بررسي و مقايسه عملكرد شبكه‌هاي عصبي پيشرو و بازگشتي در كنترل فعال نويز صوتي

Evaluation of the Performance of Feedforward and Recurrent Neural Networks in Active Cancellation of Sound Noise

كنترل فعال نويز صوتي براساس توليد يك سيگنال نويز ديگر و تداخل آن با نويز اصلي انجام مي‌شود. سيگنال توليد‌شده داراي دامنه‌اي برابر با نويز اصلي و 180 درجه اختلاف فاز نسبت به آن مي‌باشد. در اين مقاله، كنترل فعال نويز صوتي با استفاده از شبكه‌هاي عصبي پيشرو و بازگشتي انجام شده و عملكرد شبكه‌ها در كاهش نويز مورد بررسي و مقايسه قرار مي‌گيرد. شبكه‌هاي عصبي پيشرو و بازگشتي با نويزهاي صوتي موجود در پايگاه داده SPIB مورد آموزش و تست قرار مي‌گيرند. براي مقايسه‌ي دقيق‌تر عملكرد شبكه‌ها، از نمونه‌هاي مشابه براي آموزش و تست و همچنين پيچيدگي مشابه در ساختار شبكه‌ها استفاده مي‌شود. نتايج شبيه‌سازي‌ها توانايي مناسب شبكه‌هاي عصبي مورد بررسي را در كاهش نويز صوتي نشان مي‌دهد. همچنين مشاهده مي‌شود كه شبكه‌ي عصبي بازگشتي (Elman) عملكرد بهتري را در كاهش نويز صوتي نسبت به شبكه‌ي پيشرو دارد.

Active noise control is based on the destructive interference between the primary noise and generated noise from the secondary source. An antinoise of equal amplitude and opposite phase is generated and combined with the primary noise. In this paper, performance of the neural networks is evaluated in active cancellation of sound noise. For this reason, feedforward and recurrent neural networks are designed and trained. After training, performance of the feedforwrad and recurrent networks in noise attenuation are compared. We use Elman network as a recurrent neural network. For simulations, noise signals from a SPIB database are used. In order to compare the networks appropriately, equal number of layers and neurons are considered for the networks. Moreover, training and test samples are similar. Simulation results show that feedforward and recurrent neural networks present good performance in noise cancellation. As it is seen, the ability of recurrent neural network in noise attenuation is better than feedforward network.