作者：王佳傑
近日，南韓漢陽大學電子工程系JungPhil Park等人提出一種新型ANC架構，融合自适應濾波（Adaptive Filter, AF）與深度神經網絡（Deep Neural Networks, DNN），簡稱HAD-ANC，以解決前饋ANC問題。具體而言，AF部分選用歸一化頻域塊最小均方差（Normalized Frequency Block Least Mean Square, NFBLMS）算法，DNN部分選用兩個門控卷積循環神經網絡（Gated Convolutional Recurrent Network, GCRN）子產品。
在前饋ANC算法中，如上公式，E為實體誤差傳聲器拾取的誤差信号，其是初噪信号與次噪信号的和。X為參考傳聲器拾取的前饋信号，P為初級通道，C為前饋控制器，S為次級通道。
控制器最優解為初級通道P乘次級通道S的逆。次級通道不僅包括實體次級通道，也包括電聲（喇叭、揚聲器等）通道部分，在論文中與實體次級通道分開表達了，但本質一樣。
在所提方案中：AF部分負責模組化初級通道P；NN部分中的GCRN1子產品模組化次級通道S的逆；（是以，AF和GCRN1合并作為前饋控制器C。）GCRN2模組化次級通道S，以強令AF部分估計初級通道。是以此方案下，誤差信号為：
若前饋ANC僅包含AF，不僅具備自适應能力，而且簡單高效，但本質是線性模型，無法對非線性部分模組化，降噪量有限。若前饋ANC僅包含NN，雖然具備強大的非線性模組化能力，但對線性部分模組化消耗的參、算量過大，成本效益低，并且，由于NN是訓練好之後部署的固定解，不具備自适應能力，一旦訓練資料不充分，實用中遇到未見資料，輕則降噪量有限，重則系統崩潰噪聲反擡。
本文所提級聯方案架構能使AF與DNN優勢互補：AF對初級通道線性模組化，參、算量很小，經濟高效，且具備通道突變後的學習收斂能力；網絡部分憑借強大的非線性能力，可對次級通道（包含揚聲器的非線性部分）的逆精準模組化，以獲得高性能的控制器。
圖表 1 所提算法與其他算法在通道突變前後的降噪量對比（原文圖9）
如上圖，在通道突變前，該算法降噪性能與Hao Zhang提出的Deep-ANC[2]不相上下。由于HAD-ANC含AF部分，需要一定初始時間去收斂，稍晚才能達到與Deep-ANC一緻的降噪性能，其他傳統算法及SPD-ANC均不如Deep-ANC與HAD-ANC。
但在通道突變後，Deep-ANC由于不包含自适應子產品，若訓練資料中随機化産生的傳函與實測中突變後傳函差異過大，不能有效外推，緻使性能直接崩潰，不降噪反而反彈。反觀HAD-ANC，憑借其中的AF部分，具備對通道突變的自适應能力，且收斂後依舊優于其他算法。
提請注意的是，之是以SPD-ANC算法在通道突變後，也具備重新收斂能力，是因為該算法也包括AF子產品，詳見中科院聲學所Daocheng Chen的論文[3]。
與ANC原理相似的算法是AEC。在手機VOIP或車艙前端應用場景下，由于人的移動或車窗車門的開閉，回聲路徑也有可能突變。在工業界，傳統AF+NN處理殘留回聲的技術方案早已大行其道，且占據主流。
參考文獻
[1] Park J P, Choi J H, Kim Y, et al. HAD-ANC: A Hybrid System Comprising an Adaptive Filter and Deep Neural Networks for Active Noise Control[C]//Proceedings of the Annual Conference of the International Speech Communication Association, INTERSPEECH. International Speech Communication Association, 2023, 2023: 2513-2517.
[2] Zhang H, Wang D L. Deep ANC: A deep learning approach to active noise control[J]. Neural Networks, 2021, 141: 1-10.
[3] Chen D, Cheng L, Yao D, et al. A secondary path-decoupled active noise control algorithm based on deep learning[J]. IEEE Signal Processing Letters, 2021, 29: 234-238.