跳到主要內容

臺灣博碩士論文加值系統

(44.222.218.145) 您好!臺灣時間:2024/03/03 22:29
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:蔡侑樵
研究生(外文):You-Chyau Tsai
論文名稱:以簡化回授類神經網路設計之主動式噪音控制
論文名稱(外文):Design of a Reduced Feedback Neural Network based Active Noise Controller
指導教授:翁萬德
指導教授(外文):Wan-de Weng
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:電機工程系碩士班
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2006
畢業學年度:94
語文別:中文
論文頁數:75
中文關鍵詞:FSLMS函數鏈結類神經網路主動式噪音控制器類神經網路
外文關鍵詞:active noise controllerFSLMSFLANNneural network
相關次數:
  • 被引用被引用:0
  • 點閱點閱:249
  • 評分評分:
  • 下載下載:44
  • 收藏至我的研究室書目清單書目收藏:0
在本論文中,我們主要探討適應性主動式噪音控制器之設計,其原理是產生一個與噪音源能量相同,但相位相差180°的聲波,造成破壞性干涉,以達到消音的目的。我們採用FLANN(functional link artificial neural network)架構結合FSLMS(filtered-s least mean square)演算法為基礎架構來建立主動式噪音控制系統。DF-FLANN(decision feedback functional link artificial neural networks)架構利用回授決策機制的方式,改善了FLANN架構不少效能,但也增加了很大的運算複雜度。在此論文中,我們提出一個簡單且效能佳的架構,我們稱之為RDF-FLANN(reduced decision feedback functional link artificial neural networks),其架構簡化了DF-FLANN,從模擬結果的MAE(mean absolute error)值表現看來比FLANN改善了31.9%,而其運算複雜度卻只增加了3.3%左右。其架構皆對原始的演算法加以改進,並以不同大小的噪音源來驗證其效能和改善的成效。
In this thesis, we mainly probe into the design and adaptability of an active noise controller (ANC). The principle of an ANC is based on the superposing of two destructively interfered waves to subdue the noise. That is, a sound wave of equal energy and 180° phase difference to the noise source is produced to cancel the original noise wave. The ANC system is equipped with a functional link artificial neural network (FLANN) structure in which filtered-s least mean square (FSLMS) algorithm is used. To improve the performance of the system, decision feedback (DF) mechanisms are commonly used in the FLANN structure. Although the DF-FLANN structure has better performance than FLANN, its complexity is also much higher. So we propose a simple but efficient structure which is named as RDF-FLANN. The structure complexity of RDF-FLANN is much simpler than DF-FLANN. Simulation results show that RDF-FLANN structure exhibits 31.9% improvement in MAE over the FLANN structure at the expense of only 3.3% increase on its system complexity. The performance of an RDF-FLANN based ANC has been verified over several noise sources.
摘 要 i
ABSTRACT ii
誌 謝 iii
目錄 iv
表目錄 vi
圖目錄 vii
第一章 緒論 1
1.1 前言 1
1.2 研究背景 2
1.2.1 聲音的基本參數 2
1.2.2 聲波的傳遞方式 2
1.2.3 噪音型態 6
1.2.4 噪音來源 7
1.2.5 噪音對人的影響 10
1.3 各章提要 10
第二章 文獻回顧 12
2.1 類神經網路 12
2.1.1 人腦細胞組織 13
2.1.2 類神經網路簡介 15
2.1.3 類神經網路如何運作 18
2.1.4 類神經網路的特色 19
2.2 主動式噪音控制系統架構 19
2.2.1 回授控制架構(Feedback ANC system) 22
2.2.2 前饋控制架構(Feedforward ANC system) 23
2.2.3 複合控制架構(Hybrid ANC system) 24
2.3 控制器 24
第三章 系統的研究與設計 28
3.1 函數連結類神經網路架構 28
3.2 回授函數連結類神經網路架構 30
3.3 簡化回授函數連結類神經網路結構 32
3.4 最小均方演算法(Least Mean Square Algorithm) 34
3.5 FSLMS演算法 37
3.6 Fast FSLMS演算法 40
第四章 效能分析 44
4.1 使用噪音模型來進行效能分析 44
4.1.1 使用附加的白色高斯雜訊功率為0dBW的噪音源 45
4.1.2 使用附加的白色高斯雜訊功率為1dBW的噪音源 49
4.1.3 不同限制器大小時之效能比較 54
4.1.3.1 於功率較小的噪音源 55
4.1.3.2 於功率較大的噪音源 55
4.2利用真實的噪音資料模擬 59
4.3 系統複雜度分析比較 63
第五章 結論與未來之研究方向 72
第六章 參考文獻 73
簡 歷 75

表4.1、FLANN、DF-FLANN及RDF-FLANN架構於附加雜訊源為0dBW時之剩餘噪音MAE大小比較 48
表4.2、FLANN、DF-FLANN及RDF-FLANN架構於附加雜訊源為1dBW時之剩餘噪音MAE大小比較 51
表4.3、DF-FLANN及RDF-FLANN架構於小功率噪音源時不同大小的限制器下剩餘噪音的MAE比較 56
表4.4、DF-FLANN及RDF-FLANN架構於大功率噪音源時不同大小的限制器下的系統剩餘的噪音值的MAE比較 57
表4.5 附加雜訊源為0dBW時,系統於收斂期間輸出能量比較 66
表4.6 附加雜訊源為1dBW時,系統於收斂期間輸出能量比較 69
表4.7 系統複雜度比較 71

圖1.1 聲波的折射狀態圖 3
圖1.2 聲波的反射狀態圖 4
圖1.3 (a)為當孔隙尺寸大於波長時的繞射現象,(b)為當孔隙尺寸小於波長時的繞射現象 5
圖2.1 具有輸入、輸出的系統 12
圖2.2 以類神經網路取代系統的架構 13
圖2.3 人腦細胞組織圖 14
圖2.4 類神經源模型,虛線的部分即為類神經元 15
圖2.5 倒傳遞網路模型 17
圖2.6 噪音消除示意圖 20
圖2.7 回授控制主動式噪音控制系統架構圖 22
圖2.8 前饋控制主動式噪音控制系統架構圖 23
圖2.9 複合控制主動式噪音控制系統架構圖 24
圖2.10 主動式噪音控制系統架構圖 25
圖3.1 FLANN的結構 30
圖3.2 DF-FLANN的結構 32
圖3.3 RDF-FLANN的結構 34
圖3.4 第 k 個跳接權重 LMS 演算法之信號流程圖 37
圖3.5 以FSLMS演算法所建置的ANC系統 38
圖3.6 加了限制器的 FSLMS 演算法所建置的 ANC 系統 39
圖3.7 演算法架構比較圖 (a) FSLMS演算法 (b) Fast FSLMS 演算法 41
圖4.1 附加高斯雜訊0dBW噪音信號的平均大小分佈圖 46
圖4.2 剩餘噪音比較圖 47
圖4.3 DF-FLANN與RDF-FLANN在附加雜訊為0dBW時第2000筆學習資料後之MSE比較圖 48
圖4.4 在附加雜訊為0dBW時第2000筆學習資料後剩餘噪音之MSE比較圖 49
圖4.5 附加高斯雜訊1dBW噪音信號的平均大小分佈圖 50
圖4.6 剩餘噪音比較圖 52
圖4.7 在噪音源附加雜訊為1dBW時第2001筆到4000筆時運算後的剩餘噪音比較圖 52
圖4.8 在噪音源第2001筆到4000筆時運算後的剩餘噪音比較圖 54
圖4.9 限制器大小為 ±1時,系統於抑制後所剩餘的噪音圖 58
圖4.10 限制器大小為 ±4時,系統於抑制後所剩餘的噪音圖 58
圖4.11 限制器大小為 ±8時,系統於抑制後所剩餘的噪音圖 59
圖4.12 工廠樓層噪音1之振幅分佈圖 61
圖4.13 以FLANN為基礎之ANC的噪音抑制能力 62
圖4.14 以DF-FLANN為基礎之ANC的噪音抑制能力 62
圖4.15 以RDF-FLANN為基礎之ANC的噪音抑制能力 63
圖4.16 附加噪音為0dBW時記憶體個數與剩餘噪音值的能量比較圖 65
圖4.17 附加噪音為0dBW時記憶體個數N=6~10的效能比較圖 67
圖4.18 附加雜訊源為1dBW時,記憶體個數與剩餘噪音的能量比較圖 68
圖4.19 附加雜訊為1dBW時記憶體個數4~10時輸出效能的比較圖 70
[1] P.A. Nelson and S.J. Elliot, 1992,.Active Control of Sound. , Academic ,New York
[2]白明憲,民國88年,聲學理論與應用-主動式噪音控制,全華科技圖書股份有限公司,台北市
[3]R. Hecht-Nielsen, 1990, Neural computing, MA :Addison Wesley .
[4]羅華強,民國90年, 類神經網路-MATALB的應用,清蔚科技股份有限公司,新竹市
[5]P. Lueg, 1936, “Process of Silencing Sound Oscillator” ,U. S. Patent No. 2043416.
[6]H. F. Olson, and, E. G. May, “Electronic sound absorbers”, J.Acoust. Soc. Am., 25, (6), pp.1130-1136,1953.
[7]M. A. Swinbanks, “The active control of sound propagation in long ducts”, J. Sound and Vibration, Vol. 27, pp. 411-436, 1973.
[8]Y. Pao, 1989, Adaptive Pattern Recognition and Neural Networks., MA:Addison Wesley.
[9]B. Widrow and S.D. Stearns,1985, Adaptive Signal Processing. Englewood Cliffs, Prentice-Hall ,NJ.
[10] S. Haykin, 2003, Least-Mean-Square Adaptive Filters, John Wiley & Sons.
[11] S. Haykin, 1996,Adaptive Filter Theorys, 3th ed.., Prentice-Hall, N. J.
[12] T.Matsuura, T. Hiei, H. Itoh, and K. Torikoshi,1995, “Active noise control by using prediction of time series data with a neural network,” IEEE SMC Conf. vol.3,pp. 2070-2075.
[13]S.M.Kuo and D.R.Morgan,1996, Active Noise Control Systems-Algorithms and DSP Implementations., Wiley, New York
[14]P.A.Nelson and S.J.Elliot,1992., Active Control of Sound., Academic, New York
[15] D.P. Das and G. Panda, 2004, “Active mitigation of nonlinear noise processes using a novel filtered-s LMS algorithm, ” IEEE Trans. Speech and Audio Processing, vol. 12, NO.3, May
[16]Y. H. Pao and Y. Takefuji, 1992, “Functional-link net computing: theory, system architecture, and functionalities,” Computer, Volume: 25 Issue: 5, pp. 76-79, May
[17] J. C. Patra, R. N. Pal, B. N. Chatterji, and G. Panda, 1999, “Identification of nonlinear dynamic system using functional link artificial neural networks,” IEEE Trans. Syst., Man, Cybern. B, vol.29,pp.254-262, Apr.
[18]Weng, W. D. and Yen,C.T., 2004,”Reduced-decision feedback FLANN nonlinear channel equaliser for digital communication systems,” IEE Proceedings on Communications ,Vol. 151 , Issue: 4 , pp. 305-311, Aug. 21.
[19] B. Widrow and Lehr M. A.,1990, “30 years of adaptive neural networks: Perceptron, Madaline, and Backpropagation,” Proc. IEEE, vol. 78, no. 9, pp. 1415-1442.
[20] K. Hornik, M. Stinchcombe, and H. White, 1989,”Multilayer feedforward networks are universal approximators,”Neural Networks ,vol. 2, no. 5, pp. 359-366.
[21] W. S. Gan, J. J. Soraghan, and T. S. Durrani, 1992 ,“New Functional-link based Equalizer,”Electronics Letters ,vol. 28, no. 17, pp. 1643-1645, Aug.
[22] J. C. Patra, R. N. Pal, B. N. Chatterji and G. Panda, 1999, “Identification of nonlinear dynamic systems using functional link artificial neural networks,” IEEE Trans. Syst., Man, Cybern. B., vol. 29, no. 2, pp. 254-262, Apr..
[23] D. E. Rumelhart and J. L. McClelland, eds., 1986, Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol. 1, Cambridge, MA : MIT Press.
[24]N. Sadegh, 1993 ,“A perceptron based neural networks for identification and control of nonlinear systems,” IEEE Trans. Neural Networks, vol. 4, no. 6, pp. 982-988, Nov.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top