RLSTM-HANC-FBPN：具有反馈路径中和功能的混合主动噪声控制系统中的鲁棒长短期记忆网络

《Pattern Recognition Letters》：RLSTM-HANC-FBPN: Robust LSTM in Hybrid Active Noise Control Systems with Feedback Path Neutralization

　　

• •
  提出了一种具有反馈路径中和结构的混合主动噪声控制方法。
• •
  提出了一种鲁棒的LSTM神经网络来建模控制滤波器。
• •
  在预训练阶段使用了FxMCC算法。
• •
  所提出的算法可以衰减各种类型的噪声，尤其是针对冲击噪声。

引言

混合主动噪声控制（HANC）方法包含前馈（FF）和反馈（FB）系统，与单一的前馈/反馈结构相比，具有更好的稳定性和鲁棒性^[1], ^[2]。

滤波x最小均方（FxLMS）算法因其计算复杂度低，是HANC中最常用的自适应算法^[3], ^[4], ^[5]。然而，当遇到冲击噪声时，FxLMS算法很容易陷入不稳定状态。为克服这一缺点，已提出了一些主动冲击噪声控制算法^[6], ^[7], ^[8]。在文献^[8]中，开发了滤波x最大相关熵熵准则（FxMCC）算法，该算法增强了噪声抑制¹。然而，该算法的核带宽是手动选择的，这限制了其应用。

在过去五年中，深度学习的进步促成了多种利用相关技术的主动噪声控制算法的提出^[9], ^[10], ^[11], ^[12]。在文献^[10]中，开发了基于卷积神经网络的选择性滤波器主动噪声控制（SFANC-CNN）算法，该算法基于噪声频率进行操作。在此基础上，提出了混合CNN增强的长短期记忆（LSTM）神经网络，该网络根据噪声类型预训练FxMCC算法的最优核带宽^[13]。此外，还提出了许多其他针对特定挑战的SFANC算法，如文献^[14]及其中的参考文献所述。

基于上述考虑，提出了鲁棒的LSTM来建模具有反馈路径中和（FBPN）的HANC的控制滤波器（RLSTM-HANC-FBPN）。本工作旨在开发一种无需固定滤波器组的在线控制滤波器预测方法，使用鲁棒的LSTM进行控制器更新。在离线标签生成和监督训练阶段，使用FxMCC算法获取训练数据集中每种噪声的最优控制滤波器，并将所得的滤波器系数保存为网络训练的标签。这一过程与基于SFANC的算法不同，后者使用与类别相关的固定滤波器组预训练或根据噪声类型或频率选择固定滤波器^[10], ^[13], ^[14], ^[15], ^[16], ^[17]。在在线ANC阶段，RLSTM-HANC-FBPN算法从输入块中预测控制滤波器，并且控制滤波器在ANC循环中继续更新。此外，在HANC系统中采用了FBPN以减少参考噪声的损坏。因此，RLSTM-HANC-FBPN算法可以在各种场景中实现更好的噪声抑制。

表1比较了代表性基于学习的ANC方法在类别相关固定滤波器组预训练、多噪声能力、在线更新、滤波器组需求和噪声分类方面的表现。如表1所示，所提出的RLSTM-HANC-FBPN算法保留了基于学习的ANC方法的多噪声能力，同时在不依赖于类别相关固定滤波器组预训练、预定义滤波器组或显式噪声分类的情况下进行在线控制器更新。这使所提出的方法具有更简单的在线决策过程和对变化噪声条件更强的适应性。

RLSTM-HANC-FBPN算法的核心是基于鲁棒LSTM的时变动态系统建模，这可直接应用于音频和语音信号增强，其中背景噪声抑制对于环境声音分类和自动语音识别等后续模式识别任务至关重要^[18], ^[19]。除了声学之外，该方法还可以推广到工业状态监测和故障诊断中的传感器信号去噪，其中改善的信号质量增强了特征提取的可靠性^[20], ^[21]。因此，所提出的方法提供了一个信号处理框架，将鲁棒自适应噪声消除与噪声环境中的机器学习联系起来。

各节摘要

系统模型

前馈ANC系统如图1所示，其中x(j)是参考噪声，P(z)表示主路径，S(z)表示副路径，$\widehat{S}\left(z\right)$是估计的副路径，h(j)表示有限脉冲响应（FIR）滤波器的抽头权重。参考噪声$\mathit{x}\left(j\right)=\left[x\right(j\left)\text{,}x\right(j?1)\text{,}···\text{,}x(j?M+1\left)\right]$通过主路径生成不需要的信号d(j)，其中M是滤波器长度。控制滤波器h(j)的系数由误差信号e(j)更新，

RLSTM-HANC-FBPN算法

在本节中，提出了RLSTM-HANC-FBPN算法。得益于混合结构和FBPN结构，RLSTM-HANC-FBPN算法可以在各种场景中实现良好的噪声抑制性能。

仿真

本节验证了RLSTM-HANC-FBPN算法的有效性。第3.1节展示了用于训练RLSTM-HANC-FBPN算法的五种噪声场景，包括三种类型的冲击噪声、混沌噪声和高斯噪声。对于测试，使用另外六种类型的真实噪声来验证RLSTM-HANC-FBPN算法的性能。所有仿真代码可从以下链接下载：https://github.com/Lu9033/RLSTM-HANC-FBPN。

所示结果如下：

结论

提出了一种新颖的RLSTM-HANC-FBPN算法用于具有FBPN的HANC，该算法可以衰减五种不同的噪声并处理由反声输出产生的参考噪声损坏。在离线标签生成阶段采用FxMCC算法来建模最优控制滤波器，最优核带宽也是在监督训练之前由FxMCC算法确定的。因此，RLSTM-HANC-FBPN算法推导了控制滤波器的自适应方法

数据可用性

数据应要求提供。

CRediT作者贡献声明

Zeyu Cao：撰写–原始草稿、软件、方法学、概念化。Lu Lu：撰写–审阅与编辑、监督、调查研究、资金获取、概念化。Guangya Zhu：撰写–审阅与编辑、验证、调查研究、资金获取。Kai-Li Yin：撰写–审阅与编辑、调查研究、资金获取。Badong Chen：撰写–审阅与编辑、调查研究。

利益冲突声明

作者声明他们不存在已知的竞争经济利益或个人关系，这些利益或关系可能会影响本论文所报告的工作。

Zeyu Cao | Lu Lu | Guangya Zhu | Kai-Li Yin | Badong Chen