مدل کردن مجرا ١ با شبکه عصبیRBF تعمیم یافته در حذف فعال نویز باند باریک فرکانس متغیر

سال انتشار: 1383
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,178

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICS06_026

تاریخ نمایه سازی: 18 تیر 1391

چکیده مقاله:

حذف نویز آکوستیکی ANC، در یک مجرا دارای ماهیت غیرخطی است . بنابراین فیلترهای وفقی خطی همچون LMS قادر به حذف فعال نویزهای آکوستیکی نیستند . به دلیل ردیابی خوب فیلترLMS در یک محیط نویزی، الگوریتم خطی FX-LMS بعنوان یک روش پایه در ANC ارائه شده است که به نحوی ماهیت غیرخطی مجرا را مدل می کند . در این مقاله نشان داده م یشود که با مدل کردن مجرا بوسیل هی شبکه ی عصبی RBF تعمیم یافته ٥ که توانایی مدل کردن رفتار غیرخطی را دارد می توان با یک فیلتر وفقی LMS خطی، نویز باند باریک فرکانس متغیر یک مجرا را بهتر از الگوریت م FX-LMS حذف کرد. در این روش ابتدا مجرا با یک شبکه ی عصبی RBF تعمیم یافته، شناسایی م ی شود . سپس با اعمالN تاخیرزمانی از سیگنال ورودی بهNشبکه ی عصبیRBF تعمیم یافته و بوسیله ی یک ترکیب کننده ی خطی در خروجی آنها، شناساییسیستم غ یرخطی بصورت برخط امکان پذیر می شود. وزن های ترکیب کننده ی خطی با الگوریتم NLMS بهنگام می شوند روش ارائه شده در مقا یسه با الگوریتمFX-LMSبیش از ٣ بار سریعتر و ٣٠ درصد خطای کمتری دارد . همچنین تغییر فرکانس ورودی سبب واگرایی الگوریتم معمولFX-LMS می شود، حال آنکه روش پیشنهادی همگرا م یشود

کلیدواژه ها:

شبکه های عصبیRBF شبکه های تاخیر زمانی تعمیم یافته ، الگوریتمFX-LMS خوشه بندی فازی

نویسندگان

هادی صدوقی یزدی

بخش مهندسی برق، دانشگاه تربیت مدرس

احمد مردانی مهرآباد

شرکت مخابرات استان تهران

محمدرضا کرمی

بخش مهندسی برق، دانشگاه مازندران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • S.M. kuo, D.R.morgan , "Active Noise Control: A Tutorial Review, ...
  • L.J.Eriksson, M.C.Allie, R.A.Greiner, The selection and application of an IIR ...
  • P.Lveg, "Process of silencing sound oscillations, " U.S.Patent 2043416, June ...
  • L.J.Eriksson and M.C.Allie, "System Considerations for Adaptive Modeling Applied to ...
  • M.Bouchard, F.Yu, "Inverse Structure for Active Noise Contro] and Combined ...
  • S.J.Elliott and P.A.Nelson, :Active Noise Control, " IEEE Signal Processing, ...
  • D.R.Morgan, "Analysis of Multiple Correlation Cancellation Loop With a Filter ...
  • J.C.Burgess, "Active Adaptive Sound Control in a Duct: A Computer ...
  • B. Rafaely, J. Carrilho and ? Gardonio, _ active noise-reducing ...
  • Kuo et al, "Design of Active noise control systems with ...
  • M.Bouchard , B.Paillard, C.T.Le Dinch, "Improved Training of Neural Networks ...
  • L.S.H Nagia, J. Sj oberg, "Efficient Training of Neural Nets ...
  • S.D.Snyder, N.Tanaka, "Active Control of Vibration Using a Neural Networks, ...
  • T.Wong , T. Lo , H .Leung, J. Litra, E.Bosse, ...
  • N .W.Longinow, "Predicting pilot Look_Angle with a Radial Bas, Function ...
  • S .Tan, j .Hao, j .Vandewalle, "Stable and Efficient Neural ...
  • S.Clen, "Nonlinear Time Series Modeling and Prediction Using Gaussian RBF ...
  • E.S .Chny, S .Chen, B .Mulgrew, "Gradient Radial Basis Function ...
  • M.R.Berthold, "A Time Delay Radial Basis Function Network for Phoneme ...
  • Z.Ryad, R.Daniel, Z.Noureddine, "The RRBF Dynamic Representation of Time in ...
  • S.Haykin, :Neural Networks Ac omprehensive Foundation, MacMillan College Publishing Company, ...
  • Bijan Sayyarradsari, Janathan P.How, Babak Hassibi, and Alian Carrier, "An ...
  • E.Bjarnason , "Analysis of the Filtered-X LMS Algorithm, " IEEE ...
  • M.Rupp, "Saving Complexity of Modified Filtered-X-LN S and Delayed Update ...
  • Seng Kah Phooi, Man Zhihong, H.R.Wu , "Nonlinear Active Noise ...
  • نمایش کامل مراجع