基于元学习的无延迟子带自适应滤波器在主动噪声控制中的应用研究

针对传统自适应滤波算法在非线性环境和非平稳噪声中性能受限的问题，研究人员提出了一种基于元学习的无延迟子带自适应滤波器（meta-learning-based delayless subband adaptive filter），通过深度神经网络学习优化更新规则，结合单头注意力循环神经网络（single-headed attention RNN）和可跳过的更新策略，显著降低了稳态误差，为资源受限设备提供了高效的主动噪声控制（ANC）解决方案。

　　

论文解读

研究背景

主动噪声控制（Active Noise Control, ANC）技术通过声波叠加原理消除噪声，尤其在处理中低频噪声时表现优异，而传统被动降噪（如隔音材料）对此类噪声效果有限。然而，现实场景中的噪声往往具有非线性和非平稳特性，例如电子元件（如扬声器）的饱和效应会引入非线性失真，导致基于最小均方（LMS）算法的传统线性自适应滤波器性能下降。尽管已有研究尝试通过Volterra核或神经网络（如MLP、CNN）改进，但计算复杂度和实时性仍是瓶颈。

研究设计与方法

为解决上述问题，香港城市大学的研究团队提出了一种创新的元学习框架，将ANC问题重构为优化自适应滤波器更新规则的元学习任务。核心方法包括：

1. 元学习架构：利用深度神经网络（DNN）从噪声观测中学习自适应规则，无需真实标签；
2. 无延迟子带结构：通过降低更新频率（子带数K与下采样因子D=K/2）缓解时间约束，避免多频点更新；
3. 可跳过更新策略：进一步减少计算负载，适配资源受限设备；
4. 单头注意力RNN：结合可学习特征嵌入，高效更新滤波器权重。

研究结果

1. 信号模型与梯度近似：通过瞬时平方误差L(n)=e²(n)的元学习梯度近似（?L?(n)），解决了非线性声学路径（f_NSE）导致的梯度计算难题。
2. 线性收敛分析：理论证明在f_NSE为线性时，权重w(n)的稳态误差与步长μ和输入协方差矩阵特征值相关。
3. 计算复杂度：子带结构使神经网络输入维度M=2N（N为滤波器长度），与子带数K无关，确保实时性。
4. 性能对比：在非线性（η²=2/0.5）和线性（η²=∞）系统中，NMSE和MAAD指标均优于FxLMS等传统算法，尤其在未知次级声学路径时仍保持稳定性。

结论与意义

该研究通过元学习框架和无延迟子带架构，显著提升了ANC系统在复杂环境下的鲁棒性和收敛速度。其重要意义在于：

1. 理论创新：首次将元学习引入ANC领域，为非线性和非平稳噪声控制提供了新范式；
2. 工程价值：可跳过更新策略使模型适用于车载耳机等资源受限场景；
3. 泛化能力：多条件训练（基于公开数据库）确保了模型对未知噪声的适应性。

论文由Pengxing Feng（冯鹏兴）和Hing Cheung So（苏庆祥）合作完成，发表于《Neurocomputing》，为ANC技术的智能化发展提供了重要参考。