基于无监督学习的端到端无延迟生成式固定滤波器主动噪声控制
信号处理
2024-05-16 v1 机器学习
摘要
无延迟噪声控制是通过我们早期的生成式固定滤波器主动噪声控制 (GFANC) 框架，通过协处理器和实时控制器之间的高效协调实现的。然而，协处理器中的一维卷积神经网络 (1D CNN) 需要使用标记的噪声数据集进行初始训练。标记噪声数据可能资源密集且可能引入某些偏差。在本文中，我们提出了一种无监督-GFANC 方法，以简化 1D CNN 的训练过程并增强其实用性。在训练期间，协处理器和实时控制器被集成为一个端到端可微的 ANC 系统。这使我们能够使用累积平方误差信号作为训练 1D CNN 的损失。通过这种无监督学习范式，无监督-GFANC 方法不仅省略了标记过程，而且在真实噪声实验中表现出比监督 GFANC 方法更好的降噪性能。
引用
@article{arxiv.2402.09460,
title = {Unsupervised learning based end-to-end delayless generative fixed-filter active noise control},
author = {Zhengding Luo and Dongyuan Shi and Xiaoyi Shen and Woon-Seng Gan},
journal= {arXiv preprint arXiv:2402.09460},
year = {2024}
}
备注
2024 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2024)