1.一种基于卷积‑模糊神经网络的车辆全局空间的主动噪声控制装置，包括次级通路和控制器，其特征在于，所述次级通路包括用于获取残余噪声信号的多个误差传感器、用于抵消噪音的多个次级声源；所述控制器，用于通过采用卷积‑模糊神经网络先离线辨识得到的次级通路模型，同时采用卷积‑模糊神经网络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，并发出抵消噪声信号给次级声源输出抵消噪声；

次级通路还包括用于获取目标区域内降噪目标位置信息的位置传感器，采集降噪目标的位置信息，并利用其位置信息对控制器输出信号进行补充修正；

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；

所述卷积‑模糊神经网络的原理包括：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；xt(n)为第g个卷积层输出单元接收到的第t个输入单元；ωtg(n)为所有输入单元与第g个输出单元相连的权重，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输出作为模糊层的输入：Og(n))＝maXx((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所述基于卷积‑模糊神经网络的车辆全局空间的主动噪声控制装置，其特征在于，所述卷积‑模糊神经网络中的卷积网络至少每两层卷积层后添加一层池化层，对噪声信号进行提取特征并降维，提高网络计算速度。

3.根据权利要求1或2所述基于卷积‑模糊神经网络的车辆全局空间的主动噪声控制装置，其特征在于，所述次级通路沿列车的长度方向设有多组，每组次级通路的误差传感器、位置传感器及次级声源通过滑轨机构沿列车的横向截面环形设置。

4.根据权利要求3所述基于卷积‑模糊神经网络的车辆全局空间的主动噪声控制装置，滑轨机构上设有器件安装基座，通过基座上卡口中不同形状的卡位兼容安装误差传感器、位置传感器和次级声源，易于器件安装且避免器件安装基座结构复杂。

5.根据权利要求1或2所述基于卷积‑模糊神经网络的车辆全局空间的主动噪声控制装置，其特征在于，所述误差传感器按照神经网络的物理形式摆放，采集车辆全局空间不同位置和角度的噪声信号。

6.根据权利要求1或2所述基于卷积‑模糊神经网络的车辆全局空间的主动噪声控制装置，其特征在于，位置传染器采集降噪目标的偏移位移信息并对控制器输出噪声信号进行修正；即误差传染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：