基于量子粒子群优化算法的主动噪声控制方法

基于量子粒子群优化算法的主动噪声控制方法
【专利摘要】本发明涉及主动噪声控制领域，尤其涉及基于量子粒子群优化算法的主动噪声控制方法，包括：(1)根据实际噪声控制问题建立迭代学习主动噪声控制系统；(2)根据广义次级通道的传递函数设计自变量为学习滤波器参数的适应度计算公式；(3)根据IIR滤波器数学模型建立量子粒子群优化模型；(4)利用量子粒子群优化算法搜索出最佳性能滤波器参数。本发明的有益效果在于：(1)本发明方法简单，易于实现，能够解决重复噪声消噪问题；(2)本发明设计一种迭代学习主动噪声控制系统，该系统用频域方法描述系统，用IIR滤波器实现学习滤波器，并通过量子粒子群优化算法设计IIR滤波器的参数，具有很好的稳定性、鲁棒性，收敛速度快。
【专利说明】基于量子粒子群优化算法的主动噪声控制方法

【技术领域】
[0001] 本发明涉及主动噪声控制领域，尤其涉及基于量子粒子群优化算法的主动噪声控 制方法。

【背景技术】
[0002] 主动噪声控制（ANC)最早由德国Lueg Paul以专利的形式于1936年提出，至今已 有八十多年的发展历程。它的原理是人为生成一个与噪声等幅、同频、反相的声音与噪声进 行相消性干涉，从而达到降噪或消声的目的。主动噪声控制系统如图1所示，图中d(n)是噪 声，也被称为主声源；u(n)是控制输入；x(n)是次级声源在相消区域的声音信号；e(n)是 残差信号；P(z)是控制系统的传递函数，也可称为广义次级通道，它不但包括了次级声源 到相消区域之间的次级通道，还包括了系统输入到次级声源产生的过程。我们的目的是要 根据残差信号和控制信号通过自适应的方式更新控制信号使残差信号渐渐减小。当噪声具 有重复特性，这个问题就可被看作为一个轨迹跟踪问题。我们可以利用ILC方法对噪声进 行一次次的学习，使次级声源渐渐近似于反相主声源与主声源进行干涉相消，使残差信号 减小。随着自适应滤波技术的ANC技术的成熟，滤波最小均方误差（FxLMS)算法的ANC技 术得到了广泛的应用。但是这种通用性广泛的技术，也带来了一些性能上的问题：（1)对于 具有重复特性的噪声，FxLMS-ANC无法利用其噪声的特殊性进行降噪；（2)在那些对降噪性 能有极致要求的应用背景中，FxLMS-ANC往往也无能为力，随着现代控制理论的发展和新型 控制理论的不断出现，ANC有了一些新的发展方向。其中，基于迭代学习控制理论的ANC技 术在处理具有重复特性噪声的应用中具有很高的研究价值。
[0003] 迭代学习控制（ILC)由日本学者Uchiyama于1978年首次提出，它通过反复利用 先前实验得到的信息来获得能够产生期望输出轨迹的控制输入，以改善控制质量。与传统 的控制方法不同的是，迭代学习控制能以非常简单的方式处理不确定度相当高的动态系 统，且仅需要较少的先验知识和计算量，具有适应性强、易于实现等优点，更重要的是，他不 依赖于被控对象的精确数学模型，是一种以迭代学习方式产生优化控制信号，使系统输出 尽可能逼近理想值的控制算法。迭代学习控制凭借其独有的控制方式，对于解决非线性、复 杂度高、难以建模的高精度轨迹跟踪控制问题有着巨大的优势。其已成为提高进行重复性 运作系统的跟踪精度及消除系统重复干扰的有效途径，是现代控制理论的重要组成部分。
[0004] 量子粒子群优化算法（QPS0)是在标准粒子群优化算法（PS0)基础上提出的。PS0 算法是由美国学者Kennedy和Eberhart于1995年提出的一种群体智能优化算法，用于解 决各式各样的优化问题。它利用一群粒子对最优解进行搜索，每个粒子都会根据自身的搜 索经验和群体的搜索经验更新自身的搜索速度并评价当前位置的适应度为下一步搜索提 供个体经验和群体经验，最终搜索出全局最优解。PS0算法参数少，实现起来较为简单。为 了得到更好的收敛性，Sun等人2004年提出QPS0使得粒子可以在整个可行解的空间中进 行搜索，比PS0具有更好的全局收敛性和搜索能力。


【发明内容】

[0005] 本发明为克服上述的不足之处，目的在于提供基于量子粒子群优化算法的主动噪 声控制方法，该方法通过设计学习滤波器、优化参数算法，可以使主动噪声控制器对主声源 跟踪的速度性能和误差性能达到最佳。
[0006] 本发明是通过以下技术方案达到上述目的：基于量子粒子群优化算法的主动噪 声控制方法，基于量子粒子群优化算法的主动噪声控制系统由广义次级通道的传递函数 P(z)、学习滤波器Q(z)和G(z)组成，其中Q(z) = l，G(z)由IIR滤波器实现；包括以下步 骤：
[0007] (1)根据广义次级通道的传递函数P(Z)，选择IIR滤波器的抽头系数个数，其中分 子中的参数个数为1，分母中的参数个数为r ;
[0008] (2)根据已知线性时不变系统的传递函数对应的频率响应函数P(，），得到一个 适应度函数表达式：
[0009]

【权利要求】
1.基于量子粒子群优化算法的主动噪声控制方法，其特征在于：基于量子粒子群优化 算法的主动噪声控制系统由广义次级通道的传递函数P(Z)、学习滤波器Q(z)和G(z)组成， 其中Q(z) = l，G(z)由IIR滤波器实现；包括以下步骤： (1) 根据广义次级通道的传递函数P(z)，选择IIR滤波器的抽头系数个数，其中分子中 的参数个数为1，分母中的参数个数为r ; (2) 根据已知线性时不变系统的传递函数对应的频率响应函数P(e>)，得到一个适应 度函数表达式：
其中：
(3) 设定量子粒子群优化算法的参数；具体的参数有：总搜索代数N ;粒子总数Μ ; β，u 为服从[〇, 1]内均匀分布的随机数； (4) 初始化滤波器系数向量
.所有个体的适应度值
个体潜在最优的滤波器系数向量Pbesh (0)，i = 1，2, . . .，Μ、 群体潜在最优的滤波器系数向量gbest (0)、平均最优的滤波器系数向量mbest (0)、搜索代 数 η = 0 ; (5) 进入下一代搜索，η = η+1 ;计算所有个体的适应度值：
比较个体当前适应度值和个体上一代的适应度值，如果个体的当前适应度小于上一 代的适应度值，则用当前适应度值更新适应度值，并用当前个体滤波器系数向量更新个体 潜在最优的滤波器系数向量/访= 如果个体的当前适应度值大于上一代的适 应度值，则保留上一代的适应度值和上一代的个体潜在最优滤波器系数向量pbesh (η)= pbestj (n-1)； 用个体潜在最优滤波器系数向量作为当前个体滤波器系数向量计算所有个体的适应 度值，求出适应度最小的个体，用该个体的当前个体滤波器系数向量更新群体潜在最优滤 波器系数向量 gbest(n) zpbesi^Oi); 计算平均最优的滤波器系数向量：
更新滤波器系数向量：
(6)重复步骤（5)，直到达到设定的最大搜索代数；输出群体潜在最优的滤波器系数作 为滤波器系数。
2.根据权利要求1所述的基于量子粒子群优化算法的主动噪声控制方法，其特征在 于，所述广义次级通道包括了系统输入到次级声源产生的过程和次级声源到相消区域之间 的次级通道的过程。
【文档编号】G10K11/178GK104064177SQ201410325136
【公开日】2014年9月24日 申请日期:2014年7月9日 优先权日:2014年5月5日
【发明者】庞新岩, 卢昱, 李德胜, 庞新路, 徐玉杰, 王辉 申请人:浙江银江研究院有限公司