1.一种主动控制车辆全局空间噪声的卷积‑模糊神经网络方法，其特征在于，在车辆降噪区周围设置多个次级通路；采集各次级通路的噪声残余信号；采用卷积‑模糊神经网络先进行离线辨识得到次级通路模型，同时作为次级通路的自适应有源噪声控制算法在线修正控制器参数，最后输出多方位的噪声抵消信号；

所述卷积‑模糊神经网络包括卷积网络、模糊层和全连接层，所述卷积网络中包括卷积层和池化层，通过卷积网络之后的样本特征向量在模糊层中进行模糊推理并在全连接层训练，参数更新，最后输出控制器噪声信号；

所述采用卷积‑模糊神经网络先进行离线辨识得到次级通路模型，同时作为次级通路的自适应有源噪声控制算法在线修正控制器参数过程中的卷积‑模糊神经网络学习包括步骤：S1.基于卷积‑模糊神经网络算法的控制器初始化；

S2.计算基于卷积‑模糊神经网络算法的控制器各层的输入和输出；

S3计算卷积‑模糊神经网络辨识器的输入输出；

S4.对控制器参数进行修正；

步骤S2具体为：

在卷积网络中通过一系列的卷积和池化交换：

其中，zg(n)为第g个卷积层输出单元；ωtg(n)为所有输入单元与第g个输出单元相连的权重；xt(n)为第g个卷积层输出单元接收到的第t个输入单元；bg(n)为第g个卷积层输出单元的偏置；

选择relu函数作为激活函数得到更高层次的卷积网络的输出作为模糊层的输入：og(n)＝max(0,zg(n))

模糊层将卷积和池化之后所得到的特征矩阵根据模糊度和隶属函数划分并转换成合适的隶属函数值：式中， 分别为隶属度函数的中心和宽度，g为输入数，i为模糊集数；

再进行模糊计算，得到隶属度值连乘积：

最后在全连接层得到输出值：

其中， 为模糊参数。

2.根据权利要求1所述的主动控制车辆全局空间噪声的卷积‑模糊神经网络方法，其特征在于，至少每两层卷积层后添加一层池化层，对噪声数据进行提取特征并降维。

3.根据权利要求2所述的主动控制车辆全局空间噪声的卷积‑模糊神经网络方法，其特征在于，所述步骤S1中，通过误差传感器所获取残余噪声信号作为输入信号进入卷积‑模糊神经网络辨识器，离线辨别次级通路模型后将训练后的网络系数作为控制器系数的初始值。

4.根据权利要求1所述的主动控制车辆全局空间噪声的卷积‑模糊神经网络方法，其特征在于，离线训练后的输出，与误差信号e(n)一起在线修正控制器参数，直至误差信号e(n)达到最小值，最后输出多方位的噪声抵消信号，得到最佳降噪效果。

5.根据权利要求4所述的主动控制车辆全局空间噪声的卷积‑模糊神经网络方法，其特征在于，所述误差信号e(n)采用以下方式获取：建立一个自适应的次级通路可逆模型，x(n)为误差传感器采集进来的噪声信号，通过次级通路产生期望信号d(n)＝x(n)*h(n)

*表示卷积，其中h(n)为次级通路传递函数；

同时，x(n)输入基于卷积‑模糊神经网络算法的控制器，输出控制器噪声信号y(n)，y‑1(n)再通过与次级通路逆函数h (n)相乘计算后与修正值p(.)相加产生噪声抵消信号‑1s(n)＝y(n)*h (n)+p(.)

修正值p(.)是位置传感器追踪降噪目的取偏转位移之后对原本误差传感器所采集的噪声信号的修正；即误差传感器所采集的残余噪声信号x(n)的声压2

式中： 为波数，p0为大气静压强，c0为声速，声源强度q＝4πxux，ux为振速根据位置传感器所采集到的偏转位移d，估算受控区域降噪目标的声压值则通过位置传感器所获位置信息对原噪声信号修正后得到的修正值为系统误差信号为

e(n)＝d(n)‑s(n)。

6.根据权利要求1至4任意一项所述的主动控制车辆全局空间噪声的卷积‑模糊神经网络方法，其特征在于，所述步骤S4中，取误差的均方为性能函数，对控制器参数进行修正：全连接层输出为y(n)＝[y1(n),y2(n)…,yi(n)]，y(n)再通过与次级通路逆函数卷积计算后得到s(n)，则控制系统的均方根误差为计算是否满足最小化条件：

系数修正：

其中，α、β为学习率。

7.根据权利要求1至4任意一项所述的主动控制车辆全局空间噪声的卷积‑模糊神经网络方法，其特征在于，误差传感器获取残余噪声信号，通过卷积层进行噪声信号特征深度提取；池化层再对提取的特征进行降维；模糊层对降维后的信号进行模糊推理计算；误差最小化计算；控制器参数修正；判断误差值是否满足最小化；若误差值满足最小化条件，通过次级通路逆函数输出控制器噪声信号；若否，则重新返回数据模糊初始化；若目标区域内降噪目标信号有偏转位移，则通过修正值对控制器噪声信号进行最后补充修正，输出噪声抵消信号；若否，则直接输出控制器噪声信号为最终的噪声抵消信号。