حذف فعال نویز صوتی ضبط‌شده در اتاق موتورها با استفاده از شبکه‌های عصبی استاتیکی و دینامیکی

نویز صوتی حاصل از موتورخانه یک کشتی می‌تواند باعث ایجاد مزاحمت و ناراحتی برای خدمه کشتی در حین استراحت یا کارگران درون موتورخانه باشد. هم‌چنین نویز حاصل می‌تواند عوارض و آسیب‌های فراوانی را برای خدمه و مسافران کشتی ایجاد کند. کنترل فعال نویز بر پایه‌ی تولیدیک سیگنال نویز دیگر از یک منبع ثانویه و تداخل آن با نویز تولید‌شده از منبع اصلی استوار است.در اینمقاله، قصد بر آن است که کنترل فعال نویز صوتی با استفاده از شبکه‌های عصبی استاتیکی و دینامیکی و براساس ساختار فیدبک مورد بررسی و شبیه‌سازی قرار گیرد. برای این منظور، کنترل فعال نویز صوتی با استفاده از یک شبکه‌ی عصبی دینامیکی و شبکه‌های عصبیmlp و rbf که جزء شبکه‌های عصبی استاتیک هستند انجام شده و عملکرد این شبکه‌ها در کاهش نویز مورد بررسی و مقایسه قرار می‌گیرد. بنابر مطالعات انجام‌شده، تاکنون مقایسه‌ی دقیقی بین عملکرد شبکه‌های فوق در کنترل فعال نویز صوتی، تحت شرایط مشابه انجام نشده است. در این مقاله، با در نظر‌گرفتن شرایطی مشابه برای ساختار شبکه‌ها (تعداد لایه‌ها و تعداد نورون‌های برابر) و نیز استفاده از نویزهای صوتی مشابه، عملکرد شبکه‌ها در کاهش نویزمورد بررسی قرار می‌گیرد. نویزهای صوتی موجود در پایگاه داده‌یspibجهت انجام شبیه‌سازی‌ها مورد استفاده قرار می‌گیرند. نتایج شبیه‌سازی‌ها نشان می‌دهد کهبه دلیل آموزش شبکه‌های عصبی براساس نمونه‌های آموزشی و نمونه‌های تعیین اعتبار (توقف آموزش براساس overfitting)، شبکه‌های عصبی آموزش‌دیده عملکرد بسیار خوبی را در کاهش نویز صوتی نشان می‌دهند. علاوه‌برآن مشاهده می‌شود که شبکه‌ی دینامیکی استفاده‌شده و شبکه‌ی rbfعملکرد بهتری را در کاهش نویز صوتی نسبت به شبکه‌یmlpدارند و حدود db 1 نویز صوتی را بیشتر از شبکه‌ی mlp کاهش می‌دهند.

Active Cancellation of Engine Room Noise usingStatic and Dynamic Neural Networks

Ship interior noise produced by engine room disturbs the crews and the workers. Also, it causes lots of complications for the crews and the passengers in the ship. Active noise cancellation (ANC) is based on the destructive interference between the primary noise and generated noise from the secondary source. In this research, performance of the static and dynamic neural networks is evaluated in active cancellation of sound noise. For this reason, MLP and RBF are designed and trained as static neural networks. After training, performance of static and dynamic networks in noise attenuation are compared. In order to compare the networks appropriately, training and test sles are similar. Moreover, equal number of layers and neurons are considered for the networks. Noise signals from a SPIB database are used in simulation procedures. The simulation results show that designed neural networks present proper performance in ANC because of using training and validation sles in training process. As it is seen, the trained dynamic network and  RBF neural network show better performance in noise attenuation than MLP network and achieve 1 dB noise attenuation more than MLP network.