論文の概要: Deep Generative Fixed-filter Active Noise Control

• arxiv url: http://arxiv.org/abs/2303.05788v1
• Date: Fri, 10 Mar 2023 08:47:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 15:30:03.292301
• Title: Deep Generative Fixed-filter Active Noise Control
• Title（参考訳）: 深部生成型固定フィルタアクティブノイズ制御
• Authors: Zhengding Luo, Dongyuan Shi, Xiaoyi Shen, Junwei Ji, Woon-Seng Gan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.42035489262148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the slow convergence and poor tracking ability, conventional LMS-based adaptive algorithms are less capable of handling dynamic noises. Selective fixed-filter active noise control (SFANC) can significantly reduce response time by selecting appropriate pre-trained control filters for different noises. Nonetheless, the limited number of pre-trained control filters may affect noise reduction performance, especially when the incoming noise differs much from the initial noises during pre-training. Therefore, a generative fixed-filter active noise control (GFANC) method is proposed in this paper to overcome the limitation. Based on deep learning and a perfect-reconstruction filter bank, the GFANC method only requires a few prior data (one pre-trained broadband control filter) to automatically generate suitable control filters for various noises. The efficacy of the GFANC method is demonstrated by numerical simulations on real-recorded noises.
• Abstract（参考訳）: 緩やかに収束し追跡能力が低下するため、従来のlmsに基づく適応アルゴリズムでは動的ノイズを処理できない。 Selective fixed-filter active noise control (SFANC) は、異なる雑音に対する適切な事前学習制御フィルタを選択することで、応答時間を著しく短縮することができる。 それにもかかわらず、事前訓練された制御フィルタの限られた数がノイズ低減性能に影響を及ぼす可能性がある。 そこで本研究では,その限界を克服するために,生成型固定フィルタアクティブノイズ制御(GFANC)手法を提案する。 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、様々なノイズに対する適切な制御フィルタを自動的に生成するために、いくつかの事前データ(事前訓練されたブロードバンド制御フィルタ)を必要とする。 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。

関連論文リスト

• Accessing the Full Capabilities of Filter Functions: A Tool for Detailed Noise and Control Susceptibility Analysis [0.7503129292751939]
  方向情報や位相情報を含む全フィルタ関数を利用する。 任意の駆動場下でのシステムの可制御性や雑音感受性を考察するとともに,フィルタ関数と幾何形式との関係を考察する。
  論文  参考訳（メタデータ） (2023-03-03T01:44:01Z)
• 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)
• 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)
• Optimally Band-Limited Noise Filtering for Single Qubit Gates [0.0]
  単一量子ビット系における時間相関ノイズに対処するために最適化されたスムーズで実験的に実装可能な制御シーケンスを生成する量子制御プロトコルを提案する。 特に、最適雑音抑圧の仕組みを同定し、ノイズパワーが大きい周波数帯域に比例する最適制御帯域幅を同定する。
  論文  参考訳（メタデータ） (2022-06-07T18:00:01Z)
• 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)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Neural optimal feedback control with local learning rules [67.5926699124528]
  運動制御の大きな問題は、脳がどのように遅延と雑音の刺激に直面して適切な動きを計画し実行するかを理解することである。 本稿では,適応カルマンフィルタとモデル自由制御手法を組み合わせた新しいオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-12T20:02:00Z)
• 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)
• On Dynamic Noise Influence in Differentially Private Learning [102.6791870228147]
  Private Gradient Descent (PGD)は一般的に使用されるプライベート学習フレームワークであり、差分プロトコルに基づいてノイズを発生する。 最近の研究では、emphdynamic privacy schedulesは最終イテレーションで改善できるが、そのようなスケジュールの有効性の理論は限られている。 本稿では,これらの重要な質問に答えるために,動的プライバシスケジュールにおけるノイズの影響を総合的に分析する。
  論文  参考訳（メタデータ） (2021-01-19T02:04:00Z)
• RDP-GAN: A R\'enyi-Differential Privacy based Generative Adversarial Network [75.81653258081435]
  GAN(Generative Adversarial Network)は,プライバシ保護の高い現実的なサンプルを生成する能力によって,近年注目を集めている。 しかし、医療記録や財務記録などの機密・私的な訓練例にGANを適用すると、個人の機密・私的な情報を漏らしかねない。 本稿では、学習中の損失関数の値にランダムノイズを慎重に付加することにより、GAN内の差分プライバシー(DP)を実現するR'enyi-differentially private-GAN(RDP-GAN)を提案する。
  論文  参考訳（メタデータ） (2020-07-04T09:51:02Z)

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。