.png){kind=icon}
返回
Low-Complexity Machine Learning Models for Active Noise Control in Nonlinear Systems
.png){kind=icon}
OA
AI
DOI：10.1109/OJSP.2025.3650619.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主动噪声控制（ANC）系统通常基于自适应滤波器。然而，电声换能器及其相关的电子元件常表现出线性控制器无法准确建模的非线性行为，导致性能欠佳。尽管神经网络和其他先进模型已被提出以解决这些局限性，但其高计算需求及固有延迟常限制实时部署。本研究探讨了使用轻量级、计算高效的机器学习（ML）模型，这些模型采用简单的数字运算符按样本逐样本运行。所提出的模型应用于非线性条件下的ANC，包括主路径、次路径和参考信号中的失真。该方法在增强噪声衰减的同时保持低计算复杂度，从而实现嵌入式系统的实时部署。仿真结果证实了该方法在多种非线性场景下的有效性，相比传统线性ANC方案展现出更优的噪声降低效果和控制精度，且其实现成本显著低于其他非线性方法。
Keyword:
Active noise control
non-linear
shadow machine learning models
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.7
论文数:
153
被引数:
535
机构
引用论文
分享收藏分享收藏Convex combination of nonlinear adaptive filters for active noise control用于有源噪声控制的非线性自适应滤波器的凸组合.png)
APPLIED ACOUSTICS
APPLIED ACOUSTICSIF3.6
PREAI
分享收藏
查看更多内容