语音小管家最近，南洋理工大学、西北工业大学、浙江大学联合在TASLP上发表了空间感知的多通道选择性主动噪声控制（Frequency-Direction Aware Multichannel Selective Fixed-Filter Active Noise Control）文章。该方法在多通道ANC系统中同时结合噪声频率与方向信息，利用多任务学习的神经网络实现快速精准的滤波器选择，在保证实时性的同时显著提升了复杂噪声环境下的全局降噪性能。
论文作者：罗正丁（南洋理工大学），石栋元老师（西北工业大学），苏惜若（浙江大学），Gan Woon-Seng老师（南洋理工大学）。
论文链接：
代码链接：https://github.com/Luo-Zhengding/FrequencyDirection-MCSFANC
选择性主动噪声控制方法（Selective Fixed-Filter Active Noise Control）方法因其高计算效率和快速响应而受到广泛关注。然而，现有的SFANC方法仅考虑噪声的频率信息，忽略了其空间信息，因此在噪声方向变化的情况下会降低降噪性能。而且，现有工作局限于单通道ANC系统中的局部噪声控制，在误差麦克风周围的局部降噪对于较大区域是不够的。为解决这些局限性，本文提出了频率-方向感知的多通道SFANC（FD-MCSFANC）方法，该方法结合了主噪声的频率和方向信息，在多通道ANC（MCANC）系统中实现精确的滤波器选择，而且实现更大的噪声消除区域。
作为SFANC方法的改进，FD-MCSFANC方法能够为具有不同频率成分和到达方向（DOA）的噪声选择合适的控制滤波器。特别是，滤波器的选择由通过多任务学习训练的卷积神经网络自动完成。在实时噪声控制过程中，一个协处理器运行CNN，为每一帧噪声选择合适的控制滤波器，而实时控制器则同时以逐样本的方式处理噪声信号。这两个单元之间的协同工作实现了无延迟的噪声控制。
通过多任务学习采用联合损失函数对CNN进行端到端训练：基于多任务学习的联合损失函数能够利用频率分类与方向分类之间的相互依赖性，从而提升模型的整体性能和效率。通过在两个任务上同时训练网络，模型能够学习到一种共享的特征表示。
神经网络训练后，FD-MCSFANC方法进行实时噪声控制的伪代码：
FD-MCSFANC方法的滤波器选择完全是数据驱动的，无需额外的先验知识或人工干预。实时处理器以逐点方式执行噪声控制。同时，协处理器利用CNN以帧率进行频率分类和方向分类。通过融合这两个分类任务的结果，从预训练的控制滤波器数据库中选择合适的控制滤波器，替换当前正在使用的滤波器，用于后续的噪声控制。
FD-MCSFANC系统由4个参考麦克风、2个次级声源和4个误差麦克风组成。值得注意的是，误差麦克风仅用于获取预训练的控制滤波器，在实时噪声控制过程中并不使用。
1.CNN的有效性：
CNN在测试数据集上频率分类的准确率达到98%，方向分类准确率达到99%。这表明该CNN能够在频率和方向两个维度上准确地对噪声进行分类。此外，该CNN模型仅使用了0.11M参数，处理时间快至8.52毫秒，满足实时处理的需求。其计算量适合部署在嵌入式系统或移动设备上。
2.控制宽带噪声和真实环境噪声：
FD-MCSFANC方法能够有效衰减具有不同频率和入射角度的宽带噪声及真实环境噪声，同时克服了自适应ANC算法收敛速度慢的问题。此外，与MCSFANC方法相比，该方法在应对方向变化的噪声时取得了更高的降噪水平。FD-MCSFANC方法的一个局限性在于采用了简单的均匀线性阵列作为参考麦克风的配置。在未来的工作中，我们将探索更复杂的麦克风阵列结构，以进一步评估并提升FD-MCSFANC方法的性能。
