国内外研究现状
降噪效果测试安全性验证（关键声音是否保留）
研究目标
研究意义
安全相关声源（如鸣笛、警笛）→ 保留或增强非安全声源（如发动机、空调噪声）→ 抑制
在pycharm上实现FxLMS算法深度学习识别音频，结合FxLMS算法进行降噪
新能源汽车发展迅猛，车内噪声特性变化传统ANC存在“无差别降噪”问题，影响安全性
UrbanSound8K 数据集数据预处理与MFCC特征提取
双层LSTM网络结构激活函数、Dropout、BatchNorm 等优化策略
系统测试与性能评估
FxLMS算法集成
车内噪声特性分析
模型构建
1.问题分析与研究目标
控制结构：前馈、反馈、混合结构经典算法：LMS、FxLMS
深度学习理论基础
2.理论基础与文献综述
研究成果总结
5.系统集成与测试
模型调优
频段选择性控制
3.神经网络建模与噪声识别
提升驾乘舒适性实现“有选择”的智能降噪，保障行车安全
4.选择性ANC策略设计
主动噪声控制（ANC）原理
低频（20–500Hz）：发动机、空调噪声中频（500–2kHz）：街边音乐、施工声
数据集准备
实现噪声分类识别与选择性控制提升车内声环境安全性与舒适性
模型训练与评估
文献调研
研究背景
基于深度学习的车内噪声主动控制
训练曲线、准确率、损失函数分析验证集准确率达90%以上
硬件平台设计
FPGA芯片选型与电路搭建实时信号处理与控制系统集成
未来研究方向
噪声来源（动力系统、风噪、路噪等）噪声传播路径（空气传播、结构传播）
6.总结与展望
噪声分类与处理原则
结果反馈与优化
CNN、RNN、LSTM 等网络结构在ANC中的应用潜力
构建基于深度学习的车内噪声识别模型实现噪声分类与选择性主动控制策略
