基于智能声波识别的主动降噪方法与流程

本发明涉及降噪领域，尤其涉及一种基于智能声波识别的主动降噪方法。

背景技术：

1、在相关技术中，现有的主动降噪耳机的降噪技术中中，外部噪声首先被参考麦克风拾取，得到参考噪声信号。参考噪声信号经过anc滤波器滤波后产生反相噪声信号供扬声器播放，扬声器播放的反相噪声抵消外部噪声，未抵消的外部噪声作为残余噪声，被误差麦克风拾取，得到误差噪声信号，进而被自适应控制器用来更新anc滤波器的系数，从而使得反相噪声更好地抵消外部噪声在耳机内部的影响。在外部声音环境比较复杂的情况下，用户在使用耳机时既要抑制外部噪声，又不想错过有用的声波，但是现有的anc滤波器会把语有用声波和噪声一起消除，如要接收有用声波就需要关闭耳机的降噪功能，这导致用户体验较差。

2、公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

1、本发明实施例提供一种基于智能声波识别的主动降噪方法，通过将马尔科夫预测模型与神经网络模型结合，构建智能声波识别模型，根据训练函数对智能声波识别模型进行训练，智能声波识别模型可以对声波进行智能识别，判断声波是否属于噪音，解决了用户在复杂声波环境下，难以接收到有用声波的技术问题。

2、根据本发明的实施例的第一方面，提供一种基于智能声波识别的主动降噪方法，包括：

3、通过声音采集设备采集历史噪声数据、实时检测声波数据；

4、根据神经网络预测方法进行建模，构建神经网络模型；

5、根据马尔科夫预测方法进行建模，构建马尔科夫预测模型；

6、将所述马尔科夫预测模型与神经网络模型结合，构建智能声波识别模型；

7、根据所述历史噪声数据和实时检测声波数据，确定训练函数；

8、根据所述训练函数对智能声波识别模型进行训练，获得训练后的智能声波识别模型；

9、根据所述训练后的智能声波识别模型对实时检测声波数据进行模拟，确定噪声判断评分；

10、根据噪声判断评分，确定实时检测声波是否属于噪声；

11、在判断结果为属于噪声时，进行主动降噪。

12、根据本发明，通过声音采集设备采集历史噪声数据、实时检测声波数据，包括：

13、通过历史噪声数据和实时检测声波数据，确定历史噪声和实时检测声波的振幅；

14、通过历史噪声数据和实时检测声波数据，确定历史噪声和实时检测声波的相位；

15、通过历史噪声数据和实时检测声波数据，确定历史噪声和实时检测声波的频率。

16、根据本发明，通过历史噪声数据和实时检测声波数据，确定历史噪声和实时检测声波的相位，包括：

17、根据所述历史噪声和实时检测声波的相位，确定主动降噪所需白噪音。

18、根据本发明，根据所述历史噪声数据和实时检测声波数据，确定训练函数，包括：

19、根据公式

20、y＝k(α0+α1(a1-a2)+α2(f1-f2)+α3(a1-a2)(f1-f2))

21、确定训练函数，其中，k为预设权值，a1为历史噪声的振幅，a2为实时检测声波的振幅，f1为历史噪声的频率，f2为实时检测声波的频率，αm为训练函数参数，m≥0，m为正整数。

22、根据本发明，根据所述训练后的智能声波识别模型对实时检测声波数据进行模拟，确定噪声判断评分，包括：

23、根据公式

24、

25、确定噪声判断评分，β、ε为设定阈值，y’为预测结果。

26、根据本发明，根据噪声判断评分，确定实时检测声波是否属于噪声，包括：

27、当噪声判断评分为1时，确定实时检测声波属于噪声；

28、当噪声判断评分为0时，确定实时检测声波不属于噪声。

29、根据本发明，在判断结果为属于噪声时，进行主动降噪，包括：

30、通过滤波器进行滤波处理输出产生一个所述白噪音，使白噪音与噪音叠加，降低噪音的波幅。

31、根据本发明的实施例的第二方面，提供一种基于智能声波识别的主动降噪系统，包括：

32、数据采集模块，用于通过声音采集设备采集历史噪声数据、实时检测声波数据；

33、神经网络模块，用于根据神经网络预测方法进行建模，构建神经网络模型；

34、马尔科夫预测模块，用于根据马尔科夫预测方法进行建模，构建马尔科夫预测模型；

35、智能声波识别模块，用于将所述马尔科夫预测模型与神经网络模型结合，构建智能声波识别模型；

36、训练函数模块，用于根据所述历史噪声数据和实时检测声波数据，确定训练函数；

37、训练模块，用于根据所述训练函数对智能声波识别模型进行训练，获得训练后的智能声波识别模型；

38、噪声判断评分模块，用于根据所述训练后的智能声波识别模型对实时检测声波数据进行模拟，确定噪声判断评分；

39、判断模块，用于根据噪声判断评分，确定实时检测声波是否属于噪声；

40、降噪模块，用于在判断结果为属于噪声时，进行主动降噪。

41、根据本发明的实施例的第三方面，提供一种基于智能声波识别的主动降噪设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行所述基于智能声波识别的主动降噪方法。

42、根据本发明的实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述基于智能声波识别的主动降噪方法。

43、技术效果：根据本发明，通过将马尔科夫预测模型与神经网络模型结合，构建智能声波识别模型，根据历史噪声数据和实时检测声波数据，确定训练函数，根据训练函数对智能声波识别模型进行训练，智能声波识别模型可以对声波进行智能识别，判断声波是否属于噪音，在判断结果为属于噪声时，进行主动降噪，从而使用户处于复杂声波环境下，也可以接收到有用声波，提高了降噪的有效性和适用性。在确定训练函数时，可根据历史噪声数据和实时检测声波数据，确定训练函数，可判断历史噪声的数据与实时检测声波的数据的变化程度，提高了智能声波识别的准确性。在确定噪声判断评分时，可根据训练后的智能声波识别模型对实时检测声波数据进行模拟，确定噪声判断评分，将噪声的状况以评分的形式表现，提高了声波智能识别的客观性。

44、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本发明。根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将更清楚。

技术特征：

1.一种基于智能声波识别的主动降噪方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于智能声波识别的主动降噪方法，其特征在于，通过声音采集设备采集历史噪声数据、实时检测声波数据，包括：

3.根据权利要求2所述的基于智能声波识别的主动降噪方法，其特征在于，通过历史噪声数据和实时检测声波数据，确定历史噪声和实时检测声波的相位，包括：

4.根据权利要求1所述的基于智能声波识别的主动降噪方法，其特征在于，根据所述历史噪声数据和实时检测声波数据，确定训练函数，包括：

5.根据权利要求1所述的基于智能声波识别的主动降噪方法，其特征在于，根据所述训练后的智能声波识别模型对实时检测声波数据进行模拟，确定噪声判断评分，包括：

6.根据权利要求1所述的基于智能声波识别的主动降噪方法，其特征在于，根据噪声判断评分，确定实时检测声波是否属于噪声，包括：

7.根据权利要求1所述的基于智能声波识别的主动降噪方法，其特征在于，在判断结果为属于噪声时，进行主动降噪，包括：

8.一种基于智能声波识别的主动降噪系统，其特征在于，包括：

9.一种基于智能声波识别的主动降噪设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行如权利要求1-7所述的基于智能声波识别的主动降噪方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7所述的基于智能声波识别的主动降噪方法。

技术总结本发明提供一种基于智能声波识别的主动降噪方法，涉及降噪领域，所述方法包括：通过声音采集设备采集历史噪声数据、实时检测声波数据；根据神经网络预测方法进行建模，构建神经网络模型；根据马尔科夫预测方法进行建模，构建马尔科夫预测模型；将马尔科夫预测模型与神经网络模型结合，构建智能声波识别模型；根据历史噪声数据和实时检测声波数据，确定训练函数；根据训练函数进行训练，获得训练后的智能声波识别模型；根据训练后的智能声波识别模型对实时检测声波数据进行模拟，确定噪声判断评分；根据噪声判断评分，确定实时检测声波是否属于噪声；在判断结果为属于噪声时，进行主动降噪。根据本发明，可提高主动降噪时的降噪效果。技术研发人员：陈必涵,许勇,李金良受保护的技术使用者：广东华庄科技股份有限公司技术研发日：技术公布日：2024/4/17