بخشی از مقاله
چکیده
این مقاله به بررسی سیستم کاهش فعال نویز تک کاناله و چند کاناله با استفاده از شبکه عصبی مصنوعی جهت کاهش نویز فن اتاق رژي پرداخته است. علاوه بر نویز فن، نمونه هاي دیگري از نویز براي بررسی و انتخاب بین چند الگوریتم مورد مطالعه قرار گرفته است. به این صورت، ضمن بررسی کارایی شبکه عصبی چند لایه پرسپترون در میزان کاهش توان نویز با استفاده از دو الگوریتم پس انتشار و ژنتیک، عملکرد آن ها با میزان کاهش توسط الگوریتم متداول FxLMS مقایسه شده و در نتیجه، الگوریتم ژنتیک به عنوان الگوریتم نهایی انتخاب شده است. پس از آن، سیستم چند کاناله بر پایه ي الگوریتم ژنتیک و با چند ساختار متفاوت شبکه مورد بررسی قرار گرفته است. نتایج نشان می دهند، یک سیستم چند کاناله مبتنی بر شبکه عصبی چند لایه پرسپترون بر پایه ي الگوریتم ژنتیک می تواند کاهش نویزي معادل حداقل 20 دسی بل ایجاد نماید.
1. مقدمه
روش کاهش فعال نویز 1یکی از روش هاي کنترل نویز است که بر پایه ي طراحی یک سیستم الکترونیکی یا الکتروآکوستیکی به کار گرفته می شود. در این سیستم با تولید و پخش سیگنال هایی که از حیث دامنه مشابه ولی اختلاف فاز 180 درجه با سیگنال هاي نویز اولیه دارند، کاهش نویز اولیه ایجاد می شود .[1] اگرچه این سیستم با طرح ایده ي اولیه ي آن از سال [2] 1936 مورد مطالعه قرار گرفته است اما به دلیل ملزومات زیاد آن در عمل و کاربردها، با مشکلات مختلفی روبرو است.
یکی از مشکلاتی که این سیستم در موارد عملی با آن مواجه است، رفتار غیر خطی عناصر مختلف اعم از توابع تبدیل، تجهیزات و سیگنال ها است.[3] یکی از راه هایی که براي رفع آن پیشنهاد شده است، بهره گیري از شبکه هاي عصبی 2بجاي استفاده از فیلترهاي وفقی در قسمت پردازش سیگنال است .[4] در این مقاله، با توجه به این رویکرد و بر پایه ي داده هاي عملی، عملکرد سیستم کاهش فعال نویز تک کاناله و چند کاناله براي کاهش نویز فن موجود در اتاق رژي طراحی و مورد مطالعه قرار گرفته است.
نتایج حاصل از شبیه سازي ها نشان می دهند، سیستم هاي مبتنی بر شبکه عصبی نسبت به سیستم هایی که بر اساس الگوریتم هاي بازگشتی نظیر Filtered x Least [5] 3 Mean Square - FxLMS - عمل می کنند، کارایی بهتري دارند و همچنین نتیجه شده است، با استفاده از الگوریتم ژنتیک کاهش نویزي معادل حداقل 20 دسی بل براي نویز فن قابل انتظار است. در این مقاله، پس از معرفی مختصرِ سیستم کاهش فعال نویز مبتنی بر شبکه هاي عصبی مد نظر و الگوریتم هاي به کار رفته در سیستم معرفی و در بخش .3 روش جمع آوري داده ها آورده شده است. شبیه سازي سیستم با الگوریتم هاي مختلف در بخش .4 مورد بررسی قرار گرفته و نتایج حاصل از آن با استفاده از نرم افزار [6] MATLAB در بخش .5 ارائه شده است. در نهایت، نتیجه گیري از عملکرد سیستم هاي مورد بررسی در بخش .6 آمده است.
2. سیستم هاي ANC مبتنی بر شبکه عصبی
دسته بندي مختلفی براي سیستم کاهش فعال نویز وجود دارد. از جمله می توان به دسته بندي مبتنی بر استفاده از میکروفن مرجع، و دیگري بر اساس تعداد کانال هاي به کار رفته اشاره کرد. زمانی که سیگنال مرجع در دسترس نباشد از سیستم پسخور4 و در غیر این صورت از سیستم پیشخور5 استفاده می شود [1]در. حضور منابعِ متعدد نویز نیز بهتر است از سیستم چند کاناله استفاده شود [1] تا عملکرد بهتري حاصل شود. در این مقاله از یک سیستم پیشخور چند کاناله استفاده شده است.
از طرفی، شبکه عصبی مصنوعی مبتنی بر ساختار نورونی و هوشمندي است که با الگوبرداري از نورون هاي موجود در مغز انسان سعی بر شبیه سازي رفتار درون سلولی نورون هاي مغز با استفاده از توابع تبدیل تعریف شده دارد. همچنین عملکرد سیناپسی6 در نورون هاي طبیعی را با بهره گیري از وزن هاي محاسباتیِ موجود در خطوط ارتباطی نورون هاي مصنوعی مدل می کند. شکل - - 1، نحوه ي کاربري شبکه عصبی در ساختار سیستم کاهش فعال نویز را نشان می دهد.
بلوك دیاگرام یک سیستم کاهش فعال نویز با استفاده از شبکه عصبی در ساختار آن.
شبکه هاي عصبی مختلفی براي تقریب و تخمین توابع، پیش بینی و تشخیص الگو وجود دارند. از میان این شبکه ها، در این مقاله، یک شبکه چند لایه از نوع پرسپترون[7] 7 به کار گرفته شده است. این نوع شبکه با توجه به فرض اولیه ي مسئله - غیر خطی بودن سیستم - و توانایی آن در مسائلی که نیاز به تصمیم گیري هاي متعددي وجود دارد، گزینه ي مناسبی هستند. در صورت استفاده از تعداد کافی نورون در لایه ي مخفی این نوع شبکه می توان به تخمین هر تابع دست یافت.
3 این الگوریتم به عنوان متداول ترین الگوریتم بازگشتی در سییستم هاي ANC مورد استفاده قرار می گیرد. همچنین این الگوریتم به عنوان یک الگوریتم اصلاح شده از الگوریتم بنیادین LMS به شمار می رود. علاوه بر تعدد شبکه هاي عصبی، الگوریتم هاي مختلفی نیز براي مطابقت داده ها وجود دارند. از آنجا کهمعمولاً براي یادگیري وزن هاي شبکه چند لایه از الگوریتم پس انتشار [8] استفاده می شود، در این مقاله نیز از الگوریتم پس انتشار که در حقیقت تعمیمی از الگوریتم [5] LMS به شمار می رود، استفاده شده است.
علاوه بر آن، الگوریتم دیگري که در این مقاله به کار برده شده است، الگوریتم ژنتیک 9] و [10 است. این الگوریتم بر پایه ي قانون بقاي بهترین، برخی از جواب هاي مسئله را به دست می آورد. در هر نسل به کمک فرآیند انتخابی متناسب با ارزش جواب ها و تولید مثل، جواب هاي انتخاب شده به کمک عملگرهایی که از ژنتیک طبیعی تقلید شده است، تقریب هاي بهتري از جواب نهایی به دست می آید. این فرآیند باعث می شود که نسل هاي جدید با شرایط مسئله سازگارتر باشد.
3. روش جمع آوري داده ها و اندازه گیري
هدف اصلی در این مقاله، کاهش نویز حاصل از فن موجود در رژي اتاق استودیو بوده است. بنابراین، نویز مورد نظر توسط میکروفن دینامیک AKG مدل K712 و با فرمت WAV ضبط شده است. فرکانس نمونه برداري معادل 44/1 کیلوهرتز و نرخ بیت معادل 16 بیت در نظر گرفته شده و ضبط به صورت مونو بوده است. براي مقایسه ي بین عملکرد سیستم در میزان کاهش توان نویز از نمونه هاي دیگري که در دیتابیس هایی نظیر [11]8 SPIB موجود است، استفاده شده است. در این مقاله به دلیل محدودیت موجود در صفحات، تنها به نتایج نهایی کاهش نویز نمونه هاي دیگر اشاره شده ولی جزئیات مربوط به نویز فن مد نظر، آورده شده است. پس از به دست آوردن داده هاي عملی، در مرحله ي پردازش داده ها عملیاتی انجام می شود تا ورودي مناسبی براي شبکه عصبی فراهم شود. شکل - 2 - این روند را به صورت شماتیک نشان می دهد.
مرحله ي پردازش داده قبل از ورود داده به شبکه عصبی.
همانطور که شکل فوق نشان می دهد، ابتدا با استفاده از تبدیل فوریه9، طیف فرکانسی سیگنال نویز استخراج شده است تا فرکانس هاي با دامنه ي بیشینه شناسایی شوند. پس از آن، از آنجایی که سیستم کاهش فعال نویز براي کاهش نویزهایی با فرکانس پایین به ویژه در باند فرکانسی زیر 1000 هرتز از کارایی موثري برخوردار است [12] با قرار دادن یک فیلتر پایین گذر، فرکانس هاي بالا از سیگنال اولیه حذف شده و به این صورت، سیگنال براي ورود به شبکه مهیا شده است.
4. شبیه سازي سیستم با الگوریتم پس انتشار و ژنتیک
همانطور که پیشتر بیان شده است، در این مقاله از یک شبکه عصبی چند لایه ي پرسپترون10، بر پایه ي دو الگوریتم پس انتشار[8]11 و ژنتیک 9]و[10 براي اجراي سیستم استفاده شده است. در این بخش با توضیح این دو الگوریتم، نتایج شبیه سازي این دو الگوریتم با یکدیگر و همچنین با الگوریتم FxLMS مقایسه شده اند. اجراي شبکه بر پایه دو مرحله ي اساسی آموزش12 و ارزیابی13 استوار است.
