پایان نامه ارائه روش جدید جهت حذف نویز آكوستیكی در یك مجرا

پایان نامه ارائه روش جدید جهت حذف نویز آكوستیكی در یك مجرا

چكیده

تاكنون برای حذف نویزهای آكوستیكی از روش های فعال[1] و غیر فعال[2]استفاده شده است. برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فركانس های پایین (زیر 500 هرتز)، حذف و یا كاهش داد. در روش فعال از سیستمی استفاده می شود كه شامل یك فیلتر وفقی است. به دلیل ردیابی خوب فیلتر [3]LMS در محیط نویزی، الگوریتم FXLMS[4] بعنوان روشی پایه ارائه شده است. اشكال الگوریتم مذكور این است كه در مسائل كنترل خطی استفاده می شود. یعنی اگر فركانس نویز متغیر باشد و یا سیستم كنترلی بصورت غیرخطی كار كند، الگوریتم فوق به خوبی كار نكرده و یا واگرا می شود.

بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم كه قابلیت حذف نویز، با فركانس متغیر، در یك مجرا و در كوتاه‌ترین زمان ممكن را دارد. برای دستیابی به آن می توان از یك گام حركت وفقی بهینه () در الگوریتم FXLMS استفاده كرد. به این منظور محدوده ی گام حركت بهینه در فركانس های 200 تا 500 هرتز را در داخل یك مجرا محاسبه كرده تا گام حركت بهینه بر حسب فركانس ورودی به صورت یك منحنی اسپلاین مدل شود. حال با تخمین فركانس سیگنال ورودی به صورت یك منحنی اسپلاین مدل شود. حال با تخمین فركانس سیگنال ورودی بوسیله ی الگوریتم MUSIC[5] ، را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در كوتاه‌ترین زمان، ممكن شود. در نهایت خواهیم دید كه الگوریتم FXLMS معمولی با گام ثابت با تغییر فركانس واگرا شده حال آنكه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فركانس متغیر را فراهم می آورد.

همچنین‌به دلیل‌ماهیت غیرخطی سیستم‌های‌ANC ، به ارائه‌ی نوعی شبكه‌ی عصبی‌ RBF TDNGRBF ) [6] ( می‌پردازیم كه توانایی مدل كردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریك فركانس متغیر در یك مجرا استفاده كرده و نتایج آن را با الگوریتم FXLMS مقایسه می كنیم. خواهیم دید كه روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (3 برابر) و خطای كمتری (30% كاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یك شبكه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبكه ی GRBF (با تركیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امكان پذیر می شود. ضرایب بكار رفته در تركیب خطی با استفاده از الگوریتم [7]NLMS بهینه می شوند.

[1] -Active

[2] -passive

[3] -Least mean square

4- Filter- x LMS

5 -Multiple signalclassification

6 -Time Delay N- Generalized Radial Basis Function

[7] -Normalized LMS

متن کامل را می توانید دانلود کنید چون فقط تکه هایی از متن این پایان نامه در این صفحه درج شده است(به طور نمونه)

ولی در فایل دانلودی متن کامل پایان نامه