[发明专利]基于量子粒子群优化算法的主动噪声控制方法

说明书

技术领域

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

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。

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。

量子粒子群优化算法(QPSO)是在标准粒子群优化算法(PSO)基础上提出的。PSO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。PSO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QPSO使得粒子可以在整个可行解的空间中进行搜索，比PSO具有更好的全局收敛性和搜索能力。

发明内容

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。

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)＝1，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l，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^jω)，得到一个适应度函数表达式：

其中：

e_n(e^jω)＝[1,e^-jω,...,e^-jωl]^T

e_d(e^jω)＝[e^-jω,e^-2jω,...,e^-jωr]^T

φ＝[a₁,a₂,...,a_r]^T