【基础处理】基于matlab Fxlms算法有源噪声控制系统【含Matlab源码 1394期】

一、获取代码方式

获取代码方式1：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

获取代码方式2：
完整代码已上传我的资源：【基础处理】基于matlab Fxlms算法有源噪声控制系统【含Matlab源码 1394期】

备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、FxLMS算法简介

滤波x-LMS算法，即FxLMS算法，是在LMS算法的基础上，考虑了次级声通道对主动噪声控制系统的影响而进行的改进，其算法原理框图如图1所示。

图1 反馈FxLMS自适应算法原理框图
其中，x(n)为估计的参考信号，W(Z)为横向滤波器，S(Z)为次级扬声器到误差传声器之间的声学路径，yw(n)表示滤波器的输出，Sh(Z)为S(Z)的估计，理论上，Sh(Z)与S(Z)相等，e(n)为残余噪声。
FxLMS算法的计算过程如下：
1)计算滤波器输出yw(n)

式中 wL=[w0(n),w1(n),w2(n),…,wL-1(n)]为滤波抽头权系数；x(n-L)=[x(n),x(n-1),…,(n-L+1)]为滤波器对应的输入向量，L为滤波器的长度。
2)计算传递到误差传声器的声波ys(n)
ys(n)=yw(n)S(n) (2)
式中 “”为线性卷积运算，S(n)为S(Z)的脉冲响应。
3)计算LMS算法的输入信号xh(n)
xh(n)=x(n)*Sh(n) (3)
式中 Sh(n)为Sh(Z)的脉冲响应。
4)计算残余噪声e(n)
e(n)=d(n)+ys(n) (4)
5)计算抽头权系数向量w(n)的更新
w(n+1)=w(n)+2μe(n)·xh(n) (5)
式中 μ为固定步长因子，其收敛范围如下式所示

式中 Δ为考虑次级路径存在的延迟，Pxn为滤波输入信号的功率。

三、部分源代码

%--------------------------------------------------------------------------%--------------------------------------------------------------------------% Set simulation duration (normalized)
clear
T=1000; % We do not know P(z) and S(z) in reality. So we have to make dummy paths
Pw=[0.01 0.25 0.5 1 0.5 0.25 0.01];
Sw=Pw*0.25;% Remember that the first task is to estimate S(z). So, we can generate a
% white noise signal,% send it to the actuator, and measure it at the sensor position, % Then, start the identification process
Shx=zeros(1,16);     % the state of Sh(z)
Shw=zeros(1,16);     % the weight of Sh(z)
e_iden=zeros(1,T);   % data buffer for the identification error% and apply least mean square algorithm
mu=0.1;                         % learning rate
for k=1:T,                      % discrete time kShy=sum(Shx.*Shw);           % calculate output of Sh(z)e_iden(k)=y_iden(k)-Shy;    % calculate error         Shw=Shw+mu*e_iden(k)*Shx;   % adjust the weight
end% Lets check the result
subplot(2,1,1)
plot([1:T], e_iden)
ylabel('Amplitude');
xlabel('Discrete time k');
legend('Identification error');
subplot(2,1,2)
stem(Sw)
hold on
stem(Shw, 'r*')
ylabel('Amplitude');
xlabel('Numbering of filter tap');
legend('Coefficients of S(z)', 'Coefficients of Sh(z)')% The second task is the active control itself. Again, we need to simulate
% the actual condition. In practice, it should be an iterative process of
% 'measure', 'control', and 'adjust'; sample by sample. Now, let's generate
% the noise:
X=randn(1,T);% and measure the arriving noise at the sensor position,% Initiate the system,
Cx=zeros(1,16);       % the state of C(z)
Cw=zeros(1,16);       % the weight of C(z)
Sx=zeros(size(Sw));   % the dummy state for the secondary path
e_cont=zeros(1,T);    % data buffer for the control error
Xhx=zeros(1,16);      % the state of the filtered x(k)% and apply the FxLMS algorithm
mu=0.1;                            % learning rate
for k=1:T,                         % discrete time kCx=[X(k) Cx(1:15)];            % update the controller state    Cy=sum(Cx.*Cw);                % calculate the controller output Sx=[Cy Sx(1:length(Sx)-1)];    % propagate to secondary pathe_cont(k)=Yd(k)-sum(Sx.*Sw);   % measure the residueend% Report the result
figure
subplot(2,1,1)
plot([1:T], e_cont)
ylabel('Amplitude');
xlabel('Discrete time k');
legend('Noise residue')
subplot(2,1,2)
plot([1:T], Yd)
hold on
plot([1:T], Yd-e_cont, 'r:')
ylabel('Amplitude');
xlabel('Discrete time k');
legend('Noise signal', 'Control signal')

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]韩纪庆,张磊,郑铁然.语音信号处理（第3版）[M].清华大学出版社，2019.
[2]柳若边.深度学习:语音识别技术实践[M].清华大学出版社，2019.
[3]龚孝平,郭勇,刘强,朱再胜.驾驶室主动降噪的改进FxLMS算法及DSP实现[J].传感器与微系统. 2021,40(09