論文の概要: Performance Evaluation of Selective Fixed-filter Active Noise Control
based on Different Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2208.08440v1
- Date: Wed, 17 Aug 2022 05:47:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 13:16:03.199534
- Title: Performance Evaluation of Selective Fixed-filter Active Noise Control
based on Different Convolutional Neural Networks
- Title（参考訳）: 異なる畳み込みニューラルネットワークを用いた選択的固定フィルタアクティブノイズ制御の性能評価
- Authors: Zhengding Luo, Dongyuan Shi, Woon-Seng Gan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 19.540619271798455
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to its rapid response time and a high degree of robustness, the selective
fixed-filter active noise control (SFANC) method appears to be a viable
candidate for widespread use in a variety of practical active noise control
(ANC) systems. In comparison to conventional fixed-filter ANC methods, SFANC
can select the pre-trained control filters for different types of noise. Deep
learning technologies, thus, can be used in SFANC methods to enable a more
flexible selection of the most appropriate control filters for attenuating
various noises. Furthermore, with the assistance of a deep neural network, the
selecting strategy can be learned automatically from noise data rather than
through trial and error, which significantly simplifies and improves the
practicability of ANC design. Therefore, this paper investigates the
performance of SFANC based on different one-dimensional and two-dimensional
convolutional neural networks. Additionally, we conducted comparative analyses
of several network training strategies and discovered that fine-tuning could
improve selection performance.
- Abstract（参考訳）: 高速応答時間と高いロバスト性のため、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、様々な実用的なアクティブノイズコントロール (ANC) システムで広く使用される候補となる。
従来の固定フィルタANC法と比較して、SFANCは様々な種類のノイズに対して事前訓練された制御フィルタを選択することができる。
したがって、深層学習技術はSFANC法で使用することができ、様々なノイズを減衰させるために最適な制御フィルタをより柔軟に選択することができる。
さらに、ディープニューラルネットワークの支援により、試行錯誤ではなくノイズデータから選択戦略を自動的に学習することができ、anc設計の実用性を大幅に単純化し改善することができる。
そこで本研究では,SFANCの性能を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を用いて検討する。
さらに,複数のネットワークトレーニング戦略の比較分析を行い,選抜性能を向上させることができることを発見した。
関連論文リスト
- Many-Objective Search-Based Coverage-Guided Automatic Test Generation for Deep Neural Networks [2.141511605027007]
本稿では,多目的最適化アルゴリズムに基づくファジングテスト生成手法を提案する。
周波数ベースのファズサンプリング戦略は、初期データの選択頻度に基づいて優先順位を割り当てる。
アルゴリズムの局所探索能力を高めるため,モンテカルロ木探索に基づく局所探索戦略を提案する。
論文 参考訳（メタデータ） (2024-11-01T21:08:15Z) - Regime Learning for Differentiable Particle Filters [19.35021771863565]
微分可能な粒子フィルタは、シーケンシャルモンテカルロ法とニューラルネットワークの柔軟性を組み合わせて状態空間推論を行う新しいモデルのクラスである。
個々の体制と切り替えプロセスの両方を同時に学習する事前のアプローチは存在しない。
本稿では,ニューラルネットワークを用いた微分可能粒子フィルタ(RLPF)を提案する。
論文 参考訳（メタデータ） (2024-05-08T07:43:43Z) - Combating Label Noise With A General Surrogate Model For Sample
Selection [84.61367781175984]
本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。
提案手法の有効性を実世界および合成ノイズデータセットで検証した。
論文 参考訳（メタデータ） (2023-10-16T14:43:27Z) - Domain Generalization Guided by Gradient Signal to Noise Ratio of
Parameters [69.24377241408851]
ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。
本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
論文 参考訳（メタデータ） (2023-10-11T10:21:34Z) - Thompson sampling for improved exploration in GFlowNets [75.89693358516944]
生成フローネットワーク(Generative Flow Networks, GFlowNets)は、合成対象物上の分布からのサンプリングを、学習可能なアクションポリシーを用いたシーケンシャルな意思決定問題として扱う、アモータイズされた変分推論アルゴリズムである。
2つの領域において、TS-GFNは、過去の研究で使われたオフ・ポリティクス・サーベイ・ストラテジーよりも、探索を改善し、目標分布への収束を早くすることを示す。
論文 参考訳（メタデータ） (2023-06-30T14:19:44Z) - 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) - A Hybrid SFANC-FxNLMS Algorithm for Active Noise Control based on Deep
Learning [17.38644275080562]
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。
論文 参考訳（メタデータ） (2022-08-17T05:42:39Z) - Deep Frequency Filtering for Domain Generalization [55.66498461438285]
Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。
本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。
提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
論文 参考訳（メタデータ） (2022-03-23T05:19:06Z) - Study of Frequency domain exponential functional link network filters [0.0]
本稿では,周波数領域指数関数型リンクネットワーク(FDEFLN)フィルタを提案する。
FDEFLNに基づく非線形アクティブノイズ制御(NANC)システムも開発され、周波数領域指数フィルタ最小平均二乗(FDEFsLMS)アルゴリズムが開発された。
論文 参考訳（メタデータ） (2022-01-12T01:54:59Z) - Capturing scattered discriminative information using a deep architecture
in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。
我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。
2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文 参考訳（メタデータ） (2020-07-09T08:32:06Z) - Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。
本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-10T06:11:13Z)
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。