ICASSP 2026 - 噪声控制
共 1 篇论文
| 排名 | 论文 | 评分 | 分档 |
|---|---|---|---|
| 🥇 | A Noval Monte Carlo Gradient Method Based on Meta-Learning f | 6.5分 | 前50% |
📋 论文详情
🥇 A Noval Monte Carlo Gradient Method Based on Meta-Learning for Effective Step-Size Selection in Active Noise Control
✅ 6.5/10 | 前50% | #噪声控制 | #元学习 | #信号处理 #自适应滤波器
👥 作者与机构
- 第一作者：Luyuan Li（西北工业大学 智能声学与沉浸式通信中心）
- 通讯作者：未明确说明（根据惯例，可能为通讯单位NTU的Woon-seng Gan，但论文中未明确标注）
- 作者列表：Luyuan Li（西北工业大学）、Jisheng Bai（西安邮电大学 通信与信息工程学院）、Xiruo Su（浙江大学 网络多媒体技术浙江省重点实验室）、Xiaoyi Shen（中国科学院声学研究所 声学与海洋信息国家重点实验室）、Dongyuan Shi（西北工业大学）、Woon-seng Gan（南洋理工大学 电气与电子工程学院）
💡 毒舌点评
这篇论文巧妙地将元学习“学会学习”的思想应用于解决ANC中“如何选步长”这个痛点，想法很有趣，且理论上不增加在线计算负担是很大亮点。不过，验证它的实验停留在仿真阶段，缺少在真实降噪耳机或车载产品上的“真枪实弹”检验，说服力打了个折扣；而且“无代码无数据”的状态，让想复现的同行基本无从下手。
📌 核心摘要
- 要解决什么问题：经典的FxLMS算法在主动噪声控制中，其性能高度依赖步长参数μ的选择。传统变步长方法经验性强、泛化能力有限，且会增加计算负担。
- 方法核心：提出一种基于蒙特卡洛梯度的元学习（MCGM）方法。核心思想是：在FxLMS算法运行前，利用当前环境下的噪声数据（通过蒙特卡洛采样构造多个任务），通过梯度下降离线“学习”一个最优的固定步长μ。方法中引入了遗忘因子λ，以减轻控制滤波器初始化为零带来的“初始零效应”影响。
- 与已有方法相比新在哪里：
- 理念新：将步长选择视为一个可学习的元问题，而非在线调整或经验设定。
- 机制新：利用蒙特卡洛采样模拟任务分布，结合梯度下降直接优化步长参数，而非设计复杂的步长函数。
- 负担低：学习过程在算法运行前完成，不增加FxLMS在线运行时的计算量，这与多数变步长方法不同。
- 主要实验结果：在仿真中，使用了真实声学路径和多种真实噪声（直升机、交通、手推车、街道噪声）。实验表明：
- MCGM方法在宽带噪声下，收敛速度和稳态降噪量均优于理论步长、归一化步长、变步长和组合步长方法（图4）。
- 在四种真实世界噪声下，MCGM方法均能达到约40 dB的平均降噪量，而其他方法只在特定噪声类型下表现良好（图5）。
- 当次级路径发生10%-30%的失配时，MCGM方法仍能保持较好的降噪性能，表现出一定鲁棒性（图6）。
- （注：论文中所有图表均为曲线图，未提供包含具体数值的对比表格。）
- 实际意义：为ANC系统提供了一种自动化、低计算开销的步长优化方案，有望提升FxLMS算法在不同噪声环境下的适应性和初始收敛速度，对实际ANC产品（如耳机、汽车座椅）的快速降噪有潜在应用价值。
- 主要局限性：
- 实验仅限于仿真环境，未在真实硬件原型（如降噪耳机）上验证。
- 训练数据依赖于当前环境噪声的采样，对于噪声统计特性突变的场景，是否需要重新训练未讨论。
- 论文未公开代码和数据，可复现性差。