ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر

چکیده
تاکنون برای حذف نویزهای آکوستیکی از روش های فعال  و غیر فعال استفاده شده است. برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر ۵۰۰ هرتز)، حذف و یا کاهش داد. در روش فعال از سیستمی استفاده می شود که شامل یک فیلتر وفقی است. به دلیل ردیابی خوب فیلتر  LMS در محیط نویزی، الگوریتم FXLMS  بعنوان روشی پایه ارائه شده است. اشکال الگوریتم مذکور این است که در مسائل کنترل خطی استفاده می شود. یعنی اگر فرکانس نویز متغیر باشد و یا سیستم کنترلی بصورت غیرخطی کار کند، الگوریتم فوق به خوبی کار نکرده و یا واگرا می شود.
بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم که قابلیت حذف نویز، با فرکانس متغیر، در یک مجرا و در کوتاه‌ترین زمان ممکن را دارد. برای دستیابی به آن می توان از یک گام حرکت وفقی بهینه ( ) در الگوریتم FXLMS استفاده کرد. به این منظور محدوده ی گام حرکت بهینه در فرکانس های ۲۰۰ تا ۵۰۰ هرتز را در داخل یک مجرا محاسبه کرده تا گام حرکت بهینه بر حسب فرکانس ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی بوسیله ی الگوریتم MUSIC  ،  را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در کوتاه‌ترین زمان، ممکن شود. در نهایت خواهیم دید که الگوریتم FXLMS معمولی با گام ثابت با تغییر فرکانس واگرا شده حال آنکه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فرکانس متغیر را فراهم می آورد.
همچنین‌به دلیل‌ماهیت غیرخطی سیستم‌های‌ANC  ، به ارائه‌ی نوعی شبکه‌ی عصبی‌ RBF   TDNGRBF )   ( می‌پردازیم که توانایی مدل کردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریک فرکانس متغیر در یک مجرا استفاده کرده و نتایج آن را با الگوریتم FXLMS مقایسه می کنیم. خواهیم دید که روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (۳ برابر) و خطای کمتری (۳۰% کاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یک شبکه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبکه ی GRBF (با ترکیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امکان پذیر می شود. ضرایب بکار رفته در ترکیب خطی با استفاده از الگوریتم  NLMS بهینه می شوند.

فهرست مطالب
عنوان    صفحه
چکیده
فصل صفر: مقدمه
۱
۲
فصل اول: مقدمه ای بر کنترل نویز آکوستیکی    ۷
۱-۱) مقدمه     ۸
۱-۲) علل نیاز به کنترل نویزهای صوتی (فعال و غیر فعال)    ۹
۱-۲-۱) بیماری های جسمی     ۹
۱-۲-۲) بیماری های روانی     ۹
۱-۲-۳) راندمان و کارایی افراد    ۹
۱-۲-۴) فرسودگی     ۹
۱-۲-۵) آسایش و راحتی     ۹
۱-۲-۶ جنبه های اقتصادی     ۱۰
۱-۳) نقاط ضعف کنترل نویز به روش غیرفعال    ۱۰
۱-۳-۱) کارایی کم در فرکانس های پایین     ۱۰
۱-۳-۲) حجم زیاد عایق های صوتی     ۱۰
۱-۳-۳) گران بودن عایق های صوتی     ۱۰
۱-۳-۴) محدودیت های اجرایی     ۱۰
۱-۳-۵) محدودیت های مکانیکی     ۱۰
۱-۴) نقاط قوت کنترل نویز به روش فعال     ۱۱
۱-۴-۱) قابلیت حذف نویز در یک گسترده ی فرکانسی وسیع    ۱۱
۱-۴-۲) قابلیت خود تنظیمی سیستم    ۱۱
۱-۵) کاربرد ANC در گوشی فعال     ۱۱
۱-۵-۱) تضعیف صدا به روش غیر فعال در هدفون     ۱۲
۱-۵-۲) تضعیف صدا به روش آنالوگ در هدفون    ۱۳
۱-۵-۳) تضعیف صوت به روش دیجیتال در هدفون    ۱۵
۱-۵-۴) تضعیف صوت به وسیله ی ترکیب سیستم های آنالوگ و دیجیتال در هدفون     ۱۶
۱-۶) نتیجه گیری    ۱۷

فصل دوم: اصول فیلترهای وفقی
۱۸
۲-۱) مقدمه     ۱۹
۲-۲) فیلتر وفقی     ۲۰
۲-۲-۱) محیط های کاربردی فیلترهای وفقی     ۲۲
۲-۳) الگوریتم های وفقی     ۲۵
۲-۴) روش تحلیلی    ۲۵
۲-۴-۱) تابع عملکرد سیستم وفقی     ۲۶
۲-۴-۲) گرادیان یا مقادیر بهینه بردار وزن     ۲۸
۲-۴-۳) مفهوم بردارها و مقادیر مشخصه R روی سطح عملکرد خطا     ۳۰
۲-۴-۴) شرط همگرا شدن به٭ W    ۳۲
۲-۵) روش جستجو     ۳۲
۲-۵-۱) الگوریتم جستجوی گردایان     ۳۲
۲-۵-۲) پایداری و نرخ همگرایی الگوریتم     ۳۵
۲-۵-۳) منحنی یادگیری     ۳۶
۲-۶) MSE اضافی     ۳۶
۲-۷) عدم تنظیم     ۳۷
۲-۸) ثابت زمانی     ۳۷
۲-۹) الگوریتم LMS    ۳۸
۲-۹-۱) همگرایی الگوریتم LMS    ۳۹
۲-۱۰) الگوریتم های LMS اصلاح شده     ۴۰
۲-۱۰-۱) الگوریتم LMS نرمالیزه شده (NLMS)     ۴۱
۲-۱۰-۲) الگوریتم های وو LMS علامتدار وو (SLMS)     ۴۱
۲-۱۱) نتیجه گیری     ۴۳

فصل سوم: اصول کنترل فعال نویز
۴۴
۳-۱) مقدمه                                                                                                                                           ۴۵
۳-۲) انواع سیستم های کنترل نویز آکوستیکی                                                                                  ۴۵
۳-۳) معرفی سیستم حذف فعال نویز تک کاناله                                                                               ۴۷
۳-۴) کنترل فعال نویز به روش پیشخور                                                                                            ۴۸
۳-۴-۱) سیستم ANC پیشخور باند پهن تک کاناله     ۴۹
۳-۴-۲) سیستم ANC پیشخور باند باریک تک کاناله     ۵۰
۳-۵) سیستم های ANC پسخوردار تک کاناله     ۵۱
۳-۶) سیستم های ANC چند کاناله    ۵۲
۳-۷) الگوریتم هایی برای سیستم های ANC پسخوردار باند پهن    ۵۳
۳-۷-۱) اثرات مسیر ثانویه    ۵۴
۳-۷-۲) الگوریتم FXLMS    ۵۷
۳-۷-۳) اثرات فیدبک آکوستیکی    ۶۱
۳-۷-۴) الگوریتم Filtered- URLMS    ۶۶
۳-۸) الگوریتم های سیستم ANC پسخوردار تک کاناله     ۶۹
۳-۹) نکاتی درباره ی طراحی سیستم های ANC تک کاناله     ۷۰
۳-۹-۱) نرخ نمونه برداری و درجه ی فیلتر    ۷۲
۳-۹-۲) علیت سیستم    ۷۳
۳-۱۰) نتیجه گیری    ۷۴

فصل چهارم: شبیه سازی سیستم ANC تک کاناله
۷۵
۴-۱) مقدمه     ۷۶
۴-۲) اجرای الگوریتم FXLMS    ۷۶
۴-۲-۱) حذف نویز باند باریک فرکانس ثابت    ۷۶
۴-۲-۲) حذف نویز باند باریک فرکانس متغیر    ۸۱
۴-۳) اجرای الگوریتم FBFXLMS    ۸۳
۴-۴) نتیجه گیری     ۸۵

فصل پنجم: کنترل غیرخطی نویز آکوستیکی در یک ماجرا
۸۶
۵-۱) مقدمه    ۸۷
۵-۲) شبکه عصبی RBF    ۸۸
۵-۲-۱) الگوریتم آموزشی در شبکه ی عصبی RBF     ۹۰
۵-۲-۲) شبکه عصبی GRBF    ۹۳
۵-۳) شبکه ی TDNGRBF    ۹۴
۵-۴) استفاده از شبکه ی TDNGRBF در حذف فعال نویز    ۹۵
۵-۵) نتیجه گیری     ۹۸

فصل ششم: نتیجه گیری و پیشنهادات
۹۹
۶-۱) نتیجه گیری     ۱۰۰
۶-۲) پیشنهادات     ۱۰۱
مراجع     I

مراجع

[۱] C.Mosquera, J.A.Gomez, F.perez, M. Sobreira, ^,,Adaptive IIR Fjlters for Active noise Control, ^“ Sixth International Congress on Sound and Vibration, 5-8 July 1999, Copenhagen, Denmark.

[2] P.Lveg, “process of silencing sound oscillations,”U.S.Patent 2043416,June 9,1936.

[3] Widrow,B., and S.D.Steans.” Adaptive Signal Processing”,Prentice-Hall, Englewood Cliffs, NJ.1985.

[4] Morgan,”D.R.” Analysis of Multiple Correlation Cancelation Loop With a Filter in the Auxiliary path,”IEEE Trans. on ASSP, Vol. ASSP –۲۸, NO .4, PP. 454-467 August, 1980.

[5] Burgess, J.C.,”Active Adaptive Sound Control in a Duct: A Computer Simulation,”J.Acoust. Soc. Am., Vol. 70, No.3, p.p.715-726, Sept, 1981.

[6] Kuo, SM et al,”Design Of Active noise control systems with the TMS320 family “Texas Instruments, 1996.

[7] Boaz Rafaely,”Active noise Reducing Headser”,http://www.Osee.Net/white papers/paper489. Pdf, 2000.

دانلود فایل

بررسی نویز آکوستیکی و روشی برای حذف آن در یک مجرا

چکیده
تاکنون برای حذف نویزهای آکوستیکی از روش های فعال  و غیر فعال استفاده شده است. برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر ۵۰۰ هرتز)، حذف و یا کاهش داد. در روش فعال از سیستمی استفاده می شود که شامل یک فیلتر وفقی است. به دلیل ردیابی خوب فیلتر  LMS در محیط نویزی، الگوریتم FXLMS  بعنوان روشی پایه ارائه شده است. اشکال الگوریتم مذکور این است که در مسائل کنترل خطی استفاده می شود. یعنی اگر فرکانس نویز متغیر باشد و یا سیستم کنترلی بصورت غیرخطی کار کند، الگوریتم فوق به خوبی کار نکرده و یا واگرا می شود.
بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم که قابلیت حذف نویز، با فرکانس متغیر، در یک مجرا و در کوتاه‌ترین زمان ممکن را دارد. برای دستیابی به آن می توان از یک گام حرکت وفقی بهینه ( ) در الگوریتم FXLMS استفاده کرد. به این منظور محدوده ی گام حرکت بهینه در فرکانس های ۲۰۰ تا ۵۰۰ هرتز را در داخل یک مجرا محاسبه کرده تا گام حرکت بهینه بر حسب فرکانس ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی بوسیله ی الگوریتم MUSIC  ،  را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در کوتاه‌ترین زمان، ممکن شود. در نهایت خواهیم دید که الگوریتم FXLMS معمولی با گام ثابت با تغییر فرکانس واگرا شده حال آنکه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فرکانس متغیر را فراهم می آورد.
همچنین‌به دلیل‌ماهیت غیرخطی سیستم‌های‌ANC  ، به ارائه‌ی نوعی شبکه‌ی عصبی‌ RBF   TDNGRBF )   ( می‌پردازیم که توانایی مدل کردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریک فرکانس متغیر در یک مجرا استفاده کرده و نتایج آن را با الگوریتم FXLMS مقایسه می کنیم. خواهیم دید که روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (۳ برابر) و خطای کمتری (۳۰% کاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یک شبکه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبکه ی GRBF (با ترکیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امکان پذیر می شود. ضرایب بکار رفته در ترکیب خطی با استفاده از الگوریتم  NLMS بهینه می شوند.

فهرست مطالب
عنوان    صفحه
چکیده
فصل صفر: مقدمه
۱
۲
فصل اول: مقدمه ای بر کنترل نویز آکوستیکی    ۷
۱-۱) مقدمه     ۸
۱-۲) علل نیاز به کنترل نویزهای صوتی (فعال و غیر فعال)    ۹
۱-۲-۱) بیماری های جسمی     ۹
۱-۲-۲) بیماری های روانی     ۹
۱-۲-۳) راندمان و کارایی افراد    ۹
۱-۲-۴) فرسودگی     ۹
۱-۲-۵) آسایش و راحتی     ۹
۱-۲-۶ جنبه های اقتصادی     ۱۰
۱-۳) نقاط ضعف کنترل نویز به روش غیرفعال    ۱۰
۱-۳-۱) کارایی کم در فرکانس های پایین     ۱۰
۱-۳-۲) حجم زیاد عایق های صوتی     ۱۰
۱-۳-۳) گران بودن عایق های صوتی     ۱۰
۱-۳-۴) محدودیت های اجرایی     ۱۰
۱-۳-۵) محدودیت های مکانیکی     ۱۰
۱-۴) نقاط قوت کنترل نویز به روش فعال     ۱۱
۱-۴-۱) قابلیت حذف نویز در یک گسترده ی فرکانسی وسیع    ۱۱
۱-۴-۲) قابلیت خود تنظیمی سیستم    ۱۱
۱-۵) کاربرد ANC در گوشی فعال     ۱۱
۱-۵-۱) تضعیف صدا به روش غیر فعال در هدفون     ۱۲
۱-۵-۲) تضعیف صدا به روش آنالوگ در هدفون    ۱۳
۱-۵-۳) تضعیف صوت به روش دیجیتال در هدفون    ۱۵
۱-۵-۴) تضعیف صوت به وسیله ی ترکیب سیستم های آنالوگ و دیجیتال در هدفون     ۱۶
۱-۶) نتیجه گیری    ۱۷

فصل دوم: اصول فیلترهای وفقی
۱۸
۲-۱) مقدمه     ۱۹
۲-۲) فیلتر وفقی     ۲۰
۲-۲-۱) محیط های کاربردی فیلترهای وفقی     ۲۲
۲-۳) الگوریتم های وفقی     ۲۵
۲-۴) روش تحلیلی    ۲۵
۲-۴-۱) تابع عملکرد سیستم وفقی     ۲۶
۲-۴-۲) گرادیان یا مقادیر بهینه بردار وزن     ۲۸
۲-۴-۳) مفهوم بردارها و مقادیر مشخصه R روی سطح عملکرد خطا     ۳۰
۲-۴-۴) شرط همگرا شدن به٭ W    ۳۲
۲-۵) روش جستجو     ۳۲
۲-۵-۱) الگوریتم جستجوی گردایان     ۳۲
۲-۵-۲) پایداری و نرخ همگرایی الگوریتم     ۳۵
۲-۵-۳) منحنی یادگیری     ۳۶
۲-۶) MSE اضافی     ۳۶
۲-۷) عدم تنظیم     ۳۷
۲-۸) ثابت زمانی     ۳۷
۲-۹) الگوریتم LMS    ۳۸
۲-۹-۱) همگرایی الگوریتم LMS    ۳۹
۲-۱۰) الگوریتم های LMS اصلاح شده     ۴۰
۲-۱۰-۱) الگوریتم LMS نرمالیزه شده (NLMS)     ۴۱
۲-۱۰-۲) الگوریتم های وو LMS علامتدار وو (SLMS)     ۴۱
۲-۱۱) نتیجه گیری     ۴۳

فصل سوم: اصول کنترل فعال نویز
۴۴
۳-۱) مقدمه                                                                                                                                           ۴۵
۳-۲) انواع سیستم های کنترل نویز آکوستیکی                                                                                  ۴۵
۳-۳) معرفی سیستم حذف فعال نویز تک کاناله                                                                               ۴۷
۳-۴) کنترل فعال نویز به روش پیشخور                                                                                            ۴۸
۳-۴-۱) سیستم ANC پیشخور باند پهن تک کاناله     ۴۹
۳-۴-۲) سیستم ANC پیشخور باند باریک تک کاناله     ۵۰
۳-۵) سیستم های ANC پسخوردار تک کاناله     ۵۱
۳-۶) سیستم های ANC چند کاناله    ۵۲
۳-۷) الگوریتم هایی برای سیستم های ANC پسخوردار باند پهن    ۵۳
۳-۷-۱) اثرات مسیر ثانویه    ۵۴
۳-۷-۲) الگوریتم FXLMS    ۵۷
۳-۷-۳) اثرات فیدبک آکوستیکی    ۶۱
۳-۷-۴) الگوریتم Filtered- URLMS    ۶۶
۳-۸) الگوریتم های سیستم ANC پسخوردار تک کاناله     ۶۹
۳-۹) نکاتی درباره ی طراحی سیستم های ANC تک کاناله     ۷۰
۳-۹-۱) نرخ نمونه برداری و درجه ی فیلتر    ۷۲
۳-۹-۲) علیت سیستم    ۷۳
۳-۱۰) نتیجه گیری    ۷۴

فصل چهارم: شبیه سازی سیستم ANC تک کاناله
۷۵
۴-۱) مقدمه     ۷۶
۴-۲) اجرای الگوریتم FXLMS    ۷۶
۴-۲-۱) حذف نویز باند باریک فرکانس ثابت    ۷۶
۴-۲-۲) حذف نویز باند باریک فرکانس متغیر    ۸۱
۴-۳) اجرای الگوریتم FBFXLMS    ۸۳
۴-۴) نتیجه گیری     ۸۵

فصل پنجم: کنترل غیرخطی نویز آکوستیکی در یک ماجرا
۸۶
۵-۱) مقدمه    ۸۷
۵-۲) شبکه عصبی RBF    ۸۸
۵-۲-۱) الگوریتم آموزشی در شبکه ی عصبی RBF     ۹۰
۵-۲-۲) شبکه عصبی GRBF    ۹۳
۵-۳) شبکه ی TDNGRBF    ۹۴
۵-۴) استفاده از شبکه ی TDNGRBF در حذف فعال نویز    ۹۵
۵-۵) نتیجه گیری     ۹۸

فصل ششم: نتیجه گیری و پیشنهادات
۹۹
۶-۱) نتیجه گیری     ۱۰۰
۶-۲) پیشنهادات     ۱۰۱
مراجع     I

مراجع

[۱] C.Mosquera, J.A.Gomez, F.perez, M. Sobreira, ^,,Adaptive IIR Fjlters for Active noise Control, ^“ Sixth International Congress on Sound and Vibration, 5-8 July 1999, Copenhagen, Denmark.

[2] P.Lveg, “process of silencing sound oscillations,”U.S.Patent 2043416,June 9,1936.

[3] Widrow,B., and S.D.Steans.” Adaptive Signal Processing”,Prentice-Hall, Englewood Cliffs, NJ.1985.

[4] Morgan,”D.R.” Analysis of Multiple Correlation Cancelation Loop With a Filter in the Auxiliary path,”IEEE Trans. on ASSP, Vol. ASSP –۲۸, NO .4, PP. 454-467 August, 1980.

[5] Burgess, J.C.,”Active Adaptive Sound Control in a Duct: A Computer Simulation,”J.Acoust. Soc. Am., Vol. 70, No.3, p.p.715-726, Sept, 1981.

[6] Kuo, SM et al,”Design Of Active noise control systems with the TMS320 family “Texas Instruments, 1996.

[7] Boaz Rafaely,”Active noise Reducing Headser”,http://www.Osee.Net/white papers/paper489. Pdf, 2000.

دانلود فایل

پروژه ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا

چکیده
تاکنون برای حذف نویزهای آکوستیکی از روش های فعال  و غیر فعال استفاده شده است. برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر ۵۰۰ هرتز)، حذف و یا کاهش داد. در روش فعال از سیستمی استفاده می شود که شامل یک فیلتر وفقی است. به دلیل ردیابی خوب فیلتر  LMS در محیط نویزی، الگوریتم FXLMS  بعنوان روشی پایه ارائه شده است. اشکال الگوریتم مذکور این است که در مسائل کنترل خطی استفاده می شود. یعنی اگر فرکانس نویز متغیر باشد و یا سیستم کنترلی بصورت غیرخطی کار کند، الگوریتم فوق به خوبی کار نکرده و یا واگرا می شود.
بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم که قابلیت حذف نویز، با فرکانس متغیر، در یک مجرا و در کوتاه‌ترین زمان ممکن را دارد. برای دستیابی به آن می توان از یک گام حرکت وفقی بهینه ( ) در الگوریتم FXLMS استفاده کرد. به این منظور محدوده ی گام حرکت بهینه در فرکانس های ۲۰۰ تا ۵۰۰ هرتز را در داخل یک مجرا محاسبه کرده تا گام حرکت بهینه بر حسب فرکانس ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی بوسیله ی الگوریتم MUSIC  ،  را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در کوتاه‌ترین زمان، ممکن شود. در نهایت خواهیم دید که الگوریتم FXLMS معمولی با گام ثابت با تغییر فرکانس واگرا شده حال آنکه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فرکانس متغیر را فراهم می آورد.
همچنین‌به دلیل‌ماهیت غیرخطی سیستم‌های‌ANC  ، به ارائه‌ی نوعی شبکه‌ی عصبی‌ RBF   TDNGRBF )   ( می‌پردازیم که توانایی مدل کردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریک فرکانس متغیر در یک مجرا استفاده کرده و نتایج آن را با الگوریتم FXLMS مقایسه می کنیم. خواهیم دید که روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (۳ برابر) و خطای کمتری (۳۰% کاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یک شبکه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبکه ی GRBF (با ترکیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امکان پذیر می شود. ضرایب بکار رفته در ترکیب خطی با استفاده از الگوریتم  NLMS بهینه می شوند.

فهرست مطالب
عنوان    صفحه
چکیده
فصل صفر: مقدمه
۱
۲
فصل اول: مقدمه ای بر کنترل نویز آکوستیکی    ۷
۱-۱) مقدمه     ۸
۱-۲) علل نیاز به کنترل نویزهای صوتی (فعال و غیر فعال)    ۹
۱-۲-۱) بیماری های جسمی     ۹
۱-۲-۲) بیماری های روانی     ۹
۱-۲-۳) راندمان و کارایی افراد    ۹
۱-۲-۴) فرسودگی     ۹
۱-۲-۵) آسایش و راحتی     ۹
۱-۲-۶ جنبه های اقتصادی     ۱۰
۱-۳) نقاط ضعف کنترل نویز به روش غیرفعال    ۱۰
۱-۳-۱) کارایی کم در فرکانس های پایین     ۱۰
۱-۳-۲) حجم زیاد عایق های صوتی     ۱۰
۱-۳-۳) گران بودن عایق های صوتی     ۱۰
۱-۳-۴) محدودیت های اجرایی     ۱۰
۱-۳-۵) محدودیت های مکانیکی     ۱۰
۱-۴) نقاط قوت کنترل نویز به روش فعال     ۱۱
۱-۴-۱) قابلیت حذف نویز در یک گسترده ی فرکانسی وسیع    ۱۱
۱-۴-۲) قابلیت خود تنظیمی سیستم    ۱۱
۱-۵) کاربرد ANC در گوشی فعال     ۱۱
۱-۵-۱) تضعیف صدا به روش غیر فعال در هدفون     ۱۲
۱-۵-۲) تضعیف صدا به روش آنالوگ در هدفون    ۱۳
۱-۵-۳) تضعیف صوت به روش دیجیتال در هدفون    ۱۵
۱-۵-۴) تضعیف صوت به وسیله ی ترکیب سیستم های آنالوگ و دیجیتال در هدفون     ۱۶
۱-۶) نتیجه گیری    ۱۷

فصل دوم: اصول فیلترهای وفقی
۱۸
۲-۱) مقدمه     ۱۹
۲-۲) فیلتر وفقی     ۲۰
۲-۲-۱) محیط های کاربردی فیلترهای وفقی     ۲۲
۲-۳) الگوریتم های وفقی     ۲۵
۲-۴) روش تحلیلی    ۲۵
۲-۴-۱) تابع عملکرد سیستم وفقی     ۲۶
۲-۴-۲) گرادیان یا مقادیر بهینه بردار وزن     ۲۸
۲-۴-۳) مفهوم بردارها و مقادیر مشخصه R روی سطح عملکرد خطا     ۳۰
۲-۴-۴) شرط همگرا شدن به٭ W    ۳۲
۲-۵) روش جستجو     ۳۲
۲-۵-۱) الگوریتم جستجوی گردایان     ۳۲
۲-۵-۲) پایداری و نرخ همگرایی الگوریتم     ۳۵
۲-۵-۳) منحنی یادگیری     ۳۶
۲-۶) MSE اضافی     ۳۶
۲-۷) عدم تنظیم     ۳۷
۲-۸) ثابت زمانی     ۳۷
۲-۹) الگوریتم LMS    ۳۸
۲-۹-۱) همگرایی الگوریتم LMS    ۳۹
۲-۱۰) الگوریتم های LMS اصلاح شده     ۴۰
۲-۱۰-۱) الگوریتم LMS نرمالیزه شده (NLMS)     ۴۱
۲-۱۰-۲) الگوریتم های وو LMS علامتدار وو (SLMS)     ۴۱
۲-۱۱) نتیجه گیری     ۴۳

فصل سوم: اصول کنترل فعال نویز
۴۴
۳-۱) مقدمه                                                                                                                                           ۴۵
۳-۲) انواع سیستم های کنترل نویز آکوستیکی                                                                                  ۴۵
۳-۳) معرفی سیستم حذف فعال نویز تک کاناله                                                                               ۴۷
۳-۴) کنترل فعال نویز به روش پیشخور                                                                                            ۴۸
۳-۴-۱) سیستم ANC پیشخور باند پهن تک کاناله     ۴۹
۳-۴-۲) سیستم ANC پیشخور باند باریک تک کاناله     ۵۰
۳-۵) سیستم های ANC پسخوردار تک کاناله     ۵۱
۳-۶) سیستم های ANC چند کاناله    ۵۲
۳-۷) الگوریتم هایی برای سیستم های ANC پسخوردار باند پهن    ۵۳
۳-۷-۱) اثرات مسیر ثانویه    ۵۴
۳-۷-۲) الگوریتم FXLMS    ۵۷
۳-۷-۳) اثرات فیدبک آکوستیکی    ۶۱
۳-۷-۴) الگوریتم Filtered- URLMS    ۶۶
۳-۸) الگوریتم های سیستم ANC پسخوردار تک کاناله     ۶۹
۳-۹) نکاتی درباره ی طراحی سیستم های ANC تک کاناله     ۷۰
۳-۹-۱) نرخ نمونه برداری و درجه ی فیلتر    ۷۲
۳-۹-۲) علیت سیستم    ۷۳
۳-۱۰) نتیجه گیری    ۷۴

فصل چهارم: شبیه سازی سیستم ANC تک کاناله
۷۵
۴-۱) مقدمه     ۷۶
۴-۲) اجرای الگوریتم FXLMS    ۷۶
۴-۲-۱) حذف نویز باند باریک فرکانس ثابت    ۷۶
۴-۲-۲) حذف نویز باند باریک فرکانس متغیر    ۸۱
۴-۳) اجرای الگوریتم FBFXLMS    ۸۳
۴-۴) نتیجه گیری     ۸۵

فصل پنجم: کنترل غیرخطی نویز آکوستیکی در یک ماجرا
۸۶
۵-۱) مقدمه    ۸۷
۵-۲) شبکه عصبی RBF    ۸۸
۵-۲-۱) الگوریتم آموزشی در شبکه ی عصبی RBF     ۹۰
۵-۲-۲) شبکه عصبی GRBF    ۹۳
۵-۳) شبکه ی TDNGRBF    ۹۴
۵-۴) استفاده از شبکه ی TDNGRBF در حذف فعال نویز    ۹۵
۵-۵) نتیجه گیری     ۹۸

فصل ششم: نتیجه گیری و پیشنهادات
۹۹
۶-۱) نتیجه گیری     ۱۰۰
۶-۲) پیشنهادات     ۱۰۱
مراجع     I

مراجع

[۱] C.Mosquera, J.A.Gomez, F.perez, M. Sobreira, ^,,Adaptive IIR Fjlters for Active noise Control, ^“ Sixth International Congress on Sound and Vibration, 5-8 July 1999, Copenhagen, Denmark.

[2] P.Lveg, “process of silencing sound oscillations,”U.S.Patent 2043416,June 9,1936.

[3] Widrow,B., and S.D.Steans.” Adaptive Signal Processing”,Prentice-Hall, Englewood Cliffs, NJ.1985.

[4] Morgan,”D.R.” Analysis of Multiple Correlation Cancelation Loop With a Filter in the Auxiliary path,”IEEE Trans. on ASSP, Vol. ASSP –۲۸, NO .4, PP. 454-467 August, 1980.

[5] Burgess, J.C.,”Active Adaptive Sound Control in a Duct: A Computer Simulation,”J.Acoust. Soc. Am., Vol. 70, No.3, p.p.715-726, Sept, 1981.

[6] Kuo, SM et al,”Design Of Active noise control systems with the TMS320 family “Texas Instruments, 1996.

[7] Boaz Rafaely,”Active noise Reducing Headser”,http://www.Osee.Net/white papers/paper489. Pdf, 2000.

دانلود فایل