Search

In this work we explore online secondary path modelling (SPM) in the context of spatial active noise control (ANC). Specifically, we are interested in the reduction of broadband noise over a three-dimensional region, without restrictions on microphone and loudspeaker array placement. As spatial ANC generally requires many channels, both ANC and SPM methods must have low computational cost. The SPM methods are intended to be used with a specific spatial ANC algorithm based on kernel interpolation. By incorporating SPM, the spatial ANC method is enabled to operate under timevarying secondary paths. Four SPM methods are considered in detail, of which three are based on the auxiliary noise technique. Descriptions of the algorithms are presented for the multichannel case, in addition to block-based implementations taking advantage of the fast Fourier transform to drastically reduce computational cost. Impulse responses to simulate a soundfield are recorded using a programmable robot arm. The algorithms are evaluated through simulations to show their respective strengths and weaknesses. It is found that the auxiliary noise based SPM methods have good convergence properties for both control filter and secondary path estimate, although the auxiliary noise’s degrading effect on the residual noise leads to a similar total noise reduction as the auxiliary noise free method. For all algorithms, the noise control performance worsens, and the convergence time increases by more than an order of magnitude, compared to when the secondary paths are known. It is verified that the kernel interpolation based spatial ANC method successfully reduces noise over a region even when used with online SPM. I detta projekt undersöks sekundärvägsmodellering för spatial aktiv brusreducering. Fokus ligger på minskning av brus över en tredimensionell region, för metoder utan några restriktioner när det gäller mikrofon- och högtalarplacering. Efterssom spatial brusreducering generellt kräver många kanaler, behöver både sekundärvägsmodellering samt brusreducering ha mycket låg beräkningskostnad. Metoderna för sekundärvägsmodellering är menade att användas tillsammans med en specifik spatial brusreduceringsalgoritm baserad på kärninterpolation. Genom att inkludera sekundärvägsmodellering kan den spatiala brusreduceringsmetoden operera även då sekundärvägarna är tidsvarierande. Fyra metoder för sekundärvägsmodellering är undersökta i detalj, tre av vilka är baserade på auxiliärbrusprincipen. Dessa algoritmer är beskrivna för multikanalsfallet, tillsammans med blockbaserade implementationer som utnyttjar den snabba Fouriertransformen för att drastiskt minska sina beräkningskostader. Impulssvar som kan användas för att simulera ett ljudfält är inspelade med hjälp av en programmerbar robotarm. Algoritmerna är utvärderade genom simuleringar för att visa deras respektive styrkor och svagheter. Experimenten visade att de algoritmer som använder sig av auxiliärbrus har bra konvergenskaraktäristik för både kontrollfilter och sekundärvägsestimat. Däremot, på grund av auxiliärbrusets negativa inverkan på residualbruset i rummet, är den totala brusreduceringen snarlik det den auxiliärbrusfria metoden ger. För alla algoritmer blir brusreduceringen försämrad och konvergenstiden ökad med mer än en storleksordning när sekundärvägsmodellering används, jämfört med när sekundärvägarna är kända. Det verifierades också att den spatiala brusreduceringsmetoden baserad på kärninterpolation kan reducera brus över en region även när den används tillsammans med sekundärvägsmodellering.

Despite advances in Deep Reinforcement Learning, multi-agent systems remain somewhat unexplored, in comparison to single-agent systems, with few clear conclusions. In order to investigate this, two algorithms have been implemented and tested on a simple multi-agent system: Deep Q Learning with several improvements (EDQN) and Asynchronous Advantage ActorCritic (A3C). The result shows that with an increasing number of agents, learning a well performing policy takes more time. When only a few agents are used, the performance of both algorithms when fully trained is similar and could be viewed as satisfactory. With more than 3-4 agents the performance of the A3C algorithm decreases while EDQN maintains its good performance. Certain hyperparameters of these algorithms have been investigated and the results have been presented. In conclusion EDQN performs better than A3C with multiple agents. For both algorithms, there is a strong sensitivity with regards to the hyperparameters.