ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در
فرمت فایل دانلودی: .zipفرمت فایل اصلی: DOCX
تعداد صفحات: 100
حجم فایل: 7427
قیمت: 17000 تومان
بخشی از متن:
ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر
تاکنون برای حذف نویزهای آکوستیکی از روش های فعال[1] و غیر فعال[2]استفاده شده است. برخلاف روش غیر فعال میتوان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر 500 هرتز)، حذف و یا کاهش داد. در روش فعال از سیستمی استفاده می شود که شامل یک فیلتر وفقی است. به دلیل ردیابی خوب فیلتر [3] LMS در محیط نویزی، الگوریتم FXLMS[4] بعنوان روشی پایه ارائه شده است. اشکال الگوریتم مذکور این است که در مسائل کنترل خطی استفاده می شود. یعنی اگر فرکانس نویز متغیر باشد و یا سیستم کنترلی بصورت غیرخطی کار کند، الگوریتم فوق به خوبی کار نکرده و یا واگرا می شود.
بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم که قابلیت حذف نویز، با فرکانس متغیر، در یک مجرا و در کوتاه‌ترین زمان ممکن را دارد. برای دستیابی به آن می توان از یک گام حرکت وفقی بهینه در الگوریتم FXLMS استفاده کرد. به این منظور محدوده ی گام حرکت بهینه در فرکانس های 200 تا 500 هرتز را در داخل یک مجرا محاسبه کرده تا گام حرکت بهینه بر حسب فرکانس ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی بوسیله ی الگوریتم MUSIC[5] ، را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در کوتاه‌ترین زمان، ممکن شود. در نهایت خواهیم دید که الگوریتم FXLMS معمولی با گام ثابت با تغییر فرکانس واگرا شده حال آنکه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فرکانس متغیر را فراهم می آورد.
همچنین‌به دلیل‌ماهیت غیرخطی سیستمهایANC ، به ارائه‌ی نوعی شبکه‌ی عصبی RBF TDNGRBF ) [6] ( می‌پردازیم که توانایی مدل کردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریک فرکانس متغیر در یک مجرا استفاده کرده و نتایج آن را با الگوریتم FXLMS مقایسه می کنیم. خواهیم دید که روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (3 برابر) و خطای کمتری (30% کاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یک شبکه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبکه ی GRBF (با ترکیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امکان پذیر می شود. ضرایب بکار رفته در ترکیب خطی با استفاده از الگوریتم [7]NLMS بهینه می شوند.
[1] -Active
[2] -passive
[3] -Least mean square
4- Filter- x LMS
5 -Multiple signal classification
6 -Time Delay N- Generalized Radial Basis Function
[7] -Normalized LMS
مقدمه
در سال های اخیر حذف نویز آکوستیکی[1](ANC) با روش های فعال به دلیل کاربردهای فراوان آن مورد توجه بسیاری از محققین بوده است. برخلاف روش غیرفعال می توان بوسیله ی روش فعال، نویز را در فرکانس های پایین (زیر 500 هرتز)، حذف و یا کاهش داد [16،1] اولین بار کنترل فعال نویز توسط Pual Lveg در سال 1936 برای حذف نویز در مجرا- در مواردی چون سیستم های تهویه و تبرید هوا و اگزوز و ..... معرفی و تشریح گردید [2]. در این سیستم نویز با تولید یک صوت مشابه (هم دامنه)، ولی با فاز مخالف حذف می گردد. به این منظور باید دامنه و فاز نویز تشخیص داده شده و معکوس آن تولید شود.
سیستم ایجاد شده باید قابلیت کنترل وفقی نویز را داشته باشد تا بتواند تغییرات ایجاد شده در نویز اولیه را ردگیری نماید [1، 8، 12] عموماً در ANC از فیلتر FIR بعنوان یک کنترلگر وفقی استفاده می شود که وزن های آن توسط الگوریتم LMS بهینه می شوند. اما به دلیل ظاهر شدن تابع تبدیل مسیر ثانویه در سیستم ANC، بایستی الگوریتم LMS جهت دستیابی به همگرایی اصلاح گردد [4]. لذا در ANC از الگوریتم FXLMS- که سیگنال فیلتر شده ی نویز را بعنوان ورودی الگوریتم در نظر می گیرد- استفاده می شود. این الگوریتم در ابتدا به وسیله ی مورگان بیان شد [4] و سپس Burgess پیشنهاد کرد که از آن برای حذف نویز داخل مجرا استفاده شود [5]. نویز باقیمانده نیز می تواند به عنوان سیگنال ورودی به الگوریتم وفقی برای تنظیم ضرایب فیلتر و تخمین اثرات کانال آکوستیکی استفاده شود.
الگوریتم FXLMS یک روش ساده ای را
پیشنهاد می کند که به منظور انتخاب گام حرکت(
) مناسب، نیاز به دانشی در مورد خصوصیات آماری داده های ورودی
دارد. به ویژه هنگامیکه مسیر ثانویه بصورت on- Line بهینه شود [58]. در این الگوریتم برای
اطمینان از همگرایی، گام حرکت را کوچک اختیار می کنند. در نتیجه سرعت همگرایی
پایین است و اجرای ضعیفی خواهیم داشت. حال آنکه الگوریتم FXNLMS همگرایی را برای
یک محدوده ای از گام حرکت- که بستگی به خصوصیات آماری داده های ورودی ندارد- تضمین
می کند و سرعت همگرایی آن نسبت به الگوریتم FXLMS بیشتر است. هر چند
این الگوریتم نیز بخاطر نویزهایی که از محیط وارد میکروفن های ورودی و خطا می
شوند، اثر پذیر است [50]. از مشکلات الگوریتم FXLMS این است که برای
حذف نویز باند پهن نیاز به فیلتری از درجات بالا دارد که سبب افزایش طول مجرا می
شود [6]. همچنین این الگوریتم تنها در مورد کنترل کننده های خطی صادق است و برای
کنترل کننده های غیر خطی قابل استفاده نیست [51، 52]. در سیستم های ANC، عوامل غیرخطی از
محرک های ثانویه (سیستم های آکوستیکی غیر خطی تحت کنترل) سرچشمه می گیرند. به ویژه
وقتی سیگنال نویز ورودی دامنه ای نزدیک به اشباع داشته باشد و یا در فرکانس های
نزدیک- یا پایین تر از- محدوده ی می نیمم فرکانس کاری محرک ها کار کند [52]. بدین
منظور برای بررسی عوامل غیرخطی می توان از ساختاری غیر خطی، همانند شبکه های عصبی
استفاده کرد.
با توجه به پاسخ بلندگو، هیچ کاهشی در مقادیر کمتر از 200 هرتز بدست نمی آید [1]. همچنین به دلیل اینکه تکنیک های غیر فعال برای کاهش نویز در فرکانس های کمتر از 500 هرتز موفقیت آمیز‌نبوده اند [1، 6، 16]، از سیستم های ANC در محدوده ی 200 تا 500 هرتز استفاده می شود. استفاده از بلندگوهای مناسب باعث کاهش حد پایینی این محدوده می شود [1]. حد بالایی عملکرد را محدود نمی کند، چرا که تکنیک های غیرفعال برای کاهش نویز در فرکانس های بالاتر از 500 هرتز موفقیت آمیز خواهد بود.
[1] - Acoustic Noise Cancelling
فهرست مطالب
چکیده
فصل صفر: مقدمه
فصل اول: مقدمه ای بر کنترل نویز آکوستیکی1-1) مقدمه 1-2) علل نیاز به کنترل نویزهای صوتی (فعال و غیر فعال)1-2-1) بیماری های جسمی 1-2-2) بیماری های روانی 1-2-3) راندمان و کارایی افراد1-2-4) فرسودگی 1-2-5) آسایش و راحتی 1-2-6 جنبه های اقتصادی 1-3) نقاط ضعف کنترل نویز به روش غیرفعال1-3-1) کارایی کم در فرکانس های پایین 1-3-2) حجم زیاد عایق های صوتی 1-3-3) گران بودن عایق های صوتی 1-3-4) محدودیت های اجرایی 1-3-5) محدودیت های مکانیکی 1-4) نقاط قوت کنترل نویز به روش فعال 1-4-1) قابلیت حذف نویز در یک گسترده ی فرکانسی وسیع1-4-2) قابلیت خود تنظیمی سیستم
1-5) کاربرد ANC در گوشی فعال
1-5-1) تضعیف صدا به روش غیر فعال در هدفون 1-5-2) تضعیف صدا به روش آنالوگ در هدفون1-5-3) تضعیف صوت به روش دیجیتال در هدفون1-5-4) تضعیف صوت به وسیله ی ترکیب سیستم های آنالوگ و دیجیتال در
هدفون 1-6) نتیجه گیری فصل دوم: اصول فیلترهای وفقی 2-1) مقدمه 2-2) فیلتر وفقی 2-2-1) محیط های کاربردی فیلترهای وفقی 2-3) الگوریتم های وفقی 2-4) روش تحلیلی2-4-1) تابع عملکرد سیستم وفقی 2-4-2) گرادیان یا مقادیر بهینه بردار وزن
2-4-3) مفهوم بردارها و مقادیر مشخصه R روی سطح عملکرد خطا
2-4-4) شرط همگرا شدن به٭ W
2-5) روش جستجو
2-5-1) الگوریتم جستجوی گردایان2-5-2) پایداری و نرخ همگرایی الگوریتم 2-5-3) منحنی یادگیری
2-6) MSE اضافی
2-7) عدم تنظیم 2-8) ثابت زمانی
2-9) الگوریتم LMS
2-9-1) همگرایی الگوریتم LMS
2-10) الگوریتم های LMS
اصلاح شده
2-10-1) الگوریتم LMS
نرمالیزه شده (NLMS)
2-10-2) الگوریتم های وو LMS
علامتدار وو (SLMS)
2-11) نتیجه گیری فصل سوم: اصول کنترل فعال نویز
3-1) مقدمه
3-2) انواع سیستم های کنترل نویز آکوستیکی
3-3) معرفی سیستم حذف فعال نویز تک کاناله
3-4) کنترل فعال نویز به روش پیشخور
3-4-1) سیستم ANC
پیشخور باند پهن تک کاناله
3-4-2) سیستم ANC
پیشخور باند باریک تک کاناله
3-5) سیستم های ANC
پسخوردار تک کاناله
3-6) سیستم های ANC
چند کاناله
3-7) الگوریتم هایی برای سیستم های ANC پسخوردار باند پهن
3-7-1) اثرات مسیر ثانویه
3-7-2) الگوریتم FXLMS
3-7-3) اثرات فیدبک آکوستیکی
3-7-4) الگوریتم Filtered- URLMS
3-8) الگوریتم های سیستم ANC
پسخوردار تک کاناله
3-9) نکاتی درباره ی طراحی سیستم های ANC تک کاناله
3-9-1) نرخ نمونه برداری و درجه ی فیلتر3-9-2) علیت سیستم3-10) نتیجه گیری
فصل چهارم: شبیه سازی سیستم ANC
تک کاناله
4-1) مقدمه
4-2) اجرای الگوریتم FXLMS
4-2-1) حذف نویز باند باریک فرکانس ثابت
4-2-2) حذف نویز باند باریک فرکانس متغیر
4-3) اجرای الگوریتم FBFXLMS
4-4) نتیجه گیری
فصل پنجم: کنترل غیرخطی نویز آکوستیکی در یک ماجرا5-1) مقدمه
5-2) شبکه عصبی RBF
5-2-1) الگوریتم آموزشی در شبکه ی عصبی RBF
5-2-2) شبکه عصبی GRBF
5-3) شبکه ی TDNGRBF
5-4) استفاده از شبکه ی TDNGRBF در حذف فعال نویز
5-5) نتیجه گیری فصل ششم: نتیجه گیری و پیشنهادات 6-1) نتیجه گیری 6-2) پیشنهادات مراجع
_______________
مراجع
[1] C.Mosquera, J.A.Gomez, F.perez, M.
Sobreira, ,,Adaptive IIR Fjlters for Active noise Control, “
Sixth International Congress on Sound and Vibration, 5-8 July 1999, Copenhagen,
Denmark.
[2] P.Lveg, “process of silencing sound
oscillations,”U.S.Patent 2043416,June 9,1936.
[3] Widrow,B., and S.D.Steans.” Adaptive Signal
Processing”,Prentice-Hall, Englewood
Cliffs, NJ.1985.
[4] Morgan,”D.R.” Analysis of Multiple Correlation
Cancelation Loop With a Filter in the Auxiliary path,”IEEE Trans. on ASSP, Vol.
ASSP –28, NO .4, PP. 454-467 August, 1980.
[5] Burgess, J.C.,”Active Adaptive Sound Control in
a Duct: A Computer Simulation,”J.Acoust. Soc. Am., Vol. 70, No.3, p.p.715-726,
Sept, 1981.
[6] Kuo, SM et al,”Design Of Active noise control
systems with the TMS320 family “Texas Instruments, 1996.
[7] Boaz Rafaely,”Active noise Reducing Headser”,http://www.Osee.Net/white
papers/paper489. Pdf, 2000.
[8]L.J.Eriksson and M.C.Allie.”System Considerations
for Adaptive Modelling Applied to Active
Noise Control.”.IEEE International Symposisum on,pp: 2390, Vol. 3, 7-9 JUNE
1988.
[9] Petre Stoica and Torsten Soderstrom,”
Statistical Analysis of Music and Subspace Rotation Estimates of Sinusoidal
Frequencies”. IEEE Trans. On Signal processing, Vol.39, No.8, August 1991.
مراجع
[1] C.Mosquera, J.A.Gomez, F.perez, M. Sobreira, ,,Adaptive IIR Fjlters for Active noise Control, “ Sixth International Congress on Sound and Vibration, 5-8 July 1999, Copenhagen, Denmark.
[2] P.Lveg, “process of silencing sound oscillations,”U.S.Patent 2043416,June 9,1936.
[3] Widrow,B., and S.D.Steans.” Adaptive Signal Processing”,Prentice-Hall, Englewood Cliffs, NJ.1985.
[4] Morgan,”D.R.” Analysis of Multiple Correlation Cancelation Loop With a Filter in the Auxiliary path,”IEEE Trans. on ASSP, Vol. ASSP –28, NO .4, PP. 454-467 August, 1980.
[5] Burgess, J.C.,”Active Adaptive Sound Control in a Duct: A Computer Simulation,”J.Acoust. Soc. Am., Vol. 70, No.3, p.p.715-726, Sept, 1981.
[6] Kuo, SM et al,”Design Of Active noise control systems with the TMS320 family “Texas Instruments, 1996.
[7] Boaz Rafaely,”Active noise Reducing Headser”,http://www.Osee.Net/white papers/paper489. Pdf, 2000.
[8]L.J.Eriksson and M.C.Allie.”System Considerations for Adaptive Modelling Applied to Active Noise Control.”.IEEE International Symposisum on,pp: 2390, Vol. 3, 7-9 JUNE 1988.
[9] Petre Stoica and Torsten Soderstrom,” Statistical Analysis of Music and Subspace Rotation Estimates of Sinusoidal Frequencies”. IEEE Trans. On Signal processing, Vol.39, No.8, August 1991.
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
