基于BP神经网络的自适应有源消声系统
2008-12-08
作者：温激鸿
摘 要： 采用神经网络控制方法，建立了基于BP算法的神经网络有源消声实验系统。实验证明基于BP算法的有源消声实验系统具有良好的消声效果和稳定性。
关键词： 神经网络 BP算法 有源消声
有源消声作为一种有效的低频消声方法，弥补了吸声、隔声、减振等传统无源消声方法在低频噪声控制方面的不足。近年来，基于传统自适应技术" title="自适应技术">自适应技术的有源消声系统借助于自适应信号处理技术的最新成果，结合声场特性研究，取得了初步的成功。但由于空间有源消声过程具有时变性和非线性，基于传统自适应技术的有源消声系统稳定性不足，容易产生振荡。
神经网络是由大量简单的非线性处理单元及单元之间复杂、灵活的联接关系所构成。神经网络能够实现任意非线性映射" title="非线性映射">非线性映射，并具有极强的自适应、自学习、自组织能力。神经网络的这些特点，为有源消声研究提供了一个新的途径。
1 BP神经网络有源消声系统结构及算法推导
运用误差反向传播学习算法(BP算法)的前馈多层网络通常称为BP网络。由于这种网络具有很强的非线性映射能力，网络结构简单，工作状态稳定，易于实现，是目前应用最为广泛的一种网络。因此，本文将BP网络应用于有源消声系统中。图1为BP神经网络有源消声系统结构图。
若网络第i层的第l节点的输入误差为Eil，按梯度最速下降原理，权值" title="权值">权值沿误差函数的负梯度方向变化，即有：
对网络输出层，即当为l输出节点时，取神经元的输出函数为:
对于网络中间层i，它的误差来源于i＋1层，取神经元的输出函数为:
系统开始运行时，首先设置网络的初始权值，根据实时采得的初级传声器信号x(n)，由公式(1)、(2)计算出网络各层神经元的输出。根据实时采得的误差传声器信号e(n)，由公式(9)、(12)计算网络各层的δil，然后由公式(10)、(13)修正所有的权值变化。随着输入值的变化，重复上述过程，使误差信号e(n)稳定在一定范围内。
2 实验结果及分析
实验在半消声室中进行，实验系统的硬件构成如图2所示。噪声由HP 33120A信号发生器产生的信号来模拟，滤波器采用可调范围较宽的UL8双通道通用有源滤波器，声源采用低频性能良好的电动式8英寸“飞乐”喇叭制作的高性能音箱。
声源及传声器的布放如图3所示，初级传声器位于噪声源" title="噪声源">噪声源正前方0.05m，误差传声器位于噪声源正前方0.4m、算法程序由HP Vectra 200计算机来完成。
系统稳定运行后，在以初级声源为中心，半径为1m，离地高为1.5m等半径的空间里测得的消声前后声压级分布图如图4、图5 所示。图中f、Δf分别表示噪声源信号的中心频率和带宽。图中虚线表示消声前的声压级，实线表示消声后的声压级。实验中采用的网络结构为4×4×1。
从实验结果可以看出，采用单初级双次级声源组成的基于神经网络BP算法的有源消声实验系统不论对单频还是窄带随机信号在全空间范围内都有较好的消声效果，在误差传声器周围都有7dB以上的消声量。同传统的自适应有源消声系统相比，该实验系统具有较好的稳定性。
本文建立了基于BP神经网络的有源消声实验系统，实验结果表明，该系统有较好的消声能力和较高的稳定性。在以后的研究工作中，为进一步改善网络的性能，拟采用新的算法，如Levenberg－Marquardt算法，以提高该实验系统的消声能力。
参考文献
1 陈克安，马远良编著.自适应有源消声——原理、算法及实现.成都：西北工业大学出版社，1993
2 徐永成.噪声场测试分析" title="测试分析">测试分析与基于智能模糊控制有源消声的实验系统研究.国防科技大学硕士学位论文，1996
3 吴简彤，王建华编著.神经网络技术及其应用.哈尔滨：哈尔滨工程大学出版社，1998
4 侯宏，杨建华，孙进才.神经网络BP算法在有源消声中的应用.西北工业大学学报，1999，2