فایل ورد کامل ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا ۱۱۱ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا ۱۱۱ صفحه در word دارای ۱۱۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا ۱۱۱ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا ۱۱۱ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

---

بخشی از متن فایل ورد کامل ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا ۱۱۱ صفحه در word :

دانلود پروژه فایل ورد کامل ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا ۱۱۱ صفحه در word و استفاده هم زمان از فیلترهای وفقی و شبکه های عصبی در حالت فرکانس متغیر

نوع فایل: word
قابل ویرایش ۱۰۰صفحه

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 ۵۰۰ 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 ۲۰۰ تا ۵۰۰ 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 (۳ برابر) و خطای کمتری (۳۰% 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.

مقدمه:
نویزهای آکوستیکی موجود در محیط نه تنها تاثیر مستقیمی بر روی شنوایی افراد می گذارند، بلکه باعث کاهش راندمان و کارائی آنها، بیماری های جسمی از قبیل فشار خون، کاهش آسایش و راحتی افراد و فرسودگی در دستگاه ها می شوند. اگر چه مشکل سر و صدا نسبت به مساله آلودگی محیط با مواد آلوده کننده، توجه کمتری را به خود جلب می کند، اما امروزه آگاهی جامعه نسبت به انعکاس غیر بهداشتی اصوات بلند، بیش از همیشه وجود دارد. بنابراین تلاش های زیادی برای کاهش نویزهای آکوستیکی موجود در محیط شده است. بدین منظور روش های فعال و غیرفعال به کار می رود. بزرگترین مزیت موجود در روش فعال این است که برخلاف روش غیرفعال می توان نویز را در یک فضای کوچک و بخصوص در فرکانس های پایین (زیر ۵۰۰ هرتز)، کاهش داد [۱، ۶، ۱۶].
ایده اولیه کنترل فعال نویز توسط pual Lveg در سال ۱۹۳۶ برای حذف نویز در مجراها معرفی و تشریح گردید [۲]. این سیستم، صدای ناخواسته را بوسیله تولید یک موج صوتی مشابه (هم دامنه)، ولی با فاز مخالف از بین می برد. تداخل امواج نویزهای ناخواسته و موج ساخته شده، باعث حذف هر دو صدا می‌شود. اگر سیستم فعال، فاز و دامنه ی موج اولیه را به درستی تشخیص دهد، موفقیت در حذف نویز حاصل می شود.
علی رغم تحقیقات انجام شده در دهه ی ۱۹۵۰ بر روی سیستم های کنترل فعال نویز، به دلیل فقدان تکنولوژی لازم، این سیستم ها بصورت عملی پیشرفت قابل ملاحظه ای نکردند. اما در سال های بعد، با بکارگیری تکنیک های دیجیتالی به جای سیستم های پیچیده آنالوگ و بکارگیری علم پردازش سیگنال های دیجیتال، پیشرفت قابل ملاحظه ای حاصل شد. بگونه ای که امکان دستیابی به سیستم های ANC در کاربردهای گوناگون فراهم آمد [۳]. هم اکنون با پیدایش پردازنده های سریع سیگنال های دیجیتال ، امکان پیاده سازی سیستم های کنترل فعال نویز با استفاده از الگوریتم های مختلف محقق گردیده است.

فایل ورد کامل ارائه روش جدید جهت حذف نویز آکوستیکی در یک مجرا ۱۱۱ صفحه در word
فهرست مطالب:
چکیده
فصل صفر: مقدمه
فصل اول: مقدمه ای بر کنترل نویز آکوستیکی
مقدمه
علل نیاز به کنترل نویزهای صوتی (فعال و غیر فعال)
۱-۲-۱) بیماری های جسمی
۱-۲-۲) بیماری های روانی
۱-۲-۳) راندمان و کارایی افراد
۱-۲-۴) فرسودگی
۱-۲-۵) آسایش و راحتی
۱-۲-۶ جنبه های اقتصادی
نقاط ضعف کنترل نویز به روش غیرفعال
۱-۳-۱) کارایی کم در فرکانس های پایین
۱-۳-۲) حجم زیاد عایق های صوتی
۱-۳-۳) گران بودن عایق های صوتی
۱-۳-۴) محدودیت های اجرایی
۱-۳-۵) محدودیت های مکانیکی
نقاط قوت کنترل نویز به روش فعال
۱-۴-۱) قابلیت حذف نویز در یک گسترده ی فرکانسی وسیع
۱-۴-۲) قابلیت خود تنظیمی سیستم
کاربرد ANC در گوشی فعال
۱-۵-۱) تضعیف صدا به روش غیر فعال در هدفون
۱-۵-۲) تضعیف صدا به روش آنالوگ در هدفون
۱-۵-۳) تضعیف صوت به روش دیجیتال در هدفون
۱-۵-۴) تضعیف صوت به وسیله ی ترکیب سیستم های آنالوگ و دیجیتال در هدفون
نتیجه گیری
فصل دوم: اصول فیلترهای وفقی
۲-۱) مقدمه
۲-۲) فیلتر وفقی
۲-۲-۱) محیط های کاربردی فیلترهای وفقی
۲-۳) الگوریتم های وفقی
۲-۴) روش تحلیلی
۲-۴-۱) تابع عملکرد سیستم وفقی
۲-۴-۲) گرادیان یا مقادیر بهینه بردار وزن
۲-۴-۳) مفهوم بردارها و مقادیر مشخصه R روی سطح عملکرد خطا
۲-۴-۴) شرط همگرا شدن به W
۲-۵) روش جستجو
۲-۵-۱) الگوریتم جستجوی گردایان
۲-۵-۲) پایداری و نرخ همگرایی الگوریتم
۲-۵-۳) منحنی یادگیری
۲-۶) MSE اضافی
۲-۷) عدم تنظیم
۲-۸) ثابت زمانی
۲-۹) الگوریتم LMS
۲-۹-۱) همگرایی الگوریتم LMS
۲-۱۰) الگوریتم های LMS اصلاح شده
۲-۱۰-۱) الگوریتم LMS نرمالیزه شده (NLMS)
۲-۱۰-۲) الگوریتم های وو LMS علامتدار وو (SLMS)
۲-۱۱) نتیجه گیری
فصل سوم: اصول کنترل فعال نویز
۳-۱) مقدمه
۳-۲) انواع سیستم های کنترل نویز آکوستیکی
۳-۳) معرفی سیستم حذف فعال نویز تک کاناله
۳-۴) کنترل فعال نویز به روش پیشخور
۳-۴-۱) سیستم ANC پیشخور باند پهن تک کاناله
۳-۴-۲) سیستم ANC پیشخور باند باریک تک کاناله
۳-۵) سیستم های ANC پسخوردار تک کاناله
۳-۶) سیستم های ANC چند کاناله
۳-۷) الگوریتم هایی برای سیستم های ANC پسخوردار باند پهن
۳-۷-۱) اثرات مسیر ثانویه
۳-۷-۲) الگوریتم FXLMS
۳-۷-۳) اثرات فیدبک آکوستیکی
۳-۷-۴) الگوریتم Filtered- URLMS
۳-۸) الگوریتم های سیستم ANC پسخوردار تک کاناله
۳-۹) نکاتی درباره ی طراحی سیستم های ANC تک کاناله
۳-۹-۱) نرخ نمونه برداری و درجه ی فیلتر
۳-۹-۲) علیت سیستم
۳-۱۰) نتیجه گیری
فصل چهارم: شبیه سازی سیستم ANC تک کاناله
۴-۱) مقدمه
۴-۲) اجرای الگوریتم FXLMS
۴-۲-۱) حذف نویز باند باریک فرکانس ثابت
۴-۲-۲) حذف نویز باند باریک فرکانس متغیر
۴-۳) اجرای الگوریتم FBFXLMS
۴-۴) نتیجه گیری
فصل پنجم: کنترل غیرخطی نویز آکوستیکی در یک ماجرا
۵-۱) مقدمه
۵-۲) شبکه عصبی RBF
۵-۲-۱) الگوریتم آموزشی در شبکه ی عصبی RBF
۵-۲-۲) شبکه عصبی GRBF
۵-۳) شبکه ی TDNGRBF
۵-۴) استفاده از شبکه ی TDNGRBF در حذف فعال نویز
۵-۵) نتیجه گیری
فصل ششم: نتیجه گیری و پیشنهادات
۶-۱) نتیجه گیری
۶-۲) پیشنهادات
مراجع

[۱] C.Mosquera, J.A.Gomez, F.perez, M. Sobreira, ,,Adaptive IIR Fjlters for Active noise Control, “ Sixth International Congress on Sound and Vibration, 5-8 July 1999, Copenhagen, Denmark.

[۲] P.Lveg, “process of silencing sound oscillations,”U.S.Patent 2043416,June 9,1936.

[۳] Widrow,B., and S.D.Steans.” Adaptive Signal Processing”,Prentice-Hall, Englewood Cliffs, NJ.1985.

[۴] Morgan,”D.R.” Analysis of Multiple Correlation Cancelation Loop With a Filter in the Auxiliary path,”IEEE Trans. on ASSP, Vol. ASSP –۲۸, NO .4, PP. 454-467 August, 1980.

[۵] Burgess, J.C.,”Active Adaptive Sound Control in a Duct: A Computer Simulation,”J.Acoust. Soc. Am., Vol. 70, No.3, p.p.715-726, Sept, 1981.

[۶] Kuo, SM et al,”Design Of Active noise control systems with the TMS320 family “Texas Instruments, 1996.

[۷] Boaz Rafaely,”Active noise Reducing Headser”,http://www.Osee.Net/white papers/paper489. Pdf, 2000.

[۸]L.J.Eriksson and M.C.Allie.”System Considerations for Adaptive Modelling Applied to Active Noise Control.”.IEEE International Symposisum on,pp: 2390, Vol. 3, 7-9 JUNE 1988.

[۹] Petre Stoica and Torsten Soderstrom,” Statistical Analysis of Music and Subspace Rotation Estimates of Sinusoidal Frequencies”. IEEE Trans. On Signal processing, Vol.39, No.8, August 1991.

[۱۰] oliver Besson and petre Stoccia ,”Analysis of MUSIC and ESPRIT Frequency Estimations for Sinusoidal Signal with Lowpass Envelopes”.IEEE, Trans. On signal processing, Vol.44,No.9, September 1999.

[۱۱] Sen M.kuo and Dennis R.Morgan , “”active noise control : A Tutorial Review , ,, proceeding of the IEEE , Vol.87,no.6,june1999.

[۱۲] Sen M.Kuo and Dennis R.Morgan,”Active Noise Control: A Tutorial Revie
”proceeding,of the IEEE, Vol.87, No.6,June 1999.

[۱۳] E. Bjarnason, “Analysis of the Filtered –X LMS algorithm.”IEEE Trans. On Speech and Audio Processing, 3:504-514,November 1995.

[۱۴] M.Rupp, “Saving Complexity of Modified Filtered-x-LMS and Delayed Update LMS Algorithms.”IEEE Trans. On Circuits and System II, 44:57-60, January 1997.

[۱۵] S.J.Elliott and P.A.Nelson. “Active Noise Control” .IEEE processing PP.12-35,oct.1993

[۱۶] Anjelo J.Campanella,”active Noise control or cancellaction “ , campanella Associates ,2000.

[۱۷] Jacqueline Lamuth ,”noise “, ohio state university fact sheet ,community Development ,1998.

[۱۸] Olson ,H.F.and May,E.G,” electronic sound absorber “ .Journal of the Acoustical Society of America ,25,1130-1136,1953.

[۱۹] E.D.Simshauser and M.E.Hawely .” The Noise Canceling Headset an active ear defender ,” Journal of the acoustical society of America ,27,207,1995.

[۲۰] M.H.Hawley , “ acoustic interference for of noise control ,” Noise control ,2,61,63,1956.

[۲۱] W.F.Meeker,”componenets characteristics for an active ear Defender ,” Journal of the Accoustical society of America ,29,1252,1957.

[۲۲] A. Roure,”Self Adaptive Broadband Active sound control system .” journal of sound and vibration , 101,429-441,1985.

[۲۳] L.J.Eriksoon and M.C Allie , “ Use of Random noise for on-line transducer Modoling in an Adaptive active attenuatuion system ,” journal of the acoustical society of America ,85,797-802,1989.

[۲۴] W.K.Tseng, B,rafaely and S.J.Ellitt,”Combined Feedback – feed forward active control of sound in a room , “ journal of the Acoustival society of America ,104 (6), 3417-3425,1985.

[۲۵] M.Winberg,S.Johansson , T.logo and I. classon ,” A new passive / active hybrid for a helicopter application , “ International journal of acoustics and vibration 4(2),51-58.1999.

[۲۶] C.Carme , “ the third principle of active control : the feed forback , “ Active99 Conference , Ft.Laudaredle 885-896.2-4 December , 1999.

[۲۷] L.J.Ericsson,M.c.Allie , and R.A.greiner . “ The selection and application of IIR adaptive filter for use in active sound attenuation “ . IEEE Trance . on Acoustics , speech and signal processing , ASSP-35:433-437,April 1987.

[۲۸] S.M>kuo and C.chen , “ Implementation of adaptive filters with the Tms30c25 or The TmS32oc30 , “ in digital Signah processing Applications with The TMs320 family , vol . 3,p,pamichalis , Ed.englewood Cliffs , Nj: prentice Hall , ch.7 , pp.191-271,1990.

[۲۹] Alan V.Oppenheim , Ronald W.Schafer , “Discrete_Time signal processing , “ published by prentice_Hall,Inc.Upper saddle River , new jersey 07458,1999.

[۳۰] T.Kailath , “ A View of Three decades of linear Filtering Theory , “ IEEE Trams Inf. Theory , vol.It-20,pp.145-181,mar,1974.

[۳۱] Gibson J.D. “ Backward Adaptive Prediction as spectral Analysis Whithin a closed Loop , “ IEEE Trans . Aeoustics , Speech and signal Processing Vol. ASSp-33,pp.1166-1174.oct.1985.

[۳۲] B.Widrow,J.M.Mc cool , M.G.Larimore , and C.R.Johnson , Jr.” Stationary and No stationary learning Characteristics of LMS Adaptive Filter. “Proc. IEEE. VOL 64,pp1151-1162,Aug.1976.

[۳۳] D.C.Farden ,”Traking properties of Adaptive signal Proccessing Algorithms , “ IEEE Trans.Speech Signal Process,Vol ASSP-29,439.gum.1981.

[۳۴] A.Fever and E,Weinstein., ”Convergence Analysis of LMS Filters with uncorrelated Gaussin data., ”LEEE Trans.,Acoust.,Speech, Singnal Processing. ASSP-33:222-230.Feb.1985.

[۳۵] J.R. Treichler C.R .Johnson. and M.G.Larimore, ”Theory and Design of Adaptive Filters, ”John Wiley & sons.1987.

[۳۶] B.Widrow, J.M.Mc Cool, and M.Ball, ”The Complex LMS Algorithm,Proc.IEEE.63:719-720.Apr.1975

[۳۷] D.C.Swanson. ”A tability Robustness Comparison of Adaptive Feedforward and Feedback Control Algorthms, ”In Proc.Recent Advances in Active Control of Sound Vibration ,P.P.165-168.1991.

[۳۸] M.Miyoshi and Y.Kaneda. ”Inverse Filtering of Room Acoustics, ”.IEEE , Trans Acoust.,Speech,Singnal Processing.(36):145-152.1998.

[۳۹] Shuichi Adachi and Hisashisonal, ”Modeling of Acoustic Field for Feedback Active Noise Control, ”.IEEE Signal Processing magazine ,1999.

[۴۰] Shuichi Adachi and Hisashisonal, ”Active Noise Control System for Automobiles Based on Adeptive and Robust Control, ”Processing of the IEEE,International control Application, P.P.1125-1126,September 1998.

[۴۱] S.D.Synder and C.M.Hansen, ”The Effect of Transfer, ”Function Estimation Errors on the Filtered x LMS Algorithm , ”IEEE Transactions on Signal Processing, Vol.42,P.P.950-953,1994.

[۴۲] D.R.Morgan” An Adaptive Model Based Active Control System. ”Jourmal of The Acoustical Society of America,Vol.89,P.P248-256,1991.

[۴۳] Eriksson,L.J., ”Development of the Filtered U Algorithm for Active Noise control, ”.Acoust.Soc.Am.,Vol.89,No.1,PP.256-265,January,1991.

[۴۴] Lennart Ljung and Suante Gunarsoon, ”Adaptation and Tracking in system Identification A Survey”,Automazine, Vol.26,No.1,PP.7-21,1990.

[۴۵] ۱.J.Elliott, M.C.Allie and R.A.Greiner, ” The Selection and Application of an IIR Adaptive Filter for Use in Attenion, ” IEEE Trans. On Acoustics,Speech and Signal Processing,Assp-35,PP.433-437,1987.

[۴۶] M.Takahashi, T.Turbayashi, K.Hamada, T.Enikoda and T.Mura , ” Electric Sound Cancellation in Air_ Conditioning Duct System, ” Proceeding Inter _Noise,PP.607-610,1986.

[۴۷] L.J.Eriksson. ”Active Sound Attenuation Using Adaptive Digital Signal Processing techniques , ”.University of Wisconsin .Madison.1985.

[۴۸] S.J.Elliott and L.Biller, ”Adaptive Control of Flexural Waves Propagating in a beam ”, Journal of Sound and Vibration ,Vol .163,PP.265-310,1993.

[۴۹] Feintuch,P.F., ”An Adaptive Recursive LMS Filter, ” Proc, of IEEE,Vol.64,PP.1622-1624,November 1976.

[۵۰] S.M.Kuo and D.R.Morgan , ”Active Noise Control Systems: Algorithms and Dsp Implementations, ”New York, Wiley ,1996.

[۵۱] S.D.Snyder and N.Tanaka, ”Active Control. Of Vibration Using a Neural Network,IEEE Trans. Networks, Vol.6,No.4,1995.

[۵۲] M.Bochard , B.Pillard and C.T.Le Dinh, ”Improved Training of Neural Networks For the Nonlinerar Active Control of Sound and Vibration , ”IEEE Transaction on Neural Networks,Vol.10,no.2,PP.391-401,Maret 1999.

[۵۳] S.D.Snyder and N.TanaKa, ” Active Control of Vibration Using a Neural Network , ,, IEEE Trans .Neural Network , Vol.6,No.4,1995.

[۵۴] S.Kumpati Narendra and Snehasis Mukhopadhyay , ,,Adaptive control using netrral Networks and Approximate Models , ,, IEEE Trasactions on Netural Networks, vol.8,No.3,PP.475-485,May,1997.

[۵۵] R.Bambang , ,,Active Cancellation Using Recurrent Radial Basis Function Neural Networks , ,, IEEE , Asia-Pcific Conference on , vol.2,PP.231-26A,28-31 Oct,2002.

[۵۶] M.R.Berthold , ,, A Time Delay Radial Basis function network for phoneme recognition , ,, IEEE International conference on neural network , vol.7,PP.4470-4473,1994.

[۵۷] S.Haykin , ,, neural networks a comprehensive foundation , ,, Macmillan college publishing company , inc .1994.

[۵۸] Seng kah phooi,man zhihong,h.r.wu , ,, nonilinear active noise control using lyapunov theory , and RBF network , ,, IEEE, Neural networks for signal processing , vol.2,PP.916-925,11-13 Dec.2000.

[۵۹] I.Gath, A.B.Geua, ” Unsupervised Optimal Fuzzy Clustering , ” Pattern Analysis and Machine Intelligence, IEEE Trans.on, Vol.11,PP:773-780,7 July, 1989.

[۶۰] J.Bezdek, R.Ehrlich and W.Full, ” FCM: The Fuzzy c-means Clustring algorithm” Cornnput Geo sci, Vol.10,PP.191-203,1984.

[۶۱] N. Watanabe , T. Imaizumi , “Fuzzy K-Mean Clustering with Crisp Regions, ” The 10th IEEE International Conference on, Vol.1,PP.199-202,2-5 Dec, 2001.

[۶۲] J. Dobsa, B.D. Basic , ” Concept Decomposition by Fuzzy k-means Algorithm” IEEE/WIC International conference on, PP.684-688, Oct, 2003.

Abstract
In acoustic noise cancelling, Active and Passive methods are used. Inspite of Passive method, Active method can cancel or reduse noise in low frequencies. In Active method a type of adaptive filter is used. FXLMS Algorithm is know as a basic way because of good tracking in a noisy space, but can be used just in linear control problems. That means in variable frequency noise or nonlinear control systems, it diverges or doesn”t work.
In this thesis, At first a kind of FXLMS Algorithm which has the ability of noise canceling in a duct at the time is introduced. Because of that an optimum adaptive step size in FXLMS Algorithm is used. Arange of optimal step size at special frequencies (200-500HZ) in a duct is calculated to it as a spline curve. The frequency of input signal with MUSIC Algorithm is guessed and optimum step size predicted from spline curve and can be put in FXLMS Algorithm to make it converge at the least time. It can be shown that general FXLMS with constant step size diverges by changing the frequency. There fore it is possible to track variable frequency by the new method of this study.

Having nonlinear properties, in Acoustic Noise canceling systems, a kind of RBF neural network (TDNGRBF) has been studied that is able to model nonlinear behaviours. Therefore it is used to cancel narrowband variable frequency noise in a duct and comparison with FXLMS Algorithm. This new method in comparison with FXLMS Algorithm has higher speed and less error, with out estimating secondary path. To cancel noise with TDNGRBF, at first a duct is studied by a GRBF neural network. Then by the use of N number of time delay from input signal, N number of networks GRBF with output linear composition, it will be possible to know nonlinear systems on – line. Coefficions used in linear compositions is optimized by NLMS Algorithm.