最近南洋理工大学DSP实验在TASLP,SPL,ICASSP上发表了生成式固定滤波器主动噪声控制(Deep Generative Fixed-filter Active Noise Control, GFANC) 的相关文章。这些研究侧重于探索实用性强的AI ANC (Active Noise control)方法,将AI技术与传统声学信号处理进行有效结合,提高现有的主动噪声控制方法的实时效果。论文和代码在ResearchGate和GitHub都有开源。论文作者包括: 罗正丁,石栋元,沈晓依,季君韦,Gan Woon-Seng等人。
DEEP GENERATIVE FIXED-FILTER ACTIVE NOISE CONTROL
发表会议: 2023 International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2023)
这篇论文创新性地提出了生成式固定滤波器主动噪声控制(GFANC)方法,采用深度学习和完美重建滤波器组合技术,有效克服了传统LMS自适应算法收敛慢的问题,以及选择性固定滤波器(SFANC)中滤波器数量有限的问题。GFANC能够基于单个预训练的宽带控制滤波器自动生成各种控制滤波器,生成的滤波器数量没有限制,相比于适应性算法和SFANC显示出更好的降噪性能。
Delayless Generative Fixed-Filter Active Noise Control Based on Deep Learning and Bayesian Filter
发表期刊: IEEE/ACM Transactions on Audio, Speech, and Language Processing (TASLP)
这篇文章在GFANC基础上进一步提出了GFANC-Bayes方法,通过结合贝叶斯滤波和一维卷积神经网络,实现了对控制滤波器的自动生成和优化。GFANC-Bayes系统通过1D CNN预测得到组合子控制滤波器的权重,然后使用贝叶斯滤波器根据先验和预测信息调整这些权重,增强了精确度和鲁棒性,展示了优于GFANC的降噪效果。
GFANC-Kalman: Generative Fixed-Filter Active Noise Control With CNN-Kalman Filtering
发表期刊: IEEE Signal Processing Letters (SPL)
该文章提出的GFANC-Kalman方法通过将卡尔曼滤波器与GFANC方法结合,进一步增强了原有的GFANC方法。卡尔曼滤波器能够考虑噪声帧之间的时间相关性,可以更准确和鲁棒地生成控制滤波器,尤其是对于动态噪声。而且,该方法采用的卡尔曼滤波器复杂度极低。这种方法在动态噪声场景中表现出了比GFANC和SFANC更好的降噪性能和鲁棒性。
UNSUPERVISED LEARNING BASED END-TO-END DELAYLESS GENERATIVE FIXED-FILTER ACTIVE NOISE CONTROL
发表会议: 2024 International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2024)
Unsupervised-GFANC方法主要是将无监督学习引入GFANC框架中。这种方法消除了在训练神经网络时对噪声数据进行标记的需求。Unsupervised-GFANC方法使用累积平方误差信号作为训练的损失函数,使系统能够在没有手动标记的情况下自适应地生成控制滤波器。这种方法极大提高了GFANC方法的实用性和效率。