Conventional delayless subband active noise control (ANC) systems can be degraded by the unexpected impulsive disturbances in the reference signal and/or the residual error signals despite the fact that the step sizes have been normalized by the variances of subband signals. Another inherent drawback is that an undesirable delay is introduced into the weight update path by using analysis filter banks, which reduces the upper bound of the step sizes thus limits the convergence rate. This paper proposes a novel robust and effective ANC algorithm configured in the delayless subband architecture for broadband noise cancellation. Instead of real-time providing threshold(s) on the reference and/or error signal as applied in most of the existing ANC algorithms for robustness, an online tuning scheme of bounded step sizes for the adaptive learning is developed for better convergence and outlier suppression. Box-constraint and time-averaging scheme deployed in the step size tuning guarantee robustness without requiring very accurate a priori information of the noises which might be corrupted by the impulses in real-world applications. In particular, this paper presents the stability and convergence analysis of the proposed closed-loop ANC system. Moreover, the computational complexity advantage is justified when compared to other state-of-the-art robust ANC algorithms. Numerical simulations are performed to validate the enhanced performance of the proposed algorithm for various colored noises with or without impulsive interferences.

尽管步长已通过子带信号的方差归一化，但常规的无延迟子带有源噪声控制（ANC）系统可能会因参考信号和/或残余误差信号中的意外脉冲干扰而降低性能。另一个固有的缺点是，通过使用分析滤波器组，在权重更新路径中引入了不希望的延迟，这减小了步长的上限，从而限制了收敛速度。本文提出了一种在无延迟子带架构中配置的新颖健壮且有效的ANC算法，用于宽带噪声消除。替代了在大多数现有ANC算法中为提高鲁棒性而在参考信号和/或误差信号上实时提供阈值的功能，为了更好的收敛和离群值抑制，开发了用于自适应学习的有界步长的在线调整方案。在步长大小调整中采用的盒约束和时间平均方案可确保鲁棒性，而无需非常精确的先验信息，这些噪声可能会被实际应用中的脉冲所破坏。特别是，本文提出了所提出的闭环ANC系统的稳定性和收敛性分析。此外，与其他最新的健壮ANC算法相比，计算复杂性优势是合理的。进行了数值模拟，以验证所提出算法对各种有色或无脉冲干扰的噪声的增强性能。在步长大小调整中采用的盒约束和时间平均方案可确保鲁棒性，而无需非常精确的先验信息，这些噪声可能会被实际应用中的脉冲所破坏。特别是，本文提出了所提出的闭环ANC系统的稳定性和收敛性分析。此外，与其他最新的健壮ANC算法相比，计算复杂性优势是合理的。进行了数值模拟，以验证所提出算法对各种有色或无脉冲干扰的噪声的增强性能。在步长大小调整中部署的盒约束和时间平均方案可确保鲁棒性，而无需非常精确的先验信息，这些信息可能会被实际应用中的脉冲所破坏。特别是，本文提出了所提出的闭环ANC系统的稳定性和收敛性分析。此外，与其他最新的健壮ANC算法相比，计算复杂性优势是合理的。进行了数值模拟，以验证所提出算法对各种有色或无脉冲干扰的噪声的增强性能。本文介绍了所提出的闭环ANC系统的稳定性和收敛性分析。此外，与其他最新的健壮ANC算法相比，计算复杂性优势是合理的。进行了数值模拟，以验证所提出算法对各种有色或无脉冲干扰的噪声的增强性能。本文介绍了所提出的闭环ANC系统的稳定性和收敛性分析。此外，与其他最新的健壮ANC算法相比，计算复杂性优势是合理的。进行了数值模拟，以验证所提出算法对各种有色或无脉冲干扰的噪声的增强性能。