.png){kind=icon}
返回
A Practical Data-Driven Step-Size Selection Method for Adaptive Active Noise Control Based on Modified Meta-Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/LSP.2026.3671181.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主动噪声控制（ANC）被广泛认为是一种有效且高效的减弱城市噪声的解决方案。基于最小均方（LMS）的自适应算法，特别是滤波参考LMS（FxLMS）算法，由于计算效率高和可选的稳态性能，在自适应ANC系统中发挥着核心作用。然而，其有效性高度依赖于合适的步长选择。不合适的步长会严重降低收敛速度和稳定性。传统的步长策略，如变步长方法，通常涉及高计算复杂度，并且仅限于特定噪声类型。为解决这一问题，本文提出了一种基于改进的模型无关元学习（MAML）的数据驱动步长选择方法，该方法结合了遗忘因子以缓解滤波器的初始零效应。与常规方法相比，所提出的方法能够在各种噪声类型中确定最优步长，而无需在控制过程中进行额外计算，使其非常适合实际部署。使用真实路径和噪声的数值仿真进一步验证了其有效性。
Keyword:
Adaptive active noise control (ANC)
fast convergence
model-agnostic meta-learning (MAML)
期刊
I
IF:
3.9
论文数:
833
被引数:
0
机构
引用论文
Optimal Penalty Factor for the MOV-FxLMS Algorithm in Active Noise Control System有源噪声控制系统中mov-fxlms算法的最优惩罚因子
PREAI
分享收藏分享收藏Variable Step-Size Hybrid Filtered-x Affine Projection Generalized Correntropy Algorithm for Active Noise Control.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Active Noise Control in The New Century: The Role and Prospect of Signal Processing新世纪中的主动噪声控制：信号处理的作用与前景
OAAI
OAAI分享收藏
查看更多内容