بررسی و مقایسه عملکرد شبکه‌های عصبی پیشرو و بازگشتی در کنترل فعال نویز صوتی
محورهای موضوعی : پردازش سیگنال و سیستم
مهرشاد سلماسی
1
(کارشناس ارشد/دانشگاه آزاد اسلامی واحد نجف آباد)
همایون مهدوی نسب
2
(استادیار/دانشگاه آزاد اسلامی واحد نجف آباد)
کلید واژه: کنترل فعال نویز, سیستم کنترل فعال نویز فیدبک, شبکه عصبی پیشرو, شبکه عصبی بازگشتی,
چکیده مقاله :
کنترل فعال نویز صوتی براساس تولید یک سیگنال نویز دیگر و تداخل آن با نویز اصلی انجام می‌شود. سیگنال تولید‌شده دارای دامنه‌ای برابر با نویز اصلی و 180 درجه اختلاف فاز نسبت به آن می‌باشد. در این مقاله، کنترل فعال نویز صوتی با استفاده از شبکه‌های عصبی پیشرو و بازگشتی انجام شده و عملکرد شبکه‌ها در کاهش نویز مورد بررسی و مقایسه قرار می‌گیرد. شبکه‌های عصبی پیشرو و بازگشتی با نویزهای صوتی موجود در پایگاه دادة SPIB مورد آموزش و تست قرار می‌گیرند. برای مقایسه‌ی دقیق‌تر عملکرد شبکه‌ها، از نمونه‌های مشابه برای آموزش و تست و همچنین پیچیدگی مشابه در ساختار شبکه‌ها استفاده می‌شود. نتایج شبیه‌سازی‌ها توانایی مناسب شبکه‌های عصبی مورد بررسی را در کاهش نویز صوتی نشان می‌دهد. همچنین مشاهده می‌شود که شبکه‌ی عصبی بازگشتی (Elman) عملکرد بهتری را در کاهش نویز صوتی نسبت به شبکه‌ی پیشرو دارد.
Active noise control is based on the destructive interference between the primary noise and generated noise from the secondary source. An antinoise of equal amplitude and opposite phase is generated and combined with the primary noise. In this paper, performance of the neural networks is evaluated in active cancellation of sound noise. For this reason, feedforward and recurrent neural networks are designed and trained. After training, performance of the feedforwrad and recurrent networks in noise attenuation are compared. We use Elman network as a recurrent neural network. For simulations, noise signals from a SPIB database are used. In order to compare the networks appropriately, equal number of layers and neurons are considered for the networks. Moreover, training and test samples are similar. Simulation results show that feedforward and recurrent neural networks present good performance in noise cancellation. As it is seen, the ability of recurrent neural network in noise attenuation is better than feedforward network.
_||_