پایان نامه ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا

اختصاصی از حامی فایل پایان نامه ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا دانلود با لینک مستقیم و پر سرعت .

مطالب این پست : دانلود پایان نامه :

پایان نامه ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا 101 صفحه  با فرمت ورد (دانلود متن کامل پایان نامه)

واحد بجنورد

دانشکده مهندسی

پایان نامه کارشناسی رشته مهندسی برق – الکترونیک

موضوع :

ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا

استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر

استاد راهنما :

جناب آقای موسوی تقی آبادی

نگارش :

مهدی ملاح – علی عابد تازه آبادی

چکیده

تاکنون برای حذف نویزهای آکوستیکی از روش های فعال[1] و غیر فعال[2]استفاده شده است. برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر 500 هرتز)، حذف و یا کاهش داد. در روش فعال از سیستمی استفاده می شود که شامل یک فیلتر وفقی است. به دلیل ردیابی خوب فیلتر [3]LMS در محیط نویزی، الگوریتم FXLMS[4] بعنوان روشی پایه ارائه شده است. اشکال الگوریتم مذکور این است که در مسائل کنترل خطی استفاده می شود. یعنی اگر فرکانس نویز متغیر باشد و یا سیستم کنترلی بصورت غیرخطی کار کند، الگوریتم فوق به خوبی کار نکرده و یا واگرا می شود.

بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم که قابلیت حذف نویز، با فرکانس متغیر، در یک مجرا و در کوتاه‌ترین زمان ممکن را دارد. برای دستیابی به آن می توان از یک گام حرکت وفقی بهینه () در الگوریتم FXLMS استفاده کرد. به این منظور محدوده ی گام حرکت بهینه در فرکانس های 200 تا 500 هرتز را در داخل یک مجرا محاسبه کرده تا گام حرکت بهینه بر حسب فرکانس ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی بوسیله ی الگوریتم MUSIC[5] ، را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در کوتاه‌ترین زمان، ممکن شود. در نهایت خواهیم دید که الگوریتم FXLMS معمولی با گام ثابت با تغییر فرکانس واگرا شده حال آنکه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فرکانس متغیر را فراهم می آورد.

همچنین‌به دلیل‌ماهیت غیرخطی سیستم‌های‌ANC ، به ارائه‌ی نوعی شبکه‌ی عصبی‌ RBF TDNGRBF ) [6] ( می‌پردازیم که توانایی مدل کردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریک فرکانس متغیر در یک مجرا استفاده کرده و نتایج آن را با الگوریتم FXLMS مقایسه می کنیم. خواهیم دید که روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (3 برابر) و خطای کمتری (30% کاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یک شبکه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبکه ی GRBF (با ترکیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امکان پذیر می شود. ضرایب بکار رفته در ترکیب خطی با استفاده از الگوریتم [7]NLMS بهینه می شوند.

[1] -Active

[2] -passive

[3] -Least mean square

4- Filter- x LMS

5 -Multiple signal classification

6 -Time Delay N- Generalized Radial Basis Function

[7] -Normalized LMS

متن کامل را می توانید دانلود کنید چون فقط تکه هایی از متن این پایان نامه در این صفحه درج شده است(به طور نمونه)

ولی در فایل دانلودی متن کامل پایان نامه

همراه با تمام ضمائم با فرمت ورد که ویرایش و کپی کردن می باشند

موجود است

پایان نامه ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا

اختصاصی از حامی فایل پایان نامه ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا دانلود با لینک مستقیم و پر سرعت .

مطالب این پست : دانلود پایان نامه :

پایان نامه ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا 101 صفحه  با فرمت ورد (دانلود متن کامل پایان نامه)

واحد بجنورد

دانشکده مهندسی

پایان نامه کارشناسی رشته مهندسی برق – الکترونیک

موضوع :

ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا

استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر

استاد راهنما :

جناب آقای موسوی تقی آبادی

نگارش :

مهدی ملاح – علی عابد تازه آبادی

چکیده

تاکنون برای حذف نویزهای آکوستیکی از روش های فعال[1] و غیر فعال[2]استفاده شده است. برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر 500 هرتز)، حذف و یا کاهش داد. در روش فعال از سیستمی استفاده می شود که شامل یک فیلتر وفقی است. به دلیل ردیابی خوب فیلتر [3]LMS در محیط نویزی، الگوریتم FXLMS[4] بعنوان روشی پایه ارائه شده است. اشکال الگوریتم مذکور این است که در مسائل کنترل خطی استفاده می شود. یعنی اگر فرکانس نویز متغیر باشد و یا سیستم کنترلی بصورت غیرخطی کار کند، الگوریتم فوق به خوبی کار نکرده و یا واگرا می شود.

بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم که قابلیت حذف نویز، با فرکانس متغیر، در یک مجرا و در کوتاه‌ترین زمان ممکن را دارد. برای دستیابی به آن می توان از یک گام حرکت وفقی بهینه () در الگوریتم FXLMS استفاده کرد. به این منظور محدوده ی گام حرکت بهینه در فرکانس های 200 تا 500 هرتز را در داخل یک مجرا محاسبه کرده تا گام حرکت بهینه بر حسب فرکانس ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی بوسیله ی الگوریتم MUSIC[5] ، را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در کوتاه‌ترین زمان، ممکن شود. در نهایت خواهیم دید که الگوریتم FXLMS معمولی با گام ثابت با تغییر فرکانس واگرا شده حال آنکه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فرکانس متغیر را فراهم می آورد.

همچنین‌به دلیل‌ماهیت غیرخطی سیستم‌های‌ANC ، به ارائه‌ی نوعی شبکه‌ی عصبی‌ RBF TDNGRBF ) [6] ( می‌پردازیم که توانایی مدل کردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریک فرکانس متغیر در یک مجرا استفاده کرده و نتایج آن را با الگوریتم FXLMS مقایسه می کنیم. خواهیم دید که روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (3 برابر) و خطای کمتری (30% کاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یک شبکه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبکه ی GRBF (با ترکیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امکان پذیر می شود. ضرایب بکار رفته در ترکیب خطی با استفاده از الگوریتم [7]NLMS بهینه می شوند.

[1] -Active

[2] -passive

[3] -Least mean square

4- Filter- x LMS

5 -Multiple signal classification

6 -Time Delay N- Generalized Radial Basis Function

[7] -Normalized LMS

متن کامل را می توانید دانلود کنید چون فقط تکه هایی از متن این پایان نامه در این صفحه درج شده است(به طور نمونه)

همراه با تمام ضمائم با فرمت ورد که ویرایش و کپی کردن می باشند

موجود است

پایان نامه ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغی

اختصاصی از حامی فایل پایان نامه ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر دانلود با لینک مستقیم و پر سرعت .

تعداد  صفحات : 101   
فرمت فایل: word(قابل ویرایش)  
 فهرست مطالب:

چکیده
فصل صفر: مقدمه
    1
2
فصل اول: مقدمه ای بر کنترل نویز آکوستیکی    7
1-1) مقدمه     8
1-2) علل نیاز به کنترل نویزهای صوتی (فعال و غیر فعال)    9
1-2-1) بیماری های جسمی     9
1-2-2) بیماری های روانی     9
1-2-3) راندمان و کارایی افراد    9
1-2-4) فرسودگی     9
1-2-5) آسایش و راحتی     9
1-2-6 جنبه های اقتصادی     10
1-3) نقاط ضعف کنترل نویز به روش غیرفعال    10
1-3-1) کارایی کم در فرکانس های پایین     10
1-3-2) حجم زیاد عایق های صوتی     10
1-3-3) گران بودن عایق های صوتی     10
1-3-4) محدودیت های اجرایی     10
1-3-5) محدودیت های مکانیکی     10
1-4) نقاط قوت کنترل نویز به روش فعال     11
1-4-1) قابلیت حذف نویز در یک گسترده ی فرکانسی وسیع    11
1-4-2) قابلیت خود تنظیمی سیستم    11
1-5) کاربرد ANC در گوشی فعال     11
1-5-1) تضعیف صدا به روش غیر فعال در هدفون     12
1-5-2) تضعیف صدا به روش آنالوگ در هدفون    13
1-5-3) تضعیف صوت به روش دیجیتال در هدفون    15
1-5-4) تضعیف صوت به وسیله ی ترکیب سیستم های آنالوگ و دیجیتال در هدفون     16
1-6) نتیجه گیری    17

فصل دوم: اصول فیلترهای وفقی     
18
2-1) مقدمه     19
2-2) فیلتر وفقی     20
2-2-1) محیط های کاربردی فیلترهای وفقی     22
2-3) الگوریتم های وفقی     25
2-4) روش تحلیلی    25
2-4-1) تابع عملکرد سیستم وفقی     26
2-4-2) گرادیان یا مقادیر بهینه بردار وزن     28
2-4-3) مفهوم بردارها و مقادیر مشخصه R روی سطح عملکرد خطا     30
2-4-4) شرط همگرا شدن به٭ W    32
2-5) روش جستجو     32
2-5-1) الگوریتم جستجوی گردایان     32
2-5-2) پایداری و نرخ همگرایی الگوریتم     35
2-5-3) منحنی یادگیری     36
2-6) MSE اضافی     36
2-7) عدم تنظیم     37
2-8) ثابت زمانی     37
2-9) الگوریتم LMS    38
2-9-1) همگرایی الگوریتم LMS    39
2-10) الگوریتم های LMS اصلاح شده     40
2-10-1) الگوریتم LMS نرمالیزه شده (NLMS)     41
2-10-2) الگوریتم های وو LMS علامتدار وو (SLMS)     41
2-11) نتیجه گیری     43

فصل سوم: اصول کنترل فعال نویز     
44
3-1) مقدمه                                                                                                                                           45
3-2) انواع سیستم های کنترل نویز آکوستیکی                                                                                  45
3-3) معرفی سیستم حذف فعال نویز تک کاناله                                                                               47
3-4) کنترل فعال نویز به روش پیشخور                                                                                            48
3-4-1) سیستم ANC پیشخور باند پهن تک کاناله     49
3-4-2) سیستم ANC پیشخور باند باریک تک کاناله     50
3-5) سیستم های ANC پسخوردار تک کاناله     51
3-6) سیستم های ANC چند کاناله    52
3-7) الگوریتم هایی برای سیستم های ANC پسخوردار باند پهن    53
3-7-1) اثرات مسیر ثانویه    54
3-7-2) الگوریتم FXLMS    57
3-7-3) اثرات فیدبک آکوستیکی    61
3-7-4) الگوریتم Filtered- URLMS    66
3-8) الگوریتم های سیستم ANC پسخوردار تک کاناله     69
3-9) نکاتی درباره ی طراحی سیستم های ANC تک کاناله     70
3-9-1) نرخ نمونه برداری و درجه ی فیلتر    72
3-9-2) علیت سیستم    73
3-10) نتیجه گیری    74

فصل چهارم: شبیه سازی سیستم ANC تک کاناله    
75
4-1) مقدمه     76
4-2) اجرای الگوریتم FXLMS    76
4-2-1) حذف نویز باند باریک فرکانس ثابت    76
4-2-2) حذف نویز باند باریک فرکانس متغیر    81
4-3) اجرای الگوریتم FBFXLMS    83
4-4) نتیجه گیری     85

فصل پنجم: کنترل غیرخطی نویز آکوستیکی در یک ماجرا    
86
5-1) مقدمه    87
5-2) شبکه عصبی RBF    88
5-2-1) الگوریتم آموزشی در شبکه ی عصبی RBF     90
5-2-2) شبکه عصبی GRBF    93
5-3) شبکه ی TDNGRBF    94
5-4) استفاده از شبکه ی TDNGRBF در حذف فعال نویز    95
5-5) نتیجه گیری     98
فصل ششم: نتیجه گیری و پیشنهادات     
99
6-1) نتیجه گیری     100
6-2) پیشنهادات     101
مراجع     I

چکیده
تاکنون برای حذف نویزهای آکوستیکی از روش های فعال  و غیر فعال استفاده شده است. برخلاف روش غیر فعال می‌توان بوسیله‌ی روش فعال، نویز را در فرکانس های پایین (زیر 500 هرتز)، حذف و یا کاهش داد. در روش فعال از سیستمی استفاده می شود که شامل یک فیلتر وفقی است. به دلیل ردیابی خوب فیلتر  LMS در محیط نویزی، الگوریتم FXLMS  بعنوان روشی پایه ارائه شده است. اشکال الگوریتم مذکور این است که در مسائل کنترل خطی استفاده می شود. یعنی اگر فرکانس نویز متغیر باشد و یا سیستم کنترلی بصورت غیرخطی کار کند، الگوریتم فوق به خوبی کار نکرده و یا واگرا می شود.
بنابراین در این پایان نامه، ابتدا به ارائه ی گونه ای از الگوریتم FXLMS می پردازیم که قابلیت حذف نویز، با فرکانس متغیر، در یک مجرا و در کوتاه‌ترین زمان ممکن را دارد. برای دستیابی به آن می توان از یک گام حرکت وفقی بهینه ( ) در الگوریتم FXLMS استفاده کرد. به این منظور محدوده ی گام حرکت بهینه در فرکانس های 200 تا 500 هرتز را در داخل یک مجرا محاسبه کرده تا گام حرکت بهینه بر حسب فرکانس ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی به صورت یک منحنی اسپلاین مدل شود. حال با تخمین فرکانس سیگنال ورودی بوسیله ی الگوریتم MUSIC  ،  را از روی منحنی برازش شده، بدست آورده و آن را در الگوریتم FXLMS قرار می‌دهیم تا همگرایی سیستم در کوتاه‌ترین زمان، ممکن شود. در نهایت خواهیم دید که الگوریتم FXLMS معمولی با گام ثابت با تغییر فرکانس واگرا شده حال آنکه روش ارائه شده در این پایان نامه قابلیت ردگیری نویز با فرکانس متغیر را فراهم می آورد.
همچنین‌به دلیل‌ماهیت غیرخطی سیستم‌های‌ANC  ، به ارائه‌ی نوعی شبکه‌ی عصبی‌ RBF   TDNGRBF )   ( می‌پردازیم که توانایی مدل کردن رفتار غیرخطی را خواهد داشت. سپس از آن در حذف نویز باند باریک فرکانس متغیر در یک مجرا استفاده کرده و نتایج آن را با الگوریتم FXLMS مقایسه می کنیم. خواهیم دید که روش ارائه شده در مقایسه با الگوریتم FXLMS، با وجود عدم نیاز به تخمین مسیر ثانویه، دارای سرعت همگرایی بالاتر (3 برابر) و خطای کمتری (30% کاهش خطا) است. برای حذف فعال نویز به روش TDNGRBF، ابتدا با یک شبکه ی GRBF به شناسایی مجرا می‌پردازیم. سپس با اعمال N تاخیر زمانی از سیگنال ورودی به N شبکه ی GRBF (با ترکیب خطی در خروجی آنها)، شناسایی سیستم غیرخطی بصورت بر خط امکان پذیر می شود. ضرایب بکار رفته در ترکیب خطی با استفاده از الگوریتم  NLMS بهینه می شوند.