論文の概要: A Hybrid SFANC-FxNLMS Algorithm for Active Noise Control based on Deep
Learning
- arxiv url: http://arxiv.org/abs/2208.08082v1
- Date: Wed, 17 Aug 2022 05:42:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 13:37:43.140242
- Title: A Hybrid SFANC-FxNLMS Algorithm for Active Noise Control based on Deep
Learning
- Title(参考訳): ディープラーニングに基づくアクティブノイズ制御のためのハイブリッドSFANC-FxNLMSアルゴリズム
- Authors: Zhengding Luo, Dongyuan Shi, and Woon-Seng Gan
- Abstract要約: Filtered-X normalized least-mean-square (FxNLMS)アルゴリズムは適応最適化により低い定常誤差を得ることができる。
本稿では,適応アルゴリズムの緩やかな収束を克服するためのハイブリッドSFANC-FxNLMS手法を提案する。
実験の結果,ハイブリッドSFANC-FxNLMSアルゴリズムは高速応答時間,低雑音低減誤差,高強靭性を実現可能であることがわかった。
- 参考スコア(独自算出の注目度): 17.38644275080562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The selective fixed-filter active noise control (SFANC) method selecting the
best pre-trained control filters for various types of noise can achieve a fast
response time. However, it may lead to large steady-state errors due to
inaccurate filter selection and the lack of adaptability. In comparison, the
filtered-X normalized least-mean-square (FxNLMS) algorithm can obtain lower
steady-state errors through adaptive optimization. Nonetheless, its slow
convergence has a detrimental effect on dynamic noise attenuation. Therefore,
this paper proposes a hybrid SFANC-FxNLMS approach to overcome the adaptive
algorithm's slow convergence and provide a better noise reduction level than
the SFANC method. A lightweight one-dimensional convolutional neural network
(1D CNN) is designed to automatically select the most suitable pre-trained
control filter for each frame of the primary noise. Meanwhile, the FxNLMS
algorithm continues to update the coefficients of the chosen pre-trained
control filter at the sampling rate. Owing to the effective combination of the
two algorithms, experimental results show that the hybrid SFANC-FxNLMS
algorithm can achieve a rapid response time, a low noise reduction error, and a
high degree of robustness.
- Abstract(参考訳): 各種ノイズに対して最適な事前学習制御フィルタを選択する選択的固定フィルタアクティブノイズ制御(sfanc)方式は、高速応答時間を実現することができる。
しかし、不正確なフィルタ選択と適応性の欠如により、大きな定常誤差が発生する可能性がある。
これに対し、FxNLMSアルゴリズムは適応最適化により低い定常誤差を得ることができる。
それにもかかわらず、その緩やかな収束は動的ノイズ減衰に有害な影響を与える。
そこで本論文では,適応アルゴリズムの遅い収束を克服し,sfanc法よりもノイズ低減レベルの高いsfanc-fxnlmsハイブリッド手法を提案する。
軽量な1次元畳み込みニューラルネットワーク(1D CNN)は、一次雑音の各フレームに最適な事前学習制御フィルタを自動的に選択するように設計されている。
一方、FxNLMSアルゴリズムは、選択した事前学習制御フィルタの係数をサンプリングレートで更新し続けている。
この2つのアルゴリズムの効果的な組み合わせにより,sfanc-fxnlmsハイブリッドアルゴリズムは高速応答時間,低雑音化誤差,高ロバスト性を実現することができることを示した。
関連論文リスト
- Deep Generative Fixed-filter Active Noise Control [17.42035489262148]
本稿では,その限界を克服するためにGFANC法を提案する。
ディープラーニングと完全再構成フィルタバンクに基づいて、GFANC法はいくつかの事前データしか必要としない。
GFANC法の有効性は実記録雑音に対する数値シミュレーションにより実証された。
論文 参考訳(メタデータ) (2023-03-10T08:47:22Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳(メタデータ) (2023-02-13T19:57:17Z) - Performance Evaluation of Selective Fixed-filter Active Noise Control
based on Different Convolutional Neural Networks [19.540619271798455]
選択的固定フィルタアクティブノイズコントロール (SFANC) 法は, 広く普及する候補の1つである。
ディープラーニング技術は、より柔軟な制御フィルタの選択を可能にするために、SFANCメソッドで使用することができる。
本稿では1次元および2次元の畳み込みニューラルネットワークに基づくSFANCの性能について検討する。
論文 参考訳(メタデータ) (2022-08-17T05:47:38Z) - Study of General Robust Subband Adaptive Filtering [47.29178517675426]
インパルス雑音に対する汎用ロバストサブバンド適応フィルタ法(GR-SAF)を提案する。
M推定および最大コレントロピーロバスト基準から異なるスケーリング係数を選択することで、GR-SAFアルゴリズムを簡単に得ることができる。
提案したGR-SAFアルゴリズムは、可変正則化ロバスト正規化SAFアルゴリズムに還元することができ、高速収束率と低定常誤差を有する。
論文 参考訳(メタデータ) (2022-08-04T01:39:03Z) - Sparsity-Aware Robust Normalized Subband Adaptive Filtering algorithms
based on Alternating Optimization [27.43948386608]
本稿では, 雑音下でのスパースシステムの同定のためのSA-RNSAFアルゴリズムを提案する。
提案したSA-RNSAFアルゴリズムは,ロバストな基準とスパース性を考慮したペナルティを定義することで,異なるアルゴリズムを一般化する。
論文 参考訳(メタデータ) (2022-05-15T03:38:13Z) - Filter-enhanced MLP is All You Need for Sequential Recommendation [89.0974365344997]
オンラインプラットフォームでは、ログされたユーザの行動データはノイズを含まないことは避けられない。
周波数領域の雑音を減衰させる信号処理から,フィルタアルゴリズムのアイデアを借用する。
逐次レコメンデーションタスクのための学習可能なフィルタを備えたオールMLPモデルである textbfFMLP-Rec を提案する。
論文 参考訳(メタデータ) (2022-02-28T05:49:35Z) - Adaptive Low-Pass Filtering using Sliding Window Gaussian Processes [71.23286211775084]
ガウス過程回帰に基づく適応型低域通過フィルタを提案する。
本研究では,提案手法の誤差が一様境界であることを示す。
論文 参考訳(メタデータ) (2021-11-05T17:06:59Z) - A Comparison of Various Classical Optimizers for a Variational Quantum
Linear Solver [0.0]
変分型ハイブリッド量子古典アルゴリズム(VHQCAs)は、ノイズの多い量子デバイス上で動作することを目的とした量子アルゴリズムのクラスである。
これらのアルゴリズムは、パラメータ化量子回路(アンサッツ)と量子古典フィードバックループを用いる。
古典的なデバイスは、量子デバイス上ではるかに効率的に計算できるコスト関数を最小限に抑えるためにパラメータを最適化するために使用される。
論文 参考訳(メタデータ) (2021-06-16T10:40:00Z) - Learning Sampling Policy for Faster Derivative Free Optimization [100.27518340593284]
ランダムサンプリングではなく,ZO最適化における摂動を生成するためのサンプリングポリシを学習する,新たな強化学習ベースのZOアルゴリズムを提案する。
その結果,ZO-RLアルゴリズムはサンプリングポリシを学習することでZO勾配の分散を効果的に低減し,既存のZOアルゴリズムよりも高速に収束できることが示唆された。
論文 参考訳(メタデータ) (2021-04-09T14:50:59Z) - Using Kalman Filter The Right Way: Noise Estimation Is Not Optimal [46.556605821252276]
kfの仮定を少しでも破っても、効果のあるノイズを著しく修正できることを示す。
KFの対称および正定値(SPD)パラメータに勾配に基づく最適化を効率的に適用する方法を提案する。
論文 参考訳(メタデータ) (2021-04-06T08:59:15Z) - Improved, Deterministic Smoothing for L1 Certified Robustness [119.86676998327864]
分割雑音を伴う非加法的決定論的平滑化法(dssn)を提案する。
一様加法平滑化とは対照的に、ssn認証は無作為なノイズコンポーネントを独立に必要としない。
これは、規範ベースの敵対的脅威モデルに対して決定論的「ランダム化平滑化」を提供する最初の仕事である。
論文 参考訳(メタデータ) (2021-03-17T21:49:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。