作者：王佳杰
近日，韩国汉阳大学电子工程系JungPhil Park等人提出一种新型ANC架构，融合自适应滤波（Adaptive Filter, AF）与深度神经网络（Deep Neural Networks, DNN），简称HAD-ANC，以解决前馈ANC问题。具体而言，AF部分选用归一化频域块最小均方差（Normalized Frequency Block Least Mean Square, NFBLMS）算法，DNN部分选用两个门控卷积循环神经网络（Gated Convolutional Recurrent Network, GCRN）模块。
在前馈ANC算法中，如上公式，E为物理误差传声器拾取的误差信号，其是初噪信号与次噪信号的和。X为参考传声器拾取的前馈信号，P为初级通道，C为前馈控制器，S为次级通道。
控制器最优解为初级通道P乘次级通道S的逆。次级通道不仅包括物理次级通道，也包括电声（喇叭、扬声器等）通道部分，在论文中与物理次级通道分开表达了，但本质一样。
在所提方案中：AF部分负责建模初级通道P；NN部分中的GCRN1模块建模次级通道S的逆；（因此，AF和GCRN1合并作为前馈控制器C。）GCRN2建模次级通道S，以强令AF部分估计初级通道。因此此方案下，误差信号为：
若前馈ANC仅包含AF，不仅具备自适应能力，而且简单高效，但本质是线性模型，无法对非线性部分建模，降噪量有限。若前馈ANC仅包含NN，虽然具备强大的非线性建模能力，但对线性部分建模消耗的参、算量过大，性价比低，并且，由于NN是训练好之后部署的固定解，不具备自适应能力，一旦训练数据不充分，实用中遇到未见数据，轻则降噪量有限，重则系统崩溃噪声反抬。
本文所提级联方案架构能使AF与DNN优势互补：AF对初级通道线性建模，参、算量很小，经济高效，且具备通道突变后的学习收敛能力；网络部分凭借强大的非线性能力，可对次级通道（包含扬声器的非线性部分）的逆精准建模，以获得高性能的控制器。
图表 1 所提算法与其他算法在通道突变前后的降噪量对比（原文图9）
如上图，在通道突变前，该算法降噪性能与Hao Zhang提出的Deep-ANC[2]不相上下。由于HAD-ANC含AF部分，需要一定初始时间去收敛，稍晚才能达到与Deep-ANC一致的降噪性能，其他传统算法及SPD-ANC均不如Deep-ANC与HAD-ANC。
但在通道突变后，Deep-ANC由于不包含自适应模块，若训练数据中随机化产生的传函与实测中突变后传函差异过大，不能有效外推，致使性能直接崩溃，不降噪反而反弹。反观HAD-ANC，凭借其中的AF部分，具备对通道突变的自适应能力，且收敛后依旧优于其他算法。
提请注意的是，之所以SPD-ANC算法在通道突变后，也具备重新收敛能力，是因为该算法也包括AF模块，详见中科院声学所Daocheng Chen的论文[3]。
与ANC原理相似的算法是AEC。在手机VOIP或车舱前端应用场景下，由于人的移动或车窗车门的开闭，回声路径也有可能突变。在工业界，传统AF+NN处理残留回声的技术方案早已大行其道，且占据主流。
参考文献
[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.