最近南洋理工大学DSP实验在中科院一区期刊Mechanical Systems and Signal Processing 发表了“Real-time Implementation and Explainable AI Analysis of Delayless CNN-based Selective Fixed-filter Active Noise Control”文章，将CNN-based SFANC方法在降噪窗户上进行了实现验证。论文和代码已经分别开源在ResearchGate和GitHub。论文作者包括: 罗正丁，石栋元，季君韦，沈晓依，Gan Woon-Seng，指导老师是石栋元和Gan Woon-Seng。

摘要

选择性固定滤波器主动噪声控制（Selective fixed-filter active noise control, SFANC）方法可以为不同类型的噪声选择合适的预训练控制滤波器。借助神经网络的学习能力，基于CNN的SFANC方法能够自动从噪声数据中学习其参数。结合实际经验，本文将ANC抽象为马尔可夫过程，并提供了详细的理论分析以验证基于CNN的SFANC方法的合理性。为验证其有效性，我们在多通道ANC窗户上实现了该方法，其中协处理器中的CNN与实时控制器协同工作，实现无延迟的噪声控制。此外，使用了一种可解释的AI技术来分析基于CNN的SFANC方法的底层原理，增强了其在声学应用中的可解释性。数值模拟和实时实验表明，基于CNN的SFANC方法不仅在宽带和实际噪声的降噪性能上达到了令人满意的效果，而且具有较好的可迁移性。

方法框图

基于CNN的SFANC方法主要由两个模块组成：协处理器中的控制滤波器选择和实时控制器中的噪声消除。在这种方法中，一个轻量的CNN在协处理器中运行，以选择每个noise frame的最佳预训练控制滤波器。所选的控制滤波器被传送到并行工作的实时控制器中，实时控制器以sample rate进行降噪。协处理器和实时控制器之间的高效协调可以实现无延迟的噪声控制。

实时降噪实验

为了评估基于CNN的SFANC方法在实际场景中的性能，这篇论文使用该方法实现了一个4通道的ANC窗户。在该系统中，协处理器是一台笔记本电脑，它运行已训练的CNN来选择预训练的控制滤波器。同时，一个PXI处理单元作为降噪的实时控制器。在噪声控制过程中，笔记本电脑使用UDP协议将选定的控制滤波器索引传输到PXI处理单元。实验结果的记录视频：https://youtu.be/K1pWeNLMoD

实验结论

1.仿真实验表明所提出的CNN的分类准确率高达98.55%。使用可解释的AI技术LayerCAM，研究发现CNN-based SFANC的分类主要依赖于噪声的频带信息。

2.在ANC窗户上的实时实验表明，CNN-based SFANC方法有效地减弱了宽带噪声和真实动态噪声。此外，在合成声学路径上训练的CNN能够在真实环境中使用证明了该方法良好的可迁移性。

其他相关论文

Delayless Generative Fixed-filter Active Noise Control based on Deep Learning and Bayesian FilterDeep Generative Fixed-Filter Active Noise ControlGFANC-Kalman: Generative Fixed-Filter Active Noise Control with CNN-Kalman FilteringUnsupervised-GFANC: Unsupervised Learning Based End-to-End Delayless Generative Fixed-Filter Active Noise ControlA hybrid sfanc-fxnlms algorithm for active noise control based on deep learningPerformance Evaluation of Selective Fixed-filter Active Noise Control based on Different Convolutional Neural Networks

隔音降噪门窗品牌

高端系统节能门窗

高端断桥铝门窗

品牌系统门窗