在上一篇关于主动降噪耳机，你想知道的一切（一）中，介绍了非自适应的前馈ANC滤波器，这次来讲讲自适应的前馈滤波器啦，看看如何让ANC去适应你的人生！

上文末尾已经提到，因为讨厌的善变的 Primary path (P(z))和因人而异的Secondary path(G(z))导致非自适应的ANC滤波器很难在学术界生存下去。。。因为学术界的宗旨就是无孔不钻！见缝就插针！对于前馈滤波器来说，(P(z))是最烦的，(G(z))相对来说还算温和。如果把(P(z))当作一个时变的线性系统，通过测量它的入口信号和出口信号就可以用自适应滤波器去跟踪它发现它每时每刻的状态。Okay 先不管ANC，来看看一个简单的自适应鉴定系统的原理吧。


图一：非自适应系统




https://gifimage.net/


就这么来来回回 改来改去，终究把这个待测系统测明白了！你长叹一口气：多亏有了老师的启发啊！罗里吧嗦这么一堆 这就是所谓的自适应！整一个循环如图二所示。自适应方法千千万万，每个方法都是因为之前的方法在某个应用场景下不足被提出来的，这就是之前说的学术界的无孔不钻。


图二：用自适应滤波器来识别系统


回顾了一下过去，你开始对人生有了新的领悟：对于任何一个很想认识的人，你都可以通过交流,从他/她那得到反馈来慢慢认识，最终你会了解TA。可是TA也有可能有离你远去的一天，而你也有可能得去认识一个新的朋友。但是你不用从零开始去接触一TA，因为他们或多或少都有点类似之处，你可以捧着之前积累的经验，去了解TA。这也就是说这个自适应算法对于时变的系统也是可以去识别的。

现在可以回归自适应主动降噪的话题了。对于那个善变的P(z)，我们可以用自适应滤波器去降伏它！


图三：自适应前馈ANC的大致结构图



图四：Filtered-x LMS自适应前馈ANC的大致结构图




图五：基于心理声学的自适应前馈ANC的大致结构图

这些算法看上去很不错，但现实却是很骨感。每次看学术论文的时候，大家都会习惯性地被它们神一般的算法和优美的结论吸引，总是会忽略各个所用方法的前提：“在xxx条件下”。当然，这个前馈自适应滤波器的使用是有前提的。挑个重点说吧，就是Ref mic 和 Error mic 收到的信号得是高度相关的。大家别笑，不要觉得这两个信号不相关不可能。那可不一定，一切皆有可能，举个现实生活中例子：某调皮的用户戴着降噪耳机，这个时候拿住耳机上下左右滑动和耳朵做摩擦，额。。。这个和滑板鞋和地板的摩擦不一样。。。这种摩擦产生的声音很难被Ref mic录制到，但Error mic就会录到一个很大的声音。


你明明上交了一个很好的滤波器，结果却被老师劈头盖脸骂一顿，你不高兴了，就开始乱调系数了，一个不小心别说降噪了，给你来个升噪也是有可能的。


说到这里，有些人可能会说，明明有xx耳机公司是用LMS做的啊，并且在阅读很多关于耳机ANC的论文开篇就会提到LMS是经常用在降噪耳机里的一种方法。。。。。额。。。。。

那是因为LMS不一定要这么被实时的应用，它还可以被线下应用：



作者：S.Li

在德国流浪多年的声学博士生，主要研究课题有双耳声，心理声学，主动降噪等。


封面来源：

https://nieuws.audi.nl/adaptive-cruise-control-met-stopgo-functie/


参考

[1] S. S. Haykin, Adaptive filter theory, 3rd ed., ser. Prentice Hall information and system sciences series. Upper Saddle River, N.J.: Prentice Hall, 1996.

[2] S.M. Kuo, D.R. Morgan, Active Noise Control: A Tutorial Review Proceedings of the IEEE, 1999.

[3] Least mean squares filter, https://en.wikipedia.org/wiki/Least_mean_squares_filter

[4] H.Bao, I.M.S. Panahi, Using A-weighting for Psychoacoustic Active Noise Control, Conf. Proc IEEE Eng. Med. Biol. Soc. 2009