[论文解读] Active Noise Control based on the Momentum Multichannel Normalized Filtered-x Least Mean Square Algorithm
该论文提出一种动量增强的多通道归一化筛选后的X LMS（MNFxLMS）算法用于主动降噪，显示出更快的收敛和对噪声功率变化的鲁棒性；在含实测桩噪声和功能性MRI噪声的4通道ANC系统中得到验证。
Multichannel active noise control (MCANC) is widely utilized to achieve significant noise cancellation area in the complicated acoustic field. Meanwhile, the filter-x least mean square (FxLMS) algorithm gradually becomes the benchmark solution for the implementation of MCANC due to its low computational complexity. However, its slow convergence speed more or less undermines the performance of dealing with quickly varying disturbances, such as piling noise. Furthermore, the noise power variation also deteriorates the robustness of the algorithm when it adopts the fixed step size. To solve these issues, we integrated the normalized multichannel FxLMS with the momentum method, which hence, effectively avoids the interference of the primary noise power and accelerates the convergence of the algorithm. To validate its effectiveness, we deployed this algorithm in a multichannel noise control window to control the real machine noise.
研究动机与目标
- 为更大降噪区域实现可管理计算量的多通道主动降噪（MCANC）提供动机。
- 解决基于FxLMS的MCANC中收敛缓慢和对噪声功率敏感的问题。
- 开发具备动量的MNFxLMS以在保持输入功率鲁棒性的同时加速收敛。
- 在测得的主/次路径和真实世界噪声下验证所提方法。
提出的方法
- 回顾多通道归一化FxLMS（MNFxLMS）及其归一化以降低输入功率变化的影响。
- 引入积累过去梯度信息的动量项以加速收敛（动量MNFxLMS）。
- 推导动量MNFxLMS的更新方程，包括忘却因子gamma和梯度累积参数gamma。
- 将动量机制分析为对快速变化梯度的低通滤波器以及对慢速变化梯度的放大器。
- 通过离线系统辨识估计次级路径，并在指定的 taps 长度和忘却因子（gamma = 0.9）下实现该算法。
- 使用4通道ANC系统的测得主/次路径进行仿真，比较McFxLMS、MNFxLMS和动量MNFxLMS。
实验结果
研究问题
- RQ1将动量与MNFxLMS结合是否能在MCANC中提高收敛速度而不牺牲对主噪声功率变化的鲁棒性？
- RQ2与传统的McFxLMS和MNFxLMS相比，动量MNFxLMS在实际噪声（堆积噪声、fMRI噪声）下的表现如何？
- RQ3步长选择和忘却因子对所提算法的稳定性和性能有何影响？
- RQ4所提方法能否在快速变化的干扰下保持可比的稳态降噪吗？
主要发现
- 在仿真中动量MNFxLMS的收敛速度快于MNFxLMS与McFxLMS。
- 在测试噪声下，所有算法的稳态降噪水平大致为20–21 dB。
- 当输入功率较大时，McFxLMS可能发散，而MNFxLMS和动量MNFxLMS在主噪声功率变化下仍保持稳定。
- 在测得路径的实际堆积噪声和fMRI噪声下，动量MNFxLMS的收敛速度在最快。
- 研究验证在4通道设定的测得主/次路径中对快速变化噪声的有效抑制。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。