وبلاگ

:
نویز یك صوت ناخواسته می باشد. كه هر یك دارای یك سطح از قدرت می باشد. نویزهای با قدرت بالا آزاردهنده هستند و می توانند مضراتی برای سلامتی انسان، سیستم های مخابراتی و دیگر سیستم ها داشته باشند. با توجه به خصوصیات نویز مانند فركانس و خواص آماری آن مانند تابع خودهمبستگی، روش مناسبی برای آن انتخاب می شود.

روش كلاسیك حذف نویز، روش غیرفعال است كه در آن از عایق بندی صوتی استفاده می شود كه برای دسته خاصی از نویزها، آنها كه دارای فركانس بالا می باشند مورد استفاده قرار می گیرد. در روش الكترونیكی كه همان روش فعال نامیده می شود از كنترل كننده فعال نویز استفاده می شود كه این روش نیز برای نویزهایی با فركانس پائین مناسب است. در این كنترل كننده، هدف ایجاد نویزی برابر با نویز اصلی و فاز مخالف است تا بتواند با تركیب با نویز اولیه آنرا حذف نماید و ایجاد سكوت كند. برای این كار به یك بلندگو كه سیگنال كنترلی یا حذف كننده را پخش می كند و یك سنسور برای اندازه گیری خطا احتیاج میباشد. در روش كلاسیك استفاده از كنترل نویز فعال، از فیلترهای تطبیقی با ساختارهایی مانند FIR, IIR, Ladder,… و از الگوریتم هایی مانند LMS, n‐LMS, RLS, FX‐LMS,… برای ساختن یك كنترل كننده استفاده می شود. در این روش ها الگوریتم با استفاده از معیارهایی مانند بیشترین شیب نزولی ضرایب فیلترها را تعیین می كند.

در روش هوشمند برای ساختن كنترل كننده به جای فیلتر از شبكه های عصبی استفاده می كنیم و به جای الگوریتم های LMS,… از الگوریتم هایی مانند backpropagation, filtered‐X, backpropagation,… استفاده می كنیم. شبكه های عصبی به صورت موفقیت آمیزی به منظور تقریب، شناسایی و كنترل بر روی سیستم های دینامیك اعمال می شوند. شبكه های عصبی به خوبی می توانند در ساختارهای كنترلی نظیر Model predictive control , Adaptive inverse control , Nonlinear model control, Model reference control ایفای نقش كنند. زمانی كه از شبكه های عصبی استفاده می شود باید ابتدا وزن ها، بایاس ها، تعداد نرون ها، لایه ها، تعداد ورودی و خروجی مشخص گردد كه این وزن ها و بایاس ها توسط الگوریتم های آموزشی و داده های آموزشی در مرحله آموزش تعیین می شوند. در مرحله آموزش معمولاً داده های ورودی و خروجی مطلوب برای شبكه عصبی مشخص می شود. ساختار شبكه عصبی كه چگونگی اتصال نرون ها در یك لایه و از لایه ای به لایه دیگر را نشان می دهد بر اساس میزان سرعت و پیچیدگی و حجم شبكه بوجود آمده تعیین می شود. ساختارهای متعارف شبكه عصبی ساختار feedforward, recurrent,… می باشند. بعد از زمان آموزش و برای داده های بعدی كه به شبكه های عصبی وارد می شود این خود شبكه است كه برای خروجی تصمیم می گیرد. به همین جهت است كه شبكه های عصبی جزو روش های هوشمند به شمار می آیند. برای ایجاد یك كنترل كننده فعال نویز با شبكه عصبی باید از ساختار Model reference control استفاده نمود. در این ساختار دو شبكه عصبی وجود دارد. (الف) شبكه عصبی مدل پلنت (ب) شبكه عصبی كنترل كننده.
شبكه مدل پلنت برای در نظر گرفتن تاثیر مسیر ثانویه است و قبل از آموزش شبكه كنترل كننده باید آموزش ببیند. از طریق روش شناسایی سیستم، پلنت را مدل می كنیم. كنترل كننده را به گونه ای آموزش می دهیم كه بتواند سیگنال آنتی نویزی تولید كند كه از پلنت عبور كرده و در عین حال رفتار مدل مرجع را دنبال كند. این شبكه عصبی كنترل كننده با توجه به مسیری كه قرار است نویز طی كند یك سیگنال كنترلی تولید می كند كه این سیگنال پس از طی مسیر ثانویه با نویز اصلی تركیب شده و باید بتواند تا حدودی آن را خنثی نماید. از الگوریتم filtered‐x backpropagation برای آموزش كنترل كننده استفاده می كنیم. میزان موفقیت آمیز بودن حذف نویز توسط سنسور خطا اندازه گیری می شود. شبیه سازی ها را در حالت های مختلف و بر روی یك سیستم داكت با دو ورودی نویز متفاوت انجام می دهیم. همچنین سیستم را در دو حالت خطی و غیرخطی نیز بررسی خواهیم نمود.