糊控制的主动降噪过程具有处理非线性时变过程的智能性和高效性，能够显著提高主动降噪效果。
下面结合图2至图13进一步举例说明本申请提及的降噪参数确定方法、主动降噪方法、降噪参数确定装置、主动降噪装置和电子设备。
示例性降噪参数确定方法
图2所示为本申请一实施例提供的降噪参数确定方法的流程示意图。如图2所示，该降噪参数确定方法包括下列步骤。
步骤201：获取扬声器输出的降噪信号样本和误差麦克风采集的误差信号样本。
具体而言，扬声器输出的降噪信号样本传递至目标降噪区域进行降噪，目标降噪区域内的被降噪后的噪声信号被误差麦克风采集(即误差信号样本)，因此，降噪信号样本与误差信号样本是相对应的。
步骤202：分别对误差信号样本和降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量。
具体而言，模糊控制是基于模糊集合论、模糊语言变量和模糊逻辑推理为基础形成的一种控制方法，它模仿人的模糊推理和决策过程。模糊控制的过程中，将操作人员或专家经验编成模糊控制规则，然后实时信号模糊量化，将模糊量化后的信号作为模糊控制规则的输入，完成模糊推理，将推理后得到的输出量加到执行器上。结合模糊控制的主动降噪过程中，需要将误差信号样本和降噪信号样本转化为模糊语言变量，才能进行模糊逻辑推理。因此，需要将误差信号样本和降噪信号样本模糊量化为误差信号样本模糊向量和降噪信号样本模糊向量。
步骤203：确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系。
具体而言，进行模糊控制，需要依靠操作人员或专家经验建立模糊控制规则，模糊控制规则是后续进行模糊推理和决策的核心。基于此，结合模糊控制的主动降噪过程中，需要结合反馈式主动降噪的特点和经验，确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系，模糊控制映射关系即模糊控制规则。
需要说明的是，模糊控制映射关系的建立原则为：用于消除误差信号样本的幅值并维持幅值处于最小值收敛状态，即模糊控制规则包括消除大误差信号的快速响应规则，和维持误差信号收敛的稳态规则。
步骤204：基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系，确定降噪参数。
具体而言，确定降噪参数的过程，就是模拟模糊逻辑推理和决策的过程，模糊推理和决策需要模糊语言变量以及模糊控制规则。因此，通过对误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系的合成，确定降噪参数。
本申请实施例中，通过分别对误差麦克风采集的误差信号样本和扬声器输出的降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量，确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系，基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系，确定降噪参数，实现无需计算声学路径就能确定降噪参数。由于无需建立声学路径精确的数学模型，能够显著降低主动降噪系统的设计成本，并且，基于模糊控制自身特性，使得结合模糊控制的主动降噪过程具有处理非线性时变过程的智能性和高效性，能够显著提高主动降噪效果。
图3所示为本申请一实施例提供的降噪参数确定方法的流程示意图。如图3所示，分别对误差信号样本和降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量步骤，包括下列步骤。
步骤301：以误差信号样本为模糊控制的观测量，确定误差信号模糊划分信息。
具体而言，反馈式主动降噪系统通过误差麦克风采集的目标降噪区域的误差信号样本，调整扬声器输出的降噪信号样本，从而实现主动降噪。因此，模糊控制是以误差信号样本为观测量。误差信号模糊划分信息是结合主动降噪的特征和经验制定的用于对误差信号样本进行模糊量化的信息，通常以误差信号模糊划分表的形式展示。
步骤302：基于误差信号模糊划分信息，将误差信号样本模糊量化为误差信号样本模糊向量。
具体而言，通过在误差信号模糊划分信息中查询，将误差信号样本模糊量化为误差信号样本模糊向量。
步骤303：以降噪信号样本为模糊控制的控制量，确定降噪信号模糊划分信息。
具体而言，反馈式主动降噪系统通过误差麦克风采集的目标降噪区域的误差信号样本，调整扬声器输出的降噪信号样本，从而实现主动降噪。因此，模糊控制是以降噪信号样本为控制量。降噪信号模糊划分信息是结合主动降噪的特征和经验制定的用于对降噪信号样本进行模糊量化的信息，通常以降噪信号模糊划分表的形式展示。
步骤304：基于降噪信号模糊划分信息，将降噪信号样本模糊量化为降噪信号样本模糊向量。
具体而言，通过在降噪信号模糊划分信息中查询，将降噪信号样本模糊量化为降噪信号样本模糊向量。
本申请实施例中，通过结合主动降噪的特征和经验制定出误差信号模糊划分信息和降噪信号模糊划分信息，在误差信号模糊划分信息中查询，将误差信号样本模糊量化为误差信号样本模糊向量，在降噪信号模糊划分信息中查询，将降噪信号样本模糊量化为降噪信号样本模糊向量，从而将误差信号样本和降噪信号样本转化为模糊语言变量，以进行模糊逻辑推理。
图4所示为本申请一实施例提供的降噪参数确定方法的流程示意图。如图4所示，以误差信号样本为模糊控制的观测量，确定误差信号模糊划分信息步骤，包括下列步骤。
步骤401：以误差信号样本为模糊控制的观测量，确定误差信号量化等级与误差信号论域。
具体而言，误差信号量化等级为用模糊语言描述误差信号的大小。通常选用“大中小”以及“正负零”等构成模糊语言。误差信号论域是个集合，集合中的元素为基于误差信号物理量大小确定的离散化数值，每个离散化数值都对应精确的误差信号。通常用阿拉伯数字和“正负”表示。
举例说明，误差信号量化等级为{负，零，正}，{负大，负小，零，正小，正大}，{负大，负中，负小，零，正小，正中，正大}或{负大，负中，负小，负零，正零，正小，正中，正大}等，用英文字头缩写为{N，O，P}，{NB，NS，O，PS，PS}，{NB，NM，NS，O，PS，PM，PB}或{NB，NM，NS，NO，PO，PS，PM，PB}等。误差信号论域为{-2，-1，0，+1，+2}，{-3，-2，-1，0，+1，+2，+3}或{-4，-3，-2，-1，0，+1，+2，+3，+4}等。
步骤402：基于误差信号量化等级和误差信号论域，确定误差信号隶属度，误差信号隶属度用于表征误差信号论域的精确值隶属于误差信号量化等级的程度。
具体而言，为了实现模糊量化，要在由上述精确值构成的误差信号论域与模糊语言描述的误差信号量化等级之间建立关系，即确定误差信号论域中精确值对于各个误差信号量化等级的隶属度，误差信号隶属度用于表征误差信号论域的精确值隶属于误差信号量化等级的程度。
举例说明，误差信号模糊划分信息(误差信号模糊划分表)如表1所示。
表1
本申请实施例中，基于以误差信号样本为模糊控制的观测量，确定误差信号量化等级与误差信号论域，确定误差信号隶属度，形成误差信号模糊划分表，基于误差信号模糊划分表，将误差信号样本模糊量化为误差信号样本模糊向量。
图5所示为本申请一实施例提供的降噪参数确定方法的流程示意图。如图5所示，以降噪信号样本为模糊控制的控制量，确定降噪信号模糊划分信息步骤，包括下列步骤。
步骤501：以降噪信号样本为模糊控制的控制量，确定降噪信号量化等级与降噪信号论域。
步骤502：基于降噪信号量化等级和降噪信号论域，确定降噪信号隶属度，降噪信号隶属度用于表征降噪信号论域的精确值隶属于降噪信号量化等级的程度。
具体而言，降噪信号量化等级、降噪信号论域和降噪信号隶属度的确定方法与误差信号量化等级、误差信号论域和误差信号隶属度的确定方法相同，在此不在赘述。
举例说明，降噪信号模糊划分信息(误差信号模糊划分表)如表2所示。
表2
本申请实施例中，基于以降噪信号样本为模糊控制的控制量，确定降噪信号量化等级与降噪信号论域，确定降噪信号隶属度，形成降噪信号模糊划分表，基于降噪信号模糊划分表，将降噪信号样本信息模糊量化为降噪信号样本模糊向量。
需要说明的是，降噪信号量化等级与误差信号量化等级的划分可以相同，也可以不同，降噪信号论域与误差信号论域的划分可以相同，也可以不同。
图6所示为本申请一实施例提供的降噪参数确定方法的流程示意图。如图6所示，确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系步骤，包括下列步骤。
步骤601：如误差信号样本模糊向量对应的误差信号量化等级为负大，则降噪信号样本模糊向量对应的降噪信号量化等级为正大。
步骤602：如误差信号样本模糊向量对应的误差信号量化等级为负小，则降噪信号样本模糊向量对应的降噪信号量化等级为正小。
步骤603：如误差信号样本模糊向量对应的误差信号量化等级为零，则降噪信号样本模糊向量对应的降噪信号量化等级为零。
步骤604：如误差信号样本模糊向量对应的误差信号量化等级为正大，则降噪信号样本模糊向量对应的降噪信号量化等级为负大。
步骤605：如误差信号样本模糊向量对应的误差信号量化等级为正小，则降噪信号样本模糊向量对应的降噪信号量化等级为负小。
具体而言，模糊控制映射关系通常由一组if-then结构的模糊条件语句构成。将误差信号样本用符号e表示，误差信号样本模糊向量用符号表示，将降噪信号样本用符号y表示，误差信号样本模糊向量用符号/>表示，模糊控制映射关系用if-then结构表示。
则上述模糊控制映射关系应按照如下方式表示：
本申请实施例中，通过结合主动降噪的特点和经验，用一组多重条件语句来表达模糊控制映射关系，以使得基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系得到的降噪参数等价于通过声学路径计算获得降噪参数。
需要说明的是，模糊控制映射关系不仅包括上述表达式所代表的关系，还可以包括其他表达式所代表的关系。
图7所示为本申请一实施例提供的降噪参数确定方法的流程示意图。如图7所示，基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系，确定降噪参数步骤，包括下列步骤。
步骤701：针对多个模糊控制映射关系中的每个模糊控制映射关系，将模糊控制映射关系对应的相互映射的误差信号样本模糊向量和降噪信号样本模糊向量进行笛卡尔乘积运算，得到模糊控制映射关系对应的中间值矩阵。
步骤702：将多个模糊控制映射关系各自对应的中间值矩阵的元素进行取最大运算，得到降噪参数。
具体而言，降噪参数是基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系确定的模糊关系矩阵。
举例说明，当模糊控制映射关系为步骤601-步骤605的表达时，降噪参数的计算公式为：
其中，“+”为元素取大运算，“×”代表向量的笛卡尔乘积。
进一步举例说明，根据表1提供的误差信号模糊划分信息，表2提供的降噪信号模糊划分信息，可知NBe＝[1,0.5,0,0,0,0,0]，PBy＝[0,0,0,0,0,0.5,1]，则
其中，“。”为笛卡尔乘积中有序对中的元素取小运算。
同理，获得5个矩阵，对5个矩阵中位于相同位置的元素取最大运算，最终获得降噪参数为：
本申请实施例中，基于模糊控制映射关系，通过上述公式对误差信号样本模糊向量、降噪信号样本模糊向量运算，获得降噪参数。
需要说明的是，当误差信号样本和降噪信号样本的量化等级与论域的划分足够精细、模糊控制映射关系足以涵射主动降噪需求时，基于模糊控制得到的降噪参数系统特性无限逼近于客观计算得到的线性滤波器/>
图8所示为本申请一实施例提供的主动降噪方法的流程示意图。图9所示为图8提供的主动降噪方法对应的主动降噪系统的框图。结合图8与图9所示，该主动降噪方法包括下列步骤。
步骤801：对误差麦克风采集的当前误差信号进行模糊量化处理，得到当前误差信号对应的当前误差信号模糊向量。
具体而言，误差麦克风采集的当前误差信号为精确量，需要将其转化为模糊语言，才能进行模糊推理，因此，将当前误差信号模糊量化为当前误差信号模糊向量。基于预设的误差信号模糊划分信息，对当前误差信号进行模糊量化处理，获得当前误差信号模糊向量，其中，获取预设的误差信号模糊划分信息与上述任一实施例提供的降噪参数确定方法中获取误差信号模糊划分信息的具体过程相同，在此不再赘述。
举例说明，误差麦克风采集的当前误差信号为e(n)，通过对e(n)进行模糊量化处理，得到当前误差信号模糊向量
步骤802：基于当前误差信号模糊向量和降噪参数，确定当前降噪信号对应的当前降噪信号模糊向量。
可选的，降噪参数基于上述任一实施例提供的降噪参数确定方法确定。
具体而言，对当前误差信号模糊向量和降噪参数进行模糊推理，得到当前降噪信号模糊向量。
举例说明，根据与上述获得的降噪参数/>进行模糊推理，即，
最终，当前降噪信号模糊向量
步骤803：对当前降噪信号模糊向量进行解模糊量化处理，得到当前降噪信号，以便扬声器播放当前降噪信号。
具体而言，经过模糊推理获得的当前降噪信号模糊向量是一个模糊量，需要对当前降噪信号模糊向量进行解模糊量化处理，得到一个精确的物理信号，即当前降噪信号。
在一个实施例中，通过搜索最大隶属度，确定当前降噪信号模糊向量隶属的当前降噪信号论域，基于降噪信号论域与降噪信号的对应关系，确定当前降噪信号论域对应的当前降噪信号。
举例说明，当前降噪信号模糊向量可进一步表达为：/>通过搜索最大隶属度“1”，当前降噪信号论域为“-1”级，根据降噪信号论域与降噪信号的对应关系，获得“-1”级对应的当前降噪信号。其中，降噪信号论域与降噪信号的对应关系基于上述任一实施例提供的降噪参数确定方法中获取降噪信号模糊划分信息时如何划分论域而确定，具体过程在此不再赘述。
本申请实施例中，对当前误差信号进行模糊量化处理，得到当前误差信号模糊向量，通过对当前误差信号模糊向量和上述任一实施例获得的降噪参数进行模糊推理，获得当前降噪信号模糊向量，对当前降噪信号模糊向量进行解模糊量化处理，得到当前降噪信号，使得扬声器播放当前降噪信号，以对目标降噪区域进行降噪，当误差麦克风采集到更新的当前误差信号，循环上述过程，直至实现稳态降噪。
示例性降噪参数确定装置
图10所示为本申请一实施例提供的降噪参数确定装置的结构示意图。如图10所示，该降噪参数确定装置100包括：获取模块101，配置为获取扬声器输出的降噪信号样本和误差麦克风采集的误差信号样本；第一确定模块102，配置为分别对误差信号样本和降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量；第二确定模块103，配置为确定误差信号样本模糊向量和降噪信号样本模糊向量之间的模糊控制映射关系；第三确定模块104，配置为基于误差信号样本模糊向量、降噪信号样本模糊向量和模糊控制映射关系，确定降噪参数。
在一个实施例中，模糊控制映射关系用于消除误差信号样本的幅值并维持幅值处于最小值收敛状态。
图11所示为本申请一实施例提供的降噪参数确定装置的结构示意图。如图11所示，第一确定模块102进一步包括：第一模糊划分单元1021，配置为以误差信号样本为模糊控制的观测量，确定误差信号模糊划分信息；第一模糊量化单元1022，配置为基于误差信号模糊划分信息，将误差信号样本模糊量化为误差信号样本模糊向量；第二模糊划分单元1023，配置为以降噪信号样本为模糊控制的控制量，确定降噪信号模糊划分信息；第二模糊量化单元1024，配置为基于降噪信号模糊划分信息，将降噪信号样本模糊量化为降噪信号样本模糊向量。
在一个实施例中，第一模糊划分单元1021进一步配置为以误差信号样本为模糊控制的观测量，确定误差信号量化等级与误差信号论域；基于误差信号量化等级和误差信号论域，确定误差信号隶属度，误差信号隶属度用于表征误差信号论域的精确值隶属于误差信号量化等级的程度。
在一个实施例中，第二模糊划分单元1023进一步配置为以降噪信号样本为模糊控制的控制量，确定降噪信号量化等级与降噪信号论域；基于降噪信号量化等级和降噪信号论域，确定降噪信号隶属度，降噪信号隶属度用于表征降噪信号论域的精确值隶属于降噪信号量化等级的程度。
在一个实施例中，第二确定模块103进一步配置为：如误差信号样本模糊向量对应的误差信号量化等级为负大，则降噪信号样本模糊向量对应的降噪信号量化等级为正大；如误差信号样本模糊向量对应的误差信号量化等级为负小，则降噪信号样本模糊向量对应的降噪信号量化等级为正小；如误差信号样本模糊向量对应的误差信号量化等级为零，则降噪信号样本模糊向量对应的降噪信号量化等级为零；如误差信号样本模糊向量对应的误差信号量化等级为正大，则降噪信号样本模糊向量对应的降噪信号量化等级为负大；如误差信号样本模糊向量对应的误差信号量化等级为正小，则降噪信号样本模糊向量对应的降噪信号量化等级为负小。
在一个实施例中，第三确定模块104进一步配置为针对多个模糊控制映射关系中的每个模糊控制映射关系，将模糊控制映射关系对应的相互映射的误差信号样本模糊向量和降噪信号样本模糊向量进行笛卡尔乘积运算，得到模糊控制映射关系对应的中间值矩阵；将多个模糊控制映射关系各自对应的中间值矩阵的元素进行取最大运算，得到降噪参数。
上述降噪参数确定装置中各个模块的功能和作用的实现过程具体详见上述降噪参数确定方法中对应步骤的实现过程，在此不再赘述。
示例性主动降噪装置
图12所示为本申请一实施例提供的主动降噪装置的结构示意图。如图12所示，该主动降噪装置200包括：模糊量化模块201，配置为对误差麦克风采集的当前误差信号进行模糊量化处理，得到当前误差信号对应的当前误差信号模糊向量；模糊推理模块202，配置为基于当前误差信号模糊向量和降噪参数，确定当前降噪信号对应的当前降噪信号模糊向量，其中，降噪参数基于上述任一实施例提供的降噪参数确定方法确定；解模糊量化模块203，配置为对当前降噪信号模糊向量进行解模糊量化处理，得到当前降噪信号，以便扬声器播放当前降噪信号。
在一个实施例中，解模糊量化模块203进一步配置为通过搜索最大隶属度，确定当前降噪信号模糊向量隶属的当前降噪信号论域；基于降噪信号论域与降噪信号的对应关系，确定当前降噪信号论域对应的当前降噪信号。
上述主动降噪装置中各个模块的功能和作用的实现过程具体详见上述主动降噪方法中对应步骤的实现过程，在此不再赘述。
示例性电子设备
图13所示为本申请一实施例提供的电子设备的结构示意图。如图13所示，电子设备300包括一个或多个处理器310和存储器320。
处理器310可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备300中的其他组件以执行期望的功能。
存储器320可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器310可以运行所述程序指令，以实现上文所述的本申请的各个实施例的降噪参数确定方法或主动降噪方法以及/或者其他期望的功能。
在一个示例中，电子设备300还可以包括：输入装置330和输出装置340，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
当然，为了简化，图3中仅示出了该电子设备300中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备300还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性降噪参数确定方法”部分中描述的根据本申请各个实施例提供的降噪参数确定方法中的步骤，或上述“示例性主动降噪方法”部分中描述的根据本申请各个实施例提供的主动降噪方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的步骤式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性降噪参数确定方法”部分中描述的根据本申请各个实施例提供的降噪参数确定方法中的步骤，或上述“示例性主动降噪方法”部分中描述的根据本申请各个实施例提供的主动降噪方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是，以上列举的仅为本申请的具体实施例，显然本申请不限于以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本申请公开的内容直接导出或联想到的所有变形，均应属于本申请的保护范围。
应当理解，本申请实施例中提到的第一、第二等限定词，仅仅为了更清楚地描述本申请实施例的技术方案使用，并不能用以限制本申请的保护范围。
以上仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种降噪参数确定方法，其特征在于，包括：
获取扬声器输出的降噪信号样本和误差麦克风采集的误差信号样本；
分别对所述误差信号样本和所述降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量；
确定所述误差信号样本模糊向量和所述降噪信号样本模糊向量之间的模糊控制映射关系，其中，所述模糊控制映射关系是以消除误差信号样本的幅值并维持该幅值处于最小值收敛状态为原则而预先设定的；
基于所述误差信号样本模糊向量、所述降噪信号样本模糊向量和所述模糊控制映射关系，确定降噪参数。
2.根据权利要求1所述的降噪参数确定方法，其特征在于，所述分别对所述误差信号样本和所述降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量，包括：
以所述误差信号样本为模糊控制的观测量，确定误差信号模糊划分信息；
基于所述误差信号模糊划分信息，将所述误差信号样本模糊量化为所述误差信号样本模糊向量；
以所述降噪信号样本为模糊控制的控制量，确定降噪信号模糊划分信息；
基于所述降噪信号模糊划分信息，将所述降噪信号样本模糊量化为所述降噪信号样本模糊向量。
3.根据权利要求2所述的降噪参数确定方法，其特征在于，所述以所述误差信号样本为模糊控制的观测量，确定误差信号模糊划分信息，包括：
以所述误差信号样本为模糊控制的观测量，确定误差信号量化等级与误差信号论域；
基于所述误差信号量化等级和所述误差信号论域，确定误差信号隶属度，所述误差信号隶属度用于表征所述误差信号论域的精确值隶属于所述误差信号量化等级的程度；
和/或，
所述以所述降噪信号样本为模糊控制的控制量，确定降噪信号模糊划分信息，包括：
以所述降噪信号样本为模糊控制的控制量，确定降噪信号量化等级与降噪信号论域；
基于所述降噪信号量化等级和所述降噪信号论域，确定降噪信号隶属度，所述降噪信号隶属度用于表征所述降噪信号论域的精确值隶属于所述降噪信号量化等级的程度。
4.根据权利要求1至3任一项所述的降噪参数确定方法，其特征在于，所述模糊控制映射关系用于消除所述误差信号样本的幅值并维持所述幅值处于最小值收敛状态。
5.根据权利要求4所述的降噪参数确定方法，其特征在于，所述确定所述误差信号样本模糊向量和所述降噪信号样本模糊向量之间的模糊控制映射关系，包括：
如所述误差信号样本模糊向量对应的误差信号量化等级为负大，则所述降噪信号样本模糊向量对应的降噪信号量化等级为正大；
如所述误差信号样本模糊向量对应的误差信号量化等级为负小，则所述降噪信号样本模糊向量对应的降噪信号量化等级为正小；
如所述误差信号样本模糊向量对应的误差信号量化等级为零，则所述降噪信号样本模糊向量对应的降噪信号量化等级为零；
如所述误差信号样本模糊向量对应的误差信号量化等级为正大，则所述降噪信号样本模糊向量对应的降噪信号量化等级为负大；
如所述误差信号样本模糊向量对应的误差信号量化等级为正小，则所述降噪信号样本模糊向量对应的降噪信号量化等级为负小。
6.根据权利要求1至3任一项所述的降噪参数确定方法，其特征在于，所述基于所述误差信号样本模糊向量、所述降噪信号样本模糊向量和所述模糊控制映射关系，确定降噪参数，包括：
针对多个模糊控制映射关系中的每个模糊控制映射关系，将所述模糊控制映射关系对应的相互映射的误差信号样本模糊向量和降噪信号样本模糊向量进行笛卡尔乘积运算，得到所述模糊控制映射关系对应的中间值矩阵；
将所述多个模糊控制映射关系各自对应的中间值矩阵的元素进行取最大运算，得到所述降噪参数。
7.一种主动降噪方法，其特征在于，包括：
对误差麦克风采集的当前误差信号进行模糊量化处理，得到所述当前误差信号对应的当前误差信号模糊向量；
基于所述当前误差信号模糊向量和降噪参数，确定当前降噪信号对应的当前降噪信号模糊向量，其中，所述降噪参数基于权利要求1至6任一所述的降噪参数确定方法确定；
对所述当前降噪信号模糊向量进行解模糊量化处理，得到所述当前降噪信号，以便扬声器播放所述当前降噪信号。
8.根据权利要求7所述的主动降噪方法，其特征在于，所述对所述当前降噪信号模糊向量进行解模糊量化处理，得到所述当前降噪信号，包括：
通过搜索最大隶属度，确定所述当前降噪信号模糊向量隶属的当前降噪信号论域；
基于降噪信号论域与降噪信号的对应关系，确定所述当前降噪信号论域对应的当前降噪信号。
9.一种降噪参数确定装置，其特征在于，包括：
获取模块，配置为获取扬声器输出的降噪信号样本和误差麦克风采集的误差信号样本；
第一确定模块，配置为分别对所述误差信号样本和所述降噪信号样本进行模糊量化处理，得到误差信号样本模糊向量和降噪信号样本模糊向量；
第二确定模块，配置为确定所述误差信号样本模糊向量和所述降噪信号样本模糊向量之间的模糊控制映射关系，其中，所述模糊控制映射关系是以消除误差信号样本的幅值并维持该幅值处于最小值收敛状态为原则而预先设定的；
第三确定模块，配置为基于所述误差信号样本模糊向量、所述降噪信号样本模糊向量和所述模糊控制映射关系，确定降噪参数。
10.一种主动降噪装置，其特征在于，包括：
模糊量化模块，配置为对误差麦克风采集的当前误差信号进行模糊量化处理，得到所述当前误差信号对应的当前误差信号模糊向量；
模糊推理模块，配置为基于所述当前误差信号模糊向量和降噪参数，确定当前降噪信号对应的当前降噪信号模糊向量，其中，所述降噪参数基于权利要求1至6任一所述的降噪参数确定方法确定；
解模糊量化模块，配置为对所述当前降噪信号模糊向量进行解模糊量化处理，得到所述当前降噪信号，以便扬声器播放所述当前降噪信号。
CN202110875266.0A 2021-07-30 2021-07-30 降噪参数确定方法及其装置、主动降噪方法及其装置 Active CN113539229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110875266.0A CN113539229B (zh) 2021-07-30 2021-07-30 降噪参数确定方法及其装置、主动降噪方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110875266.0A CN113539229B (zh) 2021-07-30 2021-07-30 降噪参数确定方法及其装置、主动降噪方法及其装置

Publications (2)

Publication Number Publication Date
CN113539229A CN113539229A (zh) 2021-10-22
CN113539229B true CN113539229B (zh) 2023-10-31

Family

ID=78089993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110875266.0A Active CN113539229B (zh) 2021-07-30 2021-07-30 降噪参数确定方法及其装置、主动降噪方法及其装置

Country Status (1)

Country Link
CN (1) CN113539229B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620695B (zh) * 2022-04-07 2023-06-09 中国科学院国家空间科学中心 一种主动降噪方法、系统、装置、头盔及可穿戴服装

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07160508A (ja) * 1993-12-10 1995-06-23 Fujitsu Ltd 適応フィルタのフィルタ係数決定方法
JPH08328569A (ja) * 1995-05-30 1996-12-13 Fujitsu Ltd ファジィ能動ノイズ消去装置
JPH09230908A (ja) * 1996-02-22 1997-09-05 Fujitsu Ltd ファジィ論理関数を用いた適応システム
CN107218846A (zh) * 2017-06-30 2017-09-29 邢优胜 一种坦克驾驶室内噪声主动控制方法及系统
CN107229227A (zh) * 2017-06-30 2017-10-03 邢优胜 一种基于模糊神经网络的主动噪声控制方法、系统及坦克头盔
CN107230473A (zh) * 2017-06-30 2017-10-03 邢优胜 一种潜艇舱室内噪声主动控制方法及系统
CN107230472A (zh) * 2017-06-30 2017-10-03 邢优胜 一种直升机驾驶舱内噪声主动控制方法及系统
CN107240391A (zh) * 2017-06-30 2017-10-10 邢优胜 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔
CN107240392A (zh) * 2017-06-30 2017-10-10 邢优胜 一种装甲车舱室内噪声主动控制方法及系统
CN107248408A (zh) * 2017-06-30 2017-10-13 邢优胜 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
CN207149250U (zh) * 2017-06-30 2018-03-27 邢优胜 一种直升机驾驶舱内噪声主动控制系统
CN207925130U (zh) * 2017-06-30 2018-09-28 邢优胜 一种潜艇舱室内噪声主动控制系统
CN111968614A (zh) * 2020-08-24 2020-11-20 湖南工业大学 一种基于卷积-模糊网络的车辆全局空间的主动噪声控制装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07160508A (ja) * 1993-12-10 1995-06-23 Fujitsu Ltd 適応フィルタのフィルタ係数決定方法
JPH08328569A (ja) * 1995-05-30 1996-12-13 Fujitsu Ltd ファジィ能動ノイズ消去装置
JPH09230908A (ja) * 1996-02-22 1997-09-05 Fujitsu Ltd ファジィ論理関数を用いた適応システム
CN107218846A (zh) * 2017-06-30 2017-09-29 邢优胜 一种坦克驾驶室内噪声主动控制方法及系统
CN107229227A (zh) * 2017-06-30 2017-10-03 邢优胜 一种基于模糊神经网络的主动噪声控制方法、系统及坦克头盔
CN107230473A (zh) * 2017-06-30 2017-10-03 邢优胜 一种潜艇舱室内噪声主动控制方法及系统
CN107230472A (zh) * 2017-06-30 2017-10-03 邢优胜 一种直升机驾驶舱内噪声主动控制方法及系统
CN107240391A (zh) * 2017-06-30 2017-10-10 邢优胜 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔
CN107240392A (zh) * 2017-06-30 2017-10-10 邢优胜 一种装甲车舱室内噪声主动控制方法及系统
CN107248408A (zh) * 2017-06-30 2017-10-13 邢优胜 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
CN207149250U (zh) * 2017-06-30 2018-03-27 邢优胜 一种直升机驾驶舱内噪声主动控制系统
CN207925130U (zh) * 2017-06-30 2018-09-28 邢优胜 一种潜艇舱室内噪声主动控制系统
CN111968614A (zh) * 2020-08-24 2020-11-20 湖南工业大学 一种基于卷积-模糊网络的车辆全局空间的主动噪声控制装置

Also Published As

Publication number Publication date
CN113539229A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
Dai et al. Seeker optimization algorithm for digital IIR filter design
Chaudhary et al. Identification of Hammerstein nonlinear ARMAX systems using nonlinear adaptive algorithms
Lee Toward continual learning for conversational agents
Robert Approximate Bayesian computation: a survey on recent results
Leylaz et al. Identification of nonlinear dynamical systems with time delay
Seppelt et al. “It was an artefact not the result”: A note on systems dynamic model development tools
Ghaemi et al. Direct adaptive general type‐2 fuzzy control for a class of uncertain non‐linear systems
CN113539229B (zh) 降噪参数确定方法及其装置、主动降噪方法及其装置
Chen et al. Finite-time dissipative control for stochastic interval systems with time-delay and Markovian switching
CN112990958A (zh) 数据处理方法、装置、存储介质及计算机设备
JP2024043504A (ja) ニューラルネットワークモデル推論の加速方法、装置、電子機器及び媒体
Lv et al. Integrated double estimator architecture for reinforcement learning
Zhu et al. Quantum architecture search via truly proximal policy optimization
Serra et al. An IV-QR algorithm for neuro-fuzzy multivariable online identification
CN113539228B (zh) 降噪参数确定方法及其装置、主动降噪方法及其装置
JP6567478B2 (ja) 音源強調学習装置、音源強調装置、音源強調学習方法、プログラム、信号処理学習装置
JP2021002322A (ja) イジングマシンデータ入力機器、及びイジングマシンにデータを入力する方法
CN118035425A (zh) 基于自然语言模型的交互方法、装置、电子设备及介质
Ben Halima Abid et al. An Improved Method for Stochastic Nonlinear System’s Identification Using Fuzzy‐Type Output‐Error Autoregressive Hammerstein–Wiener Model Based on Gradient Algorithm, Multi‐Innovation, and Data Filtering Techniques
CN117351299A (zh) 图像生成及模型训练方法、装置、设备和存储介质
CN113780394B (zh) 一种强分类器模型的训练方法、装置及设备
WO2020039493A1 (ja) 演算最適化装置、方法およびプログラム
Ben Mohamed et al. A multimodel approach for a nonlinear system based on neural network validity
JPH05128284A (ja) ニユーロプロセツサ
Qiu et al. Vibration control of three coupled flexible beams using reinforcement learning algorithm based on proximal policy optimization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant