文章目錄

• 前言
• 一、次級路徑的辨識
• 二、濾波器階數的選擇
• 三、多通道算法
• • 3.1、陷波濾波器
  • 3.2、多通道算法
• 總結

---

前言

噪聲主動控制在實際應用的過程中其實存在很多的問題，比如說次級路徑辨識時激勵源噪聲選擇問題，濾波器階數等諸多問題的選擇和優(yōu)化。

---

一、次級路徑的辨識

在主動降噪開發(fā)之一中并未考慮次級次級路徑的問題，但在實際中，揚聲器到麥克風之間是存在一定的距離，揚聲器到我們耳朵之間也存在一定的距離，那么聲音在傳播的過程中就會存在一定的衰減。
假設，傳遞路徑上的傳遞函數為h(t)，那么在揚聲器輸出的信號f(t)和mic接收到的信號g(t)就存在以下關系：
g(t) = f(t)*h(t)
兩者為卷積的關系，表現在頻域上就是相乘。那么問題來了，怎么獲得g(t)??，其準確性對后續(xù)噪聲的控制影響極大。目前存在三種激勵方式，分別為白噪聲，線性正弦掃頻和指數正弦掃頻，白噪聲自不用說，后兩者對應的頻譜如下：
實際上，根據人耳朵的聲學特性，更符合指數正弦臊掃頻，但在實際應用中會根據實際情況（揚聲器頻響，時間的長短，降噪頻帶范圍等）進行選擇，一般來說，白噪聲的頻譜更為豐富，所需激勵時間也較短，得到的響應也含有較為豐富發(fā)頻譜特性，應用較廣。
部分代碼如下：

%% 線性掃頻 t1 = 1/fs:1/fs:t0; y2 = chirp(t,0,10,500,'quadratic'); % 自帶程序生成的掃頻； beta = (endFre-startFre)/t0; y1 = A*sin(2*pi*(0.5*beta*t1.^2+startFre*t1)); subplot(131) plot(t1,y1) xlabel('時間/s') ylabel('線性掃頻幅值') subplot(132) pspectrum(y1,fs,'spectrogram','FrequencyLimits',[10 1000],'TimeResolution',0.2, ...'OverlapPercent',99,'Leakage',0.85) subplot(133) pspectrum(y1,fs,'FrequencyLimits',[10 1000])

二、濾波器階數的選擇

根據激勵得出的響應，計算出對應的傳遞函數，這其實有兩種方法，第一，分別計算對應的頻譜特性，然后再逆傅里葉變化，第二，就是采樣LMS算法進行辨識，這是最簡單和最方便的，效率最高的一種方法，這兩種方法辨識的結果如下：
可見，其前128階趨勢基本一致，相對而言，LMS識別出的沖激響應幅值較大，而反變換則在0處存在一個極大值，這主要是由于信號存在直流分量引起的，需要在實際中進行甄別。
對識別出的傳遞函數的階數需要進行優(yōu)化，優(yōu)化的前提就是根據實際硬件的承受能力，也就是算力的問題，畢竟階數越大，延遲就會越大，DSP在計算FIR濾波器時需要的時間就越長，功耗也很大。不同濾波器階數的比較：

部分代碼：

% 初始化參數 en = zeros(itr,1); % 誤差序列,en(k)表示第k次迭代時預期輸出與實際輸入的誤差 W = zeros(M,itr); % 每一行代表一個加權參量,每一列代表-次迭代,初始為0% 迭代計算 for k = M:itr % 第k次迭代,保證輸入延遲后的信號有效，只有iter-M次迭代；x = xn(k:-1:k-M+1); % 將輸入信號延遲，使得濾波器的每個抽頭都有輸入y = W(:,k-1).' * x; % 濾波器的輸出en(k) = dn(k) - y ; % 第k次迭代的誤差 % 濾波器權值計算的迭代式W(:,k) =0.9* W(:,k-1) - 2*mu*en(k)*x ; % 濾波器系數更新向量,0.9的系數可以防止泄露； end

三、多通道算法

3.1、陷波濾波器

為什么會提到這濾波器？？？，主要是因為噪聲主動控制，特別是對于發(fā)動機噪聲主動控制技術，主要應用的是窄帶技術，簡單來說就是對單個頻率進行控制，那么陷波濾波器對應的頻響為：

對應的特性在點擊這里講的更清楚。
那么，既然是對單個頻率進行處理，我們應該怎么模擬這個信號呢，那肯定是正余弦信號，我們都知道任何信號都是有正余弦信號疊加而成，只要能夠疊加出對應的頻率就可以。

3.2、多通道算法

解決上述問題之后，已經完成80%，剩下的只剩20%了，現實告訴我們，任何事都存在二八分成，而這個“二”是占比最大的，那當然是最重要的了，多通道算法一般采用下面的框圖：
說簡單，其實也簡單，就是把向量數據轉換為矩陣數據而已。那么對于發(fā)動機噪聲，對應的結果為：
所控制的30Hz，130Hz和195Hz都實現了峰值降低的目的，總聲壓OA由53.43dB降到52.39dB。

部分代碼如下：

clc clear close all opengl software % load Sn.mat load DsIdle.mat % 第一個通道； load PsIdle.mat % 第二個通道； 通道的個數可以根據實際情況（需要降噪的個數進行添加）進行添加。 load IRF_GLOBAL_1.mat %% % Signal = Idle(1:end,2); t = DsIdle(1:40960,1); Sn1 = IRFGlobal(1:128)'; % 主駕傳遞函數，存在4個揚聲器 Sn2 = IRFGlobal(129:256)'; Sn3 = IRFGlobal(257:384)'; Sn4 = IRFGlobal(385:512)'; Ps1 = IRFGlobal(513:640)'; % 副駕傳遞函數，存在4個揚聲器； Ps2 = IRFGlobal(641:768)'; Ps3 = IRFGlobal(769:896)'; Ps4 = IRFGlobal(897:1024)'; fs = 40960; f1 = 32.5; % 目標頻率1； f2 = 130; % 目標頻率2； f3 = 195; % 目標頻率3； mu1 = 0.005; % 通過調節(jié)這些參數可以優(yōu)化降噪后的效果； mu2 = 0.00082; % 分別對應不同的階次收斂步長； mu3 = 0.00081;% 可以根據實際情況進行調整； M = 128; % 濾波器階數； % t = 0:1/fs:11; x1 = sin(2*pi*f1*t); x2 = sin(2*pi*f2*t); x3 = sin(2*pi*f3*t);

---

總結

由于這是一個綜合多學科問題，噪聲主動控制技術在實際的應用中不僅存在上述問題，最主要還有硬件性能的問題，包括揚聲器頻響，DSP芯片算力問題，AD、DA 轉換問題。

總結

以上是生活随笔為你收集整理的主动降噪开发之四——多通道算法实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。