近日，南洋理工大学、西北工业大学与新加坡国立大学联合在机械领域顶刊《Mechanical Systems and Signal Processing》发表题为“Deep Learning-Based Generative Fixed-Filter Active Noise Control: Transferability and Implementation”的研究文章。
该工作实现了基于深度学习的生成式主动噪声控制（GFANC）方法在真实耳机系统中的部署。GFANC能够为不同类型的噪声快速生成合适的控制滤波器，并采用双速率架构实现无延迟的噪声控制。实验结果表明，GFANC在性能上优于传统适应性算法、选择性主动噪声控制（SFANC）方法以及一款商业耳机产品。
论文作者包括: 罗正丁（南洋理工大学）、季君韦（南洋理工大学）、王泊翔（南洋理工大学）、石栋元老师（西北工业大学）、马浩哲（新加坡国立大学）、Gan Woon-Seng老师（南洋理工大学）。
摘要
基于深度学习的生成式主动噪声控制（GFANC）方法通过结合子滤波器能够为不同噪声生成合适的控制滤波器，在响应速度和降噪效果方面优于传统方法。然而，其可迁移性和实际性能尚未得到充分验证。
本文在主动噪声控制（ANC）耳机中实现了基于深度学习的GFANC方法，采用双速率架构：协处理器上运行一个轻量级卷积神经网络（CNN），与实时控制器协同工作，以确保无延迟的噪声控制。
本文还提供了GFANC可迁移性的理论解释，表明该方法通过使用针对特定系统的子滤波器，保持使用相同的训练后的CNN，从而适应不同的声学环境。
GFANC方法框图
基于深度学习的GFANC方法仅需少量先验数据（一个预训练的宽带控制滤波器），即可自动为不同类型噪声生成定制化的控制滤波器。该宽带滤波器被分解为多个子控制滤波器，并通过CNN预测的权重对这些子滤波器进行组合，从而生成针对特定噪声的控制滤波器。
作为一种数据驱动方法，GFANC直接从噪声数据集中学习所有参数，无需人工配置。
此外，与大多数现有的基于深度学习的ANC方法不同——这些方法将神经网络作为实时控制器，易引入显著延迟——GFANC采用双速率架构，在实际应用中实现无延迟的噪声控制。
基于深度学习的GFANC方法进行实时噪声控制的伪代码：
GFANC在降噪耳机中的实现
为了评估基于深度学习的GFANC方法在实际场景中的降噪性能，该方法在单通道 ANC 耳机系统中进行了实时实验，并与 SFANC 方法、FxLMS 算法以及一个商用 ANC 算法进行对比。
在该系统中，协处理器为一台笔记本电脑，用于运行训练好的 CNN，为输入噪声预测权重向量。同时，嵌入式 PXI 处理单元作为实时控制器执行噪声控制。笔记本电脑通过UDP协议将权重向量传输给实时控制器进行滤波器的生成，这种联合运行机制使笔记本电脑能够以帧率工作，而实时控制器以采样率运行，在耳机中实现无延迟降噪。
实验结果
比较GFANC和SFANC方法:
对于 SFANC 滤波器训练集以外的噪声，GFANC 相较于 SFANC取得了更高的降噪水平。SFANC 方法因受限于固定滤波器集合，在处理与其滤波器训练集差异较大的噪声时性能下降。相比之下，GFANC 方法凭借其在生成控制滤波器方面的灵活性，实现了更优的降噪效果。
比较GFANC和FxLMS算法:
FxLMS 算法在两类噪声下均需要较长的时间才能收敛，并且需要对步长参数进行精细调整以避免发散。相比之下，GFANC 方法响应迅速，仅需 1 秒即可实现有效的噪声降低。在处理时变噪声时，它还表现出较强的稳定性和跟踪能力。
比较GFANC和商用ANC算法:
商用 ANC 算法在抑制 500 Hz 以下频率时优于 GFANC 方法，然而在 500 Hz 以上频率时抑制效果有限。相反，GFANC 方法在20–1900 Hz 范围内表现出一致的降噪性能，并且在 500 Hz 以上频段显著优于商用 ANC 算法，体现了 GFANC 方法能实现更宽频带的噪声控制。
结论
基于深度学习的 GFANC 方法通过结合子滤波器为不同噪声生成合适的控制滤波器。仿真与实时耳机实验均验证了 GFANC 方法在控制宽带噪声和真实噪声中的有效性。相比于SFANC 方法，GFANC 不仅提升了降噪水平而且显著减少了滤波器训练的工作量。同时，GFANC 通过避免自适应更新，响应速度远快于 FxLMS 算法。此外，GFANC 在更宽的频率范围内实现了噪声控制，优于一种商用 ANC 算法。
内容来源：21d声学人
论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0888327025009082
代码链接：
https://github.com/Luo-Zhengding/GFANC-Headphone
