Skip to content
Назад к результатам поиска

Активное шумоподавление с использованием алгоритма FxLMS

Автор метода
Bernard Widrow, Samuel Stearns
Год
1975
Тип
Adaptive noise cancellation algorithm
Семейство
Signal processing, Adaptive filtering

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Алгоритм Filtered-x Least Mean Squares (FxLMS) представляет собой адаптивный фильтр, используемый в системах активного шумоподавления (ANC) для снижения нежелательного звука путем генерации противошума.

Разработанный первоначально Widrow и Stearns в 1975 году и усовершенствованный Eriksson и его коллегами, FxLMS является наиболее широко применяемым алгоритмом в коммерческих наушниках с шумоподавлением, слуховых аппаратах, автомобильных салонах и промышленных шумозащитных барьерах. Он работает путем непрерывного изучения акустического пути и динамической корректировки сигнала подавления в реальном времени.

Интуиция метода

Представьте, что громкоговоритель может мгновенно излучать противозвук, который идеально подавляет входящий шум — деструктивная интерференция. FxLMS реализует эту идею: он отслеживает шум, предсказывает, какой противошум необходим, и генерирует его до того, как шум достигнет вашего уха. Задача состоит в том, чтобы система учитывала акустический путь (как противошум распространяется до микрофона ошибки) и непрерывно адаптировалась к изменяющимся условиям. FxLMS использует обратную связь от микрофона ошибки для корректировки коэффициентов фильтра, изучая оптимальную схему противошума в реальном времени.

История

Widrow и Stearns разработали алгоритм LMS и его применение в активном шумоподавлении в 1970-х годах. Eriksson расширил LMS до формы FxLMS (вариант filtered-x) в конце 1980-х, решив проблему вторичного пути, критически важную для практического ANC. Первые коммерческие наушники с ANC появились в 1990-х годах; к 2000-м годам ANC стало стандартом в премиальных наушниках, слуховых аппаратах и автомобильных салонах. Современные варианты включают многоскоростной FxLMS, leaky FxLMS, реализации в частотной области и нелинейные расширения.

Когда применять

Используйте FxLMS, когда требуется активное шумоподавление в средах с преобладанием низких частот (салоны самолетов, дорожный шум, гул систем ОВК), где пассивное поглощение неэффективно. FxLMS идеально подходит для узкополосного или тонального шума (синусоидальный, многотональный). Для широкополосного шума или высоких частот пассивные подходы часто более экономичны. FxLMS требует аппаратуры с низкой задержкой (быстрый DSP или микроконтроллер) и подходящего размещения эталонного микрофона и микрофона ошибки.

Ограничения и замечания

  • Ограничение причинности: FxLMS должен предсказывать и генерировать противошум до того, как шум достигнет цели; длинные акустические пути (>1 метра) вносят задержки, ограничивающие эффективность.
  • Сходимость алгоритма зависит от точной оценки вторичного пути; плохая модель вторичного пути приводит к нестабильности или отрицательному усилению (усиление шума).
  • Менее эффективен для широкополосного шума; снижение шума обычно узкополосное. Многоканальные системы требуются для широкополосного управления, что увеличивает сложность.
  • Требует нескольких микрофонов (эталонного и ошибки); размещение и расстояние между датчиками критически влияют на производительность и стабильность.
  • Нелинейное акустическое поведение (например, насыщение при высоком SPL) и некаузальный шум (компоненты шума, отсутствующие в эталонном сигнале) плохо обрабатываются линейным FxLMS.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Высокая эффективность для низкочастотного тонального и периодического шума, где пассивное поглощение недостаточно; может обеспечить ослабление >10–20 дБ ниже 500 Гц.
  • Адаптивный алгоритм непрерывно изучает изменяющиеся акустические условия; производительность остается высокой, даже когда характеристики помещения или схемы шума меняются.
  • Низкие вычислительные затраты по сравнению с другими адаптивными методами; достаточно эффективен для реализации в реальном времени на встраиваемом DSP-оборудовании.
  • Зрелость и широкое внедрение; десятилетия исследований и коммерческих реализаций обеспечивают надежность и безотказность.
  • Позволяет создавать компактные, легкие решения для активного шумоподавления (наушники, небольшие салоны), где большие пассивные поглотители были бы непрактичны.

Применение

  • Наушники и вкладыши с шумоподавлением: активное подавление окружающего шума при поездках, авиаперелетах и в офисных условиях; улучшение комфорта слуховых аппаратов.
  • Управление шумом в салоне самолета: снижение низкочастотного шума двигателей и ветра в салонах и кабинах самолетов для комфорта пассажиров и безопасности экипажа.
  • Акустика салона автомобиля: снижение дорожного шума и шума двигателя в салонах автомобилей; особенно эффективно для низкочастотного гула ниже 500 Гц.
  • Промышленное шумоподавление: ослабление шума на заводах, в компрессорных помещениях и системах ОВК, где пассивное поглощение ограничено по пространству.
  • Подавление обратной связи в слуховых аппаратах: предотвращение акустической обратной связи (свиста) путем генерации противообратной связи; улучшает усиление до возникновения обратной связи и субъективный комфорт.
  • Подводная связь и гидролокация: подавление океанского фонового шума в подводных акустических системах; улучшение соотношения сигнал/шум для дальней связи.

Как это работает

Как это работает

1

Установите эталонный микрофон рядом с источником шума (чтобы уловить шум до того, как он достигнет слушателя) и микрофон ошибки рядом с ухом слушателя или целевой областью подавления шума. Подключите громкоговоритель, который будет излучать сигнал противошума.

2

Калибруйте микрофоны и громкоговоритель; измерьте акустический передаточный путь от громкоговорителя до микрофона ошибки (часто называемый вторичным путем). Эта характеристика критически важна для стабильности и производительности алгоритма.

3

Отслеживайте сигнал эталонного шума (вход FxLMS-фильтра) и сигнал ошибки (выход микрофона ошибки). Вычисляйте выход фильтра как взвешенную сумму прошлых выборок эталонного сигнала; обновляйте веса фильтра на основе градиента ошибки.

4

Применяйте правило обновления FxLMS: вычисляйте градиент мощности ошибки по отношению к коэффициентам фильтра, учитывая вторичный акустический путь. Путь фильтруется через оцененную модель вторичного пути для обеспечения сходимости и стабильности (буква 'x' в FxLMS означает это фильтрование).

5

Мониторьте снижение шума (ослабление в дБ) в зависимости от частоты. Измеряйте скорость сходимости (как быстро алгоритм обучается), остаточную мощность ошибки и вычислительные затраты. Валидируйте результаты по метрикам производительности (улучшение соотношения сигнал/шум, разборчивость речи в шуме).

Частые ошибки

  • Неадекватное размещение эталонного микрофона; эталон должен улавливать энергию шума до того, как она достигнет микрофона ошибки. Плохое размещение снижает корреляцию и эффективность алгоритма.
  • Пренебрежение оценкой вторичного пути; неточная модель вторичного пути может вызвать нестабильность. Всегда тщательно измеряйте или оценивайте вторичный путь.
  • Выбор слишком большого (быстрая сходимость) или слишком малого (медленное обучение) шага; настройка шага критически важна. Алгоритмы адаптивного шага повышают надежность.
  • Предположение, что FxLMS работает во всех условиях; некоторые акустические среды (многолучевое распространение, диффузные поля) сопротивляются активному управлению. Тестируйте в репрезентативных условиях перед развертыванием.
  • Игнорирование ограничений задержки и вычислений; FxLMS в реальном времени требует обработки звука с низкой задержкой. Системы с высокой задержкой могут расходиться или становиться нестабильными.

Часто задаваемые вопросы

Почему вторичный путь так важен в FxLMS?

Вторичный путь — это акустическая передаточная функция от громкоговорителя к микрофону ошибки; он определяет, как сигнал противошума достигает точки измерения ошибки. Без учета этого пути алгоритм не может правильно предсказать, какой выход фильтра необходим. Неточная оценка вторичного пути приводит к расходимости алгоритма или отрицательному усилению (усиление вместо подавления).

Какой частотный диапазон FxLMS может эффективно контролировать?

FxLMS наиболее эффективен ниже 1–2 кГц, особенно для тонального или низкочастотного шума (<500 Гц). На более высоких частотах длина волны становится короче, и задержки причинности становятся проблематичными. Многочастотные и многоканальные системы расширяют диапазон, но пассивное поглощение часто более практично для высокочастотного шума.

Сколько времени требуется FxLMS для сходимости и адаптации к изменяющемуся шуму?

Скорость сходимости зависит от шага, длины фильтра и статистики сигнала. Типичная сходимость составляет 0,5–2 секунды для стационарного шума. Адаптация к медленно меняющемуся шуму (речь, музыка, изменяющиеся во времени механизмы) происходит в аналогичные временные рамки. Быстрый переходный шум (удары, внезапные изменения) может не подавляться, поскольку алгоритм не может реагировать мгновенно.

Может ли FxLMS подавлять широкополосный шум, такой как дождь или ветер?

FxLMS менее эффективен для широкополосного шума, поскольку один эталонный сигнал не может предсказать все частотные компоненты широкополосного шума. Многоканальные системы (несколько эталонных микрофонов и адаптивных фильтров) могут улучшить широкополосное управление, но вычислительные затраты возрастают. Для широкополосного шума пассивное поглощение или гибридные пассивно-активные системы часто более практичны.

Что произойдет, если эталонный микрофон и микрофон ошибки находятся слишком далеко друг от друга?

Если расстояние велико (>1 метра), задержка акустического распространения становится значительной. Эталонный сигнал не может предсказать шум в микрофоне ошибки из-за ограничений причинности (алгоритм не может заглядывать в будущее). Это ограничивает полосу пропускания и эффективность управления. Практические системы ANC поддерживают небольшое расстояние между микрофонами (<10 см для наушников, <0,5 м для автомобильных систем).

Похожие методы

Источники

  1. Widrow, B., & Stearns, S. D. (1975). Adaptive signal processing for active vibration and noise control. IEEE Transactions on Acoustics, Speech, and Signal Processing, 23(5), 440–453.

    Открыть ссылку DOI
    Скопировано.
  2. Eriksson, L. J., Allie, M. C., & Greiner, R. A. (1988). The selection and application of an IIR adaptive filter for use in active sound attenuation. IEEE Transactions on Acoustics, Speech, and Signal Processing, 36(11), 1879–1891.

    Открыть ссылку DOI
    Скопировано.
  3. Kuo, S. M., & Morgan, D. R. (2002). Active Noise Control Systems: Algorithms and DSP Implementations. John Wiley & Sons.

    ISBN: 978-0-471-49663-5
    Скопировано.