Έλεγχος συστημάτων ενεργής ακύρωσης θορύβου με τεχνικές μηχανικής μάθησης
Loading...
Date
2026-09-29
Authors
Λελάκης, Πάνος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Ο στόχος της παρούσας εργασίας είναι η μελέτη και υλοποίηση συστημάτων Active Noise Cancelling (ANC) με δύο μεθόδους, με adaptive αλγορίθμους και με νευρωνικό δίκτυο, με σκοπό τη διερεύνηση και σύγκριση της συμπεριφοράς και της απόδοσής τους.
Ειδικότερα, οι μέθοδοι που εξετάζονται στην adaptive προσέγγιση είναι ο Least Mean Squares (LMS) και ο Normalized Least Mean Squares (NLMS) στο απλοποιημένο σύστημα χωρίς secondary path, και ο Filtered-x Least Mean Squares (FxLMS) και ο Filtered-x Normalized Least Mean Squares (FxNLMS) στο ολοκληρωμένο σύστημα παρουσία secondary path. Για την neural προσέγγιση, υλοποιείται αρχιτεκτονική Convolutional Recurrent Neural Network (CRNN) βασισμένη στη μέθοδο Deep ANC.
Για την επίτευξη του στόχου της εργασίας, αναπτύχθηκε ενιαίο πρόγραμμα σε Python, το οποίο επιτρέπει μέσω Graphical User Interface (GUI) την εκτέλεση μεμονωμένων και πολλαπλών προσομοιώσεων, την αυτόματη αξιολόγησή τους και απεικόνιση των αποτελεσμάτων. Για το νευρωνικό δίκτυο υλοποιήθηκαν λειτουργίες dataset preprocessing, training, validation και inference, ενώ στην τελευταία διαδικασία ενσωματώθηκε και zero-input output calibration.
Κατά τη διαδικασία του πειραματισμού, χρησιμοποιήθηκαν μετρημένα paths από τη βάση PANDAR για τα ακουστικά Bose QC20, και πραγματοποιήθηκαν δοκιμές με 6 colored noises και 5 θορύβους προερχόμενους από πραγματικά περιβάλλοντα. Σκοπός των πειραμάτων ήταν η επιβεβαίωση σωστής λειτουργίας του συστήματος χωρίς και με secondary path, η μελέτη της επίδρασης των παραμέτρων μ και L των adaptive αλγορίθμων, η μελέτη της επίδρασης του είδους θορύβου και της σταθερότητας. Για τους πειραματισμούς με το νευρωνικό δίκτυο, συγκρίθηκαν τα αποτελέσματα προσομοιώσεων με CRNN και με FxNLMS, χρησιμοποιώντας επιλεγμένες παραμέτρους ανά θόρυβο για τον FxNLMS.
Τα κύρια αποτελέσματα που σημειώθηκαν επαλήθευσαν αρχικά ότι και τα δύο συστήματα χωρίς και με secondary path λειτουργούν φυσιολογικά. Επιπλέον, αποδείχτηκε ότι οι adaptive αλγόριθμοι επηρεάζονται σημαντικά και από τις παραμέτρους, αλλά και από τον θόρυβο στο input. Από τη σύγκριση του νευρωνικού δικτύου με τον FxNLMS προέκυψε ότι το CRNN πέτυχε χαμηλότερο Steady-State Error (SSE) στην συντριπτική πλειοψηφία των περιπτώσεων, συγκεκριμένα στα 10 από τα 11 σενάρια, χωρίς όμως να υπερέχει σε κάθε συχνοτική περιοχή.
Το τελικό συμπέρασμα ήταν ότι η neural προσέγγιση έδειξε άριστη αποτελεσματικότητα στις συγκεκριμένες δοκιμές. Η αξιολόγηση, ωστόσο, πραγματοποιήθηκε offline με σταθερά paths και δεν αποτελεί ακόμη επαλήθευση λειτουργίας σε πραγματικό σύστημα, καθώς σε αυτή την περίπτωση προκύπτουν απαιτήσεις, όπως το latency, οι οποίες δεν εξετάζονται στην εργασία.
Description
Keywords
Ενεργή ακύρωση θορύβου, Προσαρμοστικοί αλγόριθμοι, Προσαρμοστικά φίλτρα, Μηχανική μάθηση, Νευρωνικά δίκτυα, Ψηφιακή επεξεργασία σήματος, Ακουστικά μονοπάτια