능동 소음 제어를 위한 적응형 필터와 심층 신경망으로 이루어진 하이브리드 시스템

Abstract

능동 소음 제어 (Active noise control)는 과거에 주로 적응 필터 (adaptive filter)를 활용하여 외부 소음을 감소시키는 기술로 적용되어 왔지만 적응 필터의 고정된 길이 및 선형 연산으로 인해 성능의 한계와 고주파수 대역에서의 소음 감쇠에 취약했다. 최근 딥러닝을 통한 능동 소음 제어가 연구되며 이런 단점들은 해결되었지만, 학습되지 않은 1차 경로 (primary path)와 2차 경로 (secondary path)에 취약함을 보였다. 이렇게 심층 신경망은 적응 필터와 비교하여 새로운 단점을 마주한다. 본 연구는 적응 필터와 심층 신경망을 함께 이용하여 딥러닝을 통한 능동 소음 제어 수준의 성능과 1차 경로에 강인한 능동 소음 제어를 제안하며, 앞서 설명한 능동 소음 제어 방식 각각의 단점을 제거하며 장점만 남길 것을 목표로 한다. 해당 연구는 주파수 영역 블록 최소 평균 제곱 (Frequency-domain block least mean square) 알고리즘을 사용하는 적응 필터와 2개의 gated convolutional recurrent networks (GCRN)을 이용한다. 적응 필터는 1차 경로만을 모델링하고, 첫 번째 GCRN이 해당 결과 값의 잔차를 처리하며 스피커 (loudspeaker)와 2차 경로의 역까지 모델링한다. 두 번째 GCRN은 스피커와 2차 경로를 모델링하여 적응 필터가 1차 경로만을 추정하게 만든다. 추가적으로 능동 소음 제어는 1차 경로를 통과한 제거해야할 소음 (desired signal)과 2차 경로를 통과한 anti signal과의 time alignment가 중요하기 때문에 주파수 도메인의 능동 소음 제어 시스템에서는 causal 제약이 생긴다. 우리는 이를 해결하기 위해 reference signal에 delay를 보상하여 이용한다. NOISEX-92 데이터세트를 통한 테스트 결과로 제안된 시스템은 최근의 능동 소음 제어 방식을 능가함과 고주파수 대역에서의 소음 감쇠도 보여준다. 마지막으로 제안하는 모델은 1차 경로의 갑작스러운 변화에도 강인함을 나타내는 실험을 진행한다.