3.4 非线性ANC算法

3.4 非线性ANC算法

本节摘要：当执行器饱和、声场进入大信号区或噪声本身含非线性成分时，线性控制器框架的收益封顶。本节讲清非线性的三个来源、两类应对路线——函数链接网络与深度时序网络，并用一次高压管道案例展示非线性系统的完整调参过程。

前两节的整座算法大厦都立在"线性叠加"这块基石上：路径是线性的、叠加是线性的、控制器是线性的。这一节处理基石松动的情况。需要先建立一个冷静的预期：非线性 ANC 至今没有出现类似 FxLMS 那样的行业标准答案，工程里它是"特定场景的特种工具"，不是默认选项。

非线性从哪里来：三个源头

第一个源头是执行器饱和与失真。扬声器的位移有限，大信号下音圈越出线性区，输入翻倍输出不足翻倍，还叠加出谐波成分——对冲信号自己被市场"染色"，而且染出了新的频率。小口径耳机单元在强低频噪声（例如引擎声）下最容易触界，表现为降噪深度不升反降、残余里冒出原噪声里没有的谐波。

第二个源头是声传播本身的非线性。普通声压级下空气是线性介质，但超过一百三十到一百四十分贝的高声强区（航空、内燃机排气、声学武器级别的场景），声波传播速度随压力变化，波形在传播中逐渐陡峭化，正弦变锯齿，谐波凭空生长。管道高压排气、火箭发射配套降噪系统属于这一类。

第三个源头是噪声源自身的非线性生成机制。湍流喷注噪声、燃爆噪声本质上由非线性流体过程产生，波形统计结构与高斯随机过程偏离明显。对这类行情，线性控制器在"预测下一时刻"上存在原理性的精度天花板。

判断要不要上非线性方法，工程上有一个务实的试金石：先量化线性系统的极限。如果线性 FxLMS 的实测残余里，与初级噪声相干的部分占比仍然很高（说明该对冲的还没对冲掉、瓶颈在控制器能力），加阶数、调步长、换变体还有空间；如果相干部分已经压干净、残余主要是对冲过程自己生成的谐波与噪声（说明瓶颈在非线性），线性手段到顶，才轮到本节的武器。

图：线性极限与非线性残差的成分对比

两条技术路线：函数链接与深度时序网络

**函数链接网络（FLANN）**是最经济的非线性扩展。它保留 LMS 的更新结构，只把输入向量先做一次非线性扩展——把每个样本连同其三角函数项（正弦、余弦及二倍频项）一起拼成增广向量，再送进线性权值。数学上等价于在特征空间里做线性拟合，而特征空间里已经带了非线性基函数；训练依然是最小均方规则，稳定性结论大体继承，算力开销只多出扩展项的数量倍。它擅长对付温和的非线性——轻度执行器失真、路径的弱非线性，通常能把谐波残余再压三到六分贝。工程定位：非线性 ANC 里的"经济舱"。

深度时序网络处理重非线性。典型结构是以短时频谱或原始波形片段为输入的循环或卷积网络，端到端学习"噪声波形到对冲波形"的映射，训练在离线数据上完成，部署时做推理。它的能力上限远高于 FLANN——能建模长时记忆效应与强非线性，某些研究原型在执行器强失真场景下相比线性系统多出十个分贝量级的收益。代价清单同样长：训练需要覆盖工况分布的大量数据；推理算力对嵌入式平台构成实质压力（多数演示跑在桌面级芯片上）；自适应能力存疑——网络参数离线冻结后，对训练集没见过的工况泛化有限，而 ANC 恰恰是工况漂移的生意；可解释性与稳定性证明缺位，产品化风险评估困难。目前它在产品里的现实形态是辅助模块：预测初级噪声、分类场景、预失真补偿，而不是替代主环路。

两线之间还有一个常被低估的工程手段：预失真补偿。既然主要非线性来自执行器，就在控制器输出端串一个数字预失真器——它的传递函数取执行器失真的近似逆，让"预失真器加执行器"的合成路径近似线性，后端继续跑标准 FxLMS。它不需要改学习算法，付出的只是辨识执行器逆模型的一次标定，是量产产品里处理单元失真最常见的手法。

动手实验：FLANN 增广的一行扩展

函数链接听起来抽象，代码上只是一次向量的拼接。下面演示核心环节：把输入样本扩展为带三角基的增广向量后，后续更新与标准 LMS 完全一致。

import numpy as np

def flann_expand(x_t, x_prev):
    # x_t: 当前参考采样；x_prev: 上一个采样
    # 基函数：直流、线性项、一阶与二阶三角项
    return np.array([
        1.0,
        x_t,
        np.sin(x_t),   np.cos(x_t),
        np.sin(2*x_t), np.cos(2*x_t),
        x_prev,
        np.sin(x_prev * x_t),            # 交叉项引入记忆
    ])

# 训练循环与 LMS 相同，只是把 xn 换成 flann_expand 的输出
# w = np.zeros(8)
# for n in range(N):
#     phi = flann_expand(x[n], x[n-1])
#     y   = w @ phi
#     e   = d[n] - y
#     w  += mu * e * phi          # 更新规则一字未改
​

工程要点：三角基对周期性成分的表示效率高（谐波行情友好），对宽带随机成分增益有限；增广维度上升后，稳定步长上限按新维度重算；若初级噪声经限幅后产生对称削波，二阶项贡献最大，可以只保留二阶项把维度控制在个位数。

案例展开：高压天然气放空管线的非线性治理

背景。某输气站的放空管线，排气时管口下游噪声声压级极高，传统抗性消声器体积过大无法安装。前期部署的宽带 FxLMS 系统只拿到八分贝收益，且残余频谱里出现了初级噪声中没有的三次与五次谐波——典型的声传播非线性指纹（高声强下波形陡峭化）。

操作。团队按三步走。第一步做相干性诊断，确认残余初级成分已基本对冲干净、自生谐波占残余能量的四成，线性瓶颈坐实。第二步加装执行器支路的预失真器：用扫频加幅值阶梯法辨识功放加扬声器的大信号逆特性，写成查找表嵌入输出端。第三步，主控制器从宽带 FxLMS 换成 FLANN 增广版，基函数保留二阶三角项，增广维度八。

结果。预失真器上线后执行器自生谐波下降约七分贝，说明执行器非线性占了自生谐波的主要部分；FLANN 控制器上线后，对传播非线性生成的谐波再压四分贝，总对冲深度从八分贝提升到十七分贝，达到环境验收要求。FLANN 的收敛时间比原线性版长约一半，但放空事件持续时间数十秒，窗口够用。

解读。案例的价值在于示范了"按来源分治"的非线性打法：执行器非线性用预失真处理（便宜、稳定、可离线标定），介质传播非线性才动用非线性控制器（贵、收敛慢、需在线适配）。若第一步就把深度网络怼上去，大概率也能出结果，但标定成本、算力成本与失效模式分析都会失控。非线性方法的使用纪律比它的能力上限更重要：先量化、再归因、后选武器，能便宜就便宜。

变式。航空发动机试车台的全尺寸排气降噪是本案例的极端变式：声压级更高、介质为高温燃气，传播非线性与湍流噪声叠加，纯声学对冲几乎不可行，工程转向了另一条路——用大口有源阵列对远场指向性做整形，放弃局部静音区、改优化噪声对特定方位的辐射。变式的启示：当非线性强到对冲模型失效时，"改变辐射方向"是比对冲更现实的控制目标。

⚠️ 常见坑：把非线性方法的实验室收益直接写进产品承诺。深度网络原型在固定工况数据上的十个分贝收益，到了工况漂移的实机可能只剩两三分贝甚至负收益（网络输出与实际行情失配）。向客户与领导汇报时，务必区分"数据集上的结果"与"系统级结果"，两者之间隔着泛化这道墙。

本节要点回顾

• 三个源头：执行器饱和失真、高声强传播非线性、噪声源自身的非线性机制，归因是选武器的前提。
• 相干性判据：残余里未对冲初级占比高说明线性还有空间，自生谐波占比高才轮到非线性。
• FLANN：增广输入加三角基，保留 LMS 更新规则，经济舱级的非线性扩展，适合温和失真。
• 深度网络：上限高但训练成本、推理算力、泛化与稳定性四座大山压顶，现实角色是辅助模块。
• 预失真是主流：对执行器失真做数字逆补偿，让主环路继续跑标准 FxLMS，是量产最常见手法。

算法章到此收束。下一章站到系统层面：参考信号从哪里取、误差怎么用、前馈反馈混合四种架构如何定夺。