偏相干分析在风洞噪声源识别中的应用
雷达干扰技术分析与应用
雷达干扰技术分析与应用摘要在雷达体制和信号处理等新技术不断改进的同时，干扰技术及干扰样式也要不断的推陈出新。
本文研究了现代电子战常用的雷达干扰技术，分析了压制干扰和欺骗干扰技术的应用，重点对新型组合式干扰——“灵巧噪声”干扰的进行了研究。
关键词电子战；雷达干扰；欺骗干扰；灵巧噪声中图分类号tn95 文献标识码a 文章编号 1674-6708（2011）46-0188-02随着近年来电子科技的迅猛发展，现代战争中所处的电磁环境越来越复杂，1991年海湾战争及其后的科索沃战争、第二次伊拉克战争均表明，电子对抗已经作为现代战争的开路先锋，并贯穿着整个作战过程，战争主动权的获得就是以“制电磁权”的获得为前提，有效的实施高强度、有针对性、多样式电磁干扰，成为提高电子战作战水平、生存能力的重要体现，也成为战争胜负的至关重要因素。
1 ecm常用的干扰方式根据干扰的来源，雷达干扰可分为积极干扰和消极干扰两大类[1]。
积极干扰又称为有源干扰，它是利用专门的干扰设备，通过对雷达的侦收、分析，给出具有较强针对性的电磁信号所形成的干扰，它包括杂波干扰、连续波干扰和应答式干扰等；消极干扰又称为无源干扰，它是由某些物体反射雷达电磁波所产生的干扰，其中根据产生途径的不同又有自然消极干扰和人为消极干扰之分，按照它产生的性质，可分为分布式消极干扰和点式消极干扰。
根据干扰的作用，雷达干扰则可分为压制式干扰和欺骗式干扰。
压制式干扰是用连续波信号或大量杂乱无章的信号来压制或者掩盖雷达目标信号，欺骗式干扰则是通过施放与目标信号十分相似的干扰信号，使得雷达处理程序无法正确识别有效目标，产生误跟踪甚至跟踪丢失的干扰方式。
2 压制式干扰典型的压制式干扰包括分布式消极干扰、杂波干扰、脉冲调幅干扰以及连续波干扰[2]。
其中最常见的是分布式消极干扰和杂波干扰，这两种干扰从第二次世界大战开始到现在，一直都被广泛采用。
2.1 分布式消极干扰分布式消极干扰是一种在空间分布较广的无源干扰。
电动五座SUV路噪控制优化
电动五座SUV路噪控制优化作者：邹杰单福奎夏仁峰张红军来源：《时代汽车》2023年第24期摘要：针对新能源五座SUV在试验阶段路噪声压大、噪声品质差的问题，提出了新能源汽车路噪控制系统优化方案。
首先，通过对产生路噪的激励进行分析，锁定优化轮胎本体及降低底盘衬套刚度，验证该路噪问题的优化方法；然后，将副车架由刚性连接改为衬套柔性连接，优化路噪响应，实现在粗糙路面60km/h工况下的路噪减小2.8dB（A）；最后，分析轮胎本体，找出轮胎空腔噪声的影响因素，得到最优参数。
实验结果表明：通过试验测试对噪声进行优化，达到了降噪效果，该方案对试验车的路噪性能开发具有一定参考意义。
关键词：路噪轮胎底盘衬套副车架1 引言随着电动汽车的普及，电机取代了发动机，在汽车低速行驶时，发动机的噪声不复存在，高速情况下的路噪、胎噪成为了电动汽车内的主要噪声来源[1][2]。
近年来，随着人们生活水平的不断提高，以及汽车行业的快速发展，人们对车辆的舒适性要求越来越高，汽车NVH性能因其最易被感知，因此成為车辆舒适性评价中的重要指标之一[3][4]。
NVH性能中的路噪响应在汽车行驶过程中的所有工况均存在，因此路噪控制优化意义重大，又因其客观存在性，不能完全消除，因此在路噪设计的过程中，考虑的是优先提升路噪声品质，然后降低声压级，使路噪达到较好的设计水平[5][6]。
本文结合某车型路噪控制的实际案例，阐述了路噪控制的机理，通过优化轮胎本体及悬架衬套刚度，使粗糙路面60km/h工况下的后排噪声降低了2.8dB，为解决车辆噪声问题提供了思路及方法。
2 路噪声来源分析对电动汽车路噪声进行优化研究，首要目标是找到路噪声的来源，在此基础上进行优化设计[7][8]。
在实验环境相同的前提下，某五座新能源SUV在粗糙路面匀速60km/h行驶时，明显听到车内噪声大，轮胎空腔声明显，严重影响新能源五座SUV的行驶品质，初步确定噪声来源。
为进一步锁定问题发生根源，采用LMS b测试系统对路噪声进行测试[9][10]，测试环境不变，测试位置为主驾右耳声压级（FFR）和右后排乘客左耳声压级（RRL），测试工况为粗糙路面60km/h，测试结果如图1所示。
第五章 信号的分析与处理处理
令
上式为 令 则
t v; dt dv; t v
1 Rx ( ) lim T T
T
x(v ) x(v)dv
v t
1 T Rx ( ) lim x(t ) x(t )dt Rx ( ) T T 0
证毕
例5-1求正弦函数 x (t) = x0 sin (ω t+υ )的自相关函数。初 相角υ 为一随机变量。
第一节 相关分析及其应用
一．两个随机变量的相关系数 通常两个变量之间若存在一一对应的确定关系，则称两者 之间存在着函数关系。当两个随机变量之间具有某种关系 时，随着一个变量数值的确定 ，另一变量却可能取许多不 同值，但取值有一定的概率统计规律，这时称两个随机变 量存在着相关关系。 y y 右图是表示 由两个随机变量 x 和 y 组成的数 据点分布情况。
μ x— 随机变量 x 的均值 μ x = E [ x ]
x y
0
x(t )dt
μ y— 随机变量 y 的均值 μ y = E [ y ]
σ x— 随机变量 x 的标准差 σ
2 x=E
[ (x –μ x )2 ]
σ y— 随机变量y 的标准差 σ 2y=E [ (y –μ y )2 ]
用柯西—许瓦兹不等式
1 0 ( 2 ){cos[2(t ) ] cos( )}dt d t ; dt ; T0 2 令 x0 y0 1 1 2 Rxy ( ) ( ) [cos(2 ) cos( )]d T0 2 0
2 2
Rx ( )
x2
（5-2）
因为 xy 1 ，所以
基于深度学习的太赫兹时域光谱识别研究
Vol. 41,No. 1,pp94-99January , 2021第41卷，第1期01年1月光谱学与光谱分析SpectroscopyandSpectralAnalysis 基于深度学习的太赫兹时域光谱识别研究胡其枫！蔡健博微太赫兹信息科技有限公司,安徽合肥230088摘 要 太赫兹时域光谱技术，由于其具有物质4旨纹谱5寺性，是一种可以快速无损地鉴别物质的重要手段，在毒品和爆炸物的无损检测等方面有广阔的应用前景$其中，光谱识别是太赫兹时域光谱技术应用研究的重要方向之一$现有的光谱识别方法多是依靠手工选取特征后进行机器学习分类，或是通过设置吸收峰阈值门限进行判断$由于一些物质在太赫兹波段内并没有明显的吸收峰特征，同时样品浓度、空气湿度、各类噪声等会对太赫兹时域光谱造成干扰从而使信噪比下降，这些方法并不能很好地适应，并且物质类别和数量的增加也会导致计算量不断增加$近年来，随着深度学习技术兴起，以卷积神经网络(CNN)和循环神经 网络(RNN)为代表的方法在计算机视觉和自然语言处理等领域得到广泛应用，相比于传统的机器学习方法其效果有了很大的提升$由于深度学习技术强大的非线性分类能力，基于RNN 和CNN 设计了两个网络用 于光谱识别：基于RNN 的一维谱线分类网络和基于CNN 的二维谱图分类网络$模拟实际应用场景，在非真空环境下采集了 1?种物质的两万多个光谱数据作为训练集和测试集$在分析了样品浓度、空气湿度对光谱特征的影响后,使用S-G(Savitzky-Golay )滤波对光谱进行降噪$实验结果表明,对比未处理和经过S-G 预 处理的数据，处理后的光谱特征更加明显，识别准确率更高&与传统的机器学习算法k 最近邻(k-NN)方法相比，RNN 和CNN 方法在测试集上有更好的准确率，且算法速度更快&对于光谱识别，CNN 方法比RNN 方法能够更好地克服噪声的影响$因此，深度学习技术可以对太赫兹时域光谱进行快速有效的识别，能够为新型无损安全检查技术提供理论和实验基础$关键词 太赫兹时域光谱&光谱识别；卷积神经网络&循环神经网络&预处理中图分类号：TP391. 4 文献标识码：ADOI ： 10. 3964issn. 1000-0593(?0?1)01-0094-06引言太赫兹波介于远红外和微波之间，频率在0.1〜10THz $在太赫兹光学技术中，太赫兹时域光谱time-domain spectroscopy , THz-TDS )技术是目前使用最广泛的技术之一$ THz-TDS 技术是一种相干探测技术，不同的 物质分子被一定频宽的太赫兹波透射过后，会吸收不同频率的太赫兹光波能量，从而产生特征吸收峰，对应的光谱又被 称为“太赫兹指纹光谱5通过对物质4旨纹谱”的识别可以实现对毒品和爆炸物等生化危险品进行非接触式无损检测，因 此THz-TDS 技术受到了警方、海关、安保反恐等部门的高 度重视(1)$总结近年来国内外关于太赫兹时域光谱识别方法的研 究，主要集中在一些光谱分析法和机器学习方法相结合的技术$马帅等提出一种采用两层受限玻尔兹曼机(restrictedBoltzmann machine , REM)构建深层信念网络模型自动提取太赫兹光谱特征,使用k 最近邻(k-nearest neighbor, k-NN)分类器对不同物质进行识别$ Yin 等⑸提出一种利用遗传算法和偏最小二乘判别分析相结合的方法来鉴别食用油$Mumtaz 等虻通过主成分分析(principal component analysis ,PCA)区分了对太赫兹辐射是透明的聚合物$这些方法往往需要经验丰富的工程师手工设计特征提取器，对于变化的自然数据具有局限性$深度学习方法目前已 经成功运用在图像分类、语音识别等领域，不需要人工设计特征提取器，通过一些非线性的结构把原始数据转变成更加抽象的表达，自动提取特征，特别适合自然数据，并且算法性能会随着数据的丰富而提升$太赫兹时域光谱的识别，本质上是一个非线性分类问题，深度学习方法由激活函数引入非线性，更加适合非线性分类问题$作为深度学习的代表方 法,卷积神经网络(convolutional neural network , CNN)在太赫兹时域光谱识别上应用的相关文献资料很少，循环神经网络收稿日期：2019-11-15,修订日期：2020-03-1?基金项目：安徽省重点研究和开发计划项目(01904e010?0005)资助作者简介：胡其枫，1991年生，博微太赫兹信息科技有限公司算法工程师e-mail : **********************第1期光谱学与光谱分析95（recurrent neural network,RNN#的应用暂无相关文献报道。
某型联合收割机的多相关声源识别
分析 ， 发展 了适合 于 复杂机 械 的声源识 别方 法 ， 该 方
法 能够识 别 出 主要 声 源 结构 及 能量 贡 献 ， 通过 改 进
合频 率 能 量计 算 ， 对 于干 涉 能 量 的 计 算 分 析 如 图 ２
来的。 它 将信号 中与其他 信号相 干部 分去 掉 ， 计 算残 余信 号 对输 出造成 的影 响 。对 于多输 入相 干 源识别
问题 ， 偏 相干 函数是 一种 有效 的识别 手段 。 假 设 （ ） ， 。 （ ） 为真 实独 立 声源 ， 偏 相 干模 型
如图 １ 所示。
间相 互 影 响 的结 构 ， 对 多相 关 声 源 测 点 进 行 偏 相 干 能量 处 理 ， 得 到 机 械 传 动 部 件 对 耳 旁 噪声 的 能 量 贡 献 和 受 干 涉
声源结构的独立声学特性。结合传递路径分析方法得到了发动机相关声源对耳旁噪声的噪声能量贡献， 经过对主
要 声 源 位 置 相 应 的改 进 措 施 ， 实 车 验 证 耳 旁 噪声 能 够 满 足 国标 要 求 。
１ 噪 声 源 识 别 方 法
１ ． １ 偏 相 干 能 量 分 析 方 法
同时 ， 大部 分运 动部 件都 没有覆 盖件 或 吸声 材料 ， 驾 驶 员耳 旁声 压 基本 受 到 所有 声 源 的影 响 ， 很难 识 别
主 要声源 位置 。
偏相 干分 析［ ４ 是 在相 干分 析理 论基 础 上发 展而
关键 词
联 合 收 割 机 ；多 相 关 ； 声源识别 ； 偏 相 干 ；传 递 路径 分 析
中 图分 类号 Ｔ Ｈ２ １ ２ ； Ｔ Ｈ２ １ ３ ． ３
相位噪声 时域 频域-概述说明以及解释
相位噪声时域频域-概述说明以及解释1.引言1.1 概述相位噪声是一种在信号处理和通信系统中广泛存在的噪声形式，它对系统性能和数据传输具有重要影响。
相位噪声源于信号的相位变化，可能导致频谱中的频率偏移或相位偏移。
因此，研究和理解相位噪声的特性、分析方法和应用是非常重要的。
在现代通信系统中，相位噪声是一个关键的技术指标，特别是在高速数据传输和无线通信等领域。
它在天线设计、频谱规划、调制解调、时钟同步和误码率性能等方面起着关键作用。
相位噪声的特性主要包括其频谱分布和功率密度谱。
频谱分布通常用功率谱密度表示，它描述了信号在不同频率上的能量分布。
相位噪声的功率密度谱通常呈现出随频率增加而增大的趋势。
此外，相位噪声还具有相位不稳定性和频率稳定性两个方面的特性。
相位不稳定性描述了相位随时间变化的程度，而频率稳定性描述了信号频率的稳定性。
时域分析和频域分析是用来研究相位噪声的重要工具。
时域分析主要关注信号在时间域上的波形和变化特性。
常见的时域分析方法包括自相关函数、互相关函数、统计量分析等。
而频域分析则研究信号在频域上的频谱分布和频率成分。
常见的频域分析方法包括傅里叶变换、功率谱密度估计等。
本文将重点探讨相位噪声的定义、特性以及其对系统性能的影响。
同时介绍时域分析和频域分析的基本原理、方法和工具，并讨论它们在相位噪声研究中的应用。
最后，总结相位噪声对系统的重要性，评价时域和频域分析的综合价值，并展望未来在相位噪声研究方面的发展方向。
1.2文章结构文章结构部分的内容可以按照以下方式编写：1.2 文章结构本文将按照以下结构来进行论述相位噪声、时域分析和频域分析的相关内容：2. 正文2.1 相位噪声2.1.1 定义和背景2.1.2 相位噪声的特性2.1.3 相位噪声的影响2.2 时域分析2.2.1 时域分析的基本原理2.2.2 时域分析的方法和工具2.2.3 时域分析的应用2.3 频域分析2.3.1 频域分析的基本原理2.3.2 频域分析的方法和工具2.3.3 频域分析的应用3. 结论3.1 总结相位噪声的重要性3.2 对时域和频域分析的综合评价3.3 展望未来的研究方向通过以上的结构安排，本文将首先从引言部分概述相位噪声的背景和目的，然后展开正文内容，分别介绍相位噪声的定义和特性，以及时域和频域分析的基本原理、方法、工具和应用。
离心风机振动噪声及压力脉动实验研究
离心风机振动噪声及压力脉动实验研究蔡建程;鄂世举;蒋永华;焦卫东;王冬云【摘要】利用传声器、加速度计、微型精密压力传感器对离心风机噪声、管道振动及压力脉动进行测量分析.结果表明,在风机噪声、管道振动、压力脉动频谱中与叶轮转动相关的离散分量明显,旋转频率分量最大;离散频率处噪声、振动与压力脉动相干函数值在0.5以上,而宽频分量处的相干函数值较小;管道内强烈压力脉动主要在距离风机出口5D(D为管道水力直径)的范围内,强度与参考动压ρv 2b/2(ρ 为流体密度,v b为体积速度)相当;在10D以后,管内流场趋于均匀,压力脉动值约为参考动压的20％;压力脉动频谱中旋转频率分量最为明显,其幅度在风机出口2D～4D 附近达到最大,为参考动压的25％左右.【期刊名称】《中国机械工程》【年(卷),期】2019(030)010【总页数】8页(P1188-1194,1206)【关键词】离心风机;压力脉动;噪声;振动【作者】蔡建程;鄂世举;蒋永华;焦卫东;王冬云【作者单位】浙江师范大学工学院,金华,321004;浙江师范大学工学院,金华,321004;浙江师范大学工学院,金华,321004;浙江师范大学工学院,金华,321004;浙江师范大学工学院,金华,321004【正文语种】中文【中图分类】TH430 引言管道流动广泛存在于能源动力、机械工程、石油化工、暖通空调、航空航天、船舶海洋、农业工程等众多领域。
管道流动经常由泵、风机及压缩机等流体机械驱动。
流体机械出口的非定常流动(如往复式流体机械周期性排气、叶轮式流体机械叶轮出口的射流——尾迹)将在下游管道中产生压力波动，进而造成管路系统的振动与噪声[1-2]。
流体机械出口非定常流场一方面在管道内向下游流动，所到之处产生流体动力性压力脉动即伪声(pseudo sound)[3]；另一方面非定常流动的速度、压力脉动分别是气动或水动噪声的四极子源和偶极子源，它们产生声波，声波在管内向上游及下游传播[4]。
灵巧噪声识别与对抗技术研究
采样复制而成的 ， 而真正的雷 达回波则 是雷达信号经过 目标
反射 回波而得到 的， 因此 ， 由于信号产生机理不 同， ２种 信号
特征存在差别 。
２ １ 时域 差 别 ．
１ 灵 巧 噪 声 干 扰 技 术
灵 巧 噪声 这 一 概念 最早 由施 赖 赫 在 其 １９ ９９年 出 版 的 著
图 ３ 真 实 雷 达 回波 信 号
会 产生多普勒频移 ， 即 ＝ ； ０ 而经过 目标 反射 回来 的真 实信
号 一 定 有 多 普 勒 频 移 。 因 此 ， 以利 用 另 外 １组 雷 达 波 测 量 可
２ ２ 频 域 差 别 ．
目标的多普勒频移 与雷达 回波 信号 的 多普勒 是否 一致来 判
恒， ： 等 灵巧 噪 声识 别与 对抗技 术研 究
层 声信号差别 也进 行了详细论述 。
１９ ３
图 ２ 由 Ｄ Ｆ 技 术 产 生 信 号 Ｒ Ｍ
： 艮 ＿ 信 号 一
＇
号
’
＿
一
， ，
｝
ｆ
图 ４ 雷 达信 号 与 Ｄ Ｆ 信 号 在 频 域 上 的 差 别 ＲＭ
判
断
２ ）寄生信号 抽样过程 中 ， 抽样方法将 引入 １组以抽样频率 ． 间隔 为 的多个信号 。在 噪声 干扰的过程 中 ， 干扰 机可 以用 滤波 器将 寄生信号滤 除 ， 但是 受带 宽影 响 ， 彻底 滤 除基带 附近 的 寄生
信 号 比较 困难 。 可 以 通 过 检 测 信 号 中 是 否 存 在 寄 生 信 号 来 识别噪声 。
３ ２ 反移 频 干 扰 ．
四 川 兵 工 学 报
ｈ ｐ ／ ｓｂ ． ｕｓｌ． ｏ ／ ｔ ：／ ｃ ｇｊ ｒ ｗ ｃｍ ｔ ｏ ｅ
NVH与汽车开发
３１３车外ＮＨ ．． Ｖ ．声的 控制： 车外噪声的控制土要是对于噪卢源的控制， 有效的降低各声源的噪卢是保证整车噪声的唯一和 根本途径。降噪是一项费时且投入很高的工作，因此必须首先正确识别影响整车噪声的主要声源。
常用的方法是噪声分解，在整车级分解方法是通过工况排除，系统（ 或部件） 排除和包裹法。其目的 是为了把某一声源从总的噪声中分离出去． 在噪声的振动控制中，进行噪声源进行识别是重要的工作内容之一。 它为噪声的控制提供了 基 础， 决定着噪声控制所努力的 方向。因 此，国际上对噪声源识别方法的研究随着科学技术的发展不
车嗓声源的识别方法、振动嗓声控制的手段的重要性和可行性。
关性词 振动嗓声，嗓声源，自 适应除噪技术，齿轮嗓声，瞬态噪声
０ 引 言 ． 随着汽车市场竞争的日 益激烈和市场对汽车产品要求的日 趋多 样化，各整车和零部件企业的产品 开发的周期越来越短。过去那种集整车和零部件开发于一体的开发方式己 越来越走向分＿化和专业 Ｌ 化。随着中国加入世贸组织，零部件的 全球采购己 成为可能， 这不仅大大提升了 零部件对枪车开发的 支持力，而且在向整车开发提供高质量零部件的同时也促使整车开发方式的转变，整车开发已 成为除 车身结构的设计外，以零部件的（ 结构） 整合和（ 性能） 匹配（ 标定） 为主的行为。 从一定意义上讲，核车 开发已 不在是单纯的结构设计，如何在取得优质零部件总成的基础上， 整合匹配出 满足法规和标准要 求及最优的整车系统性能，已 成为整车开发的核心。 影响汽车乘坐和使用环境重要因素的 振动噪声性能， 英译ＮＨ ｉｅ＆ｖｂａｉｎ＆ Ｖ （ ｓ ｎ ｏ ｉ ｔ ｒ ｏ ｈｒｈｅｓ，作为重要的法规和竞争指标在当 ａｓｎｓ） 今产品竟争中变得举足轻重。 振动噪声控制和研究更加 受到重视，从方法上看， 雄车开发职能的转变使得整车开发对于整车振动噪声性能的控制的重点从过 去的控制零部件和总成入手转变为偏重于对总成之间性能的总体匹配。 １ ＮＨ ． Ｖ 定义 ＮＨ Ｖ 主要是研究车辆的噪声和振动对整车性能和舒适性的影响。 车辆的噪声源， 主要包括：发动机，排气系统，高速行驶时的风噪卢、轮胎噪声。其它任何运动的部 件都有可能发出噪声。
两次去相关用于振动信号盲分离
第３１卷第２期 ２０１１年４月
振动、测试与诊断
Ｊｏｕｒｎａｌ ｏｆ Ｖｉｂｒａｔｉｏｎ，Ｍｅａｓｕｒｅｍｅｎｔ ８Ｌ Ｄｉａｇｎｏｓｉｓ Ｖ０１．３１ ＮＯ．２
Ａｐｒ．２０１ｌ
两次去相关用于振动信号盲分离。 江 涌 ， 章林柯 ， 何 琳 ， 王 伟。 （－海军工程大学振动与噪声研究所武汉，４３００３３） （。防化研究院北京，１０２２０５） （ 海军驻４３１厂军代室 葫芦岛，１２５００４）
摘要 盲分离方法通常要求对混合信号进行去相关，提出了一种基于两次去相关的振动信号盲分离方法。首先对 传统的预白化方法进行了分析，指出其本质就是空间去相关；然后对白化后信号某一非零延迟进行时间去相关，得 到两次去相关盲分离方法，并对该方法的可分性进行分析，给出两次去相关盲分离方法的详细步骤；最后分别用亚 高斯、超高斯的混合信号和振动混合信号的分离试验验证了该方法的可行性。
关键词 噪声源盲分离两次去相关 白化 中图分类号ＴＢ５６１
引 言 识别噪声源是控制噪声的关键。在噪声源识别 过程中，一般要求传感器较干净地采集到各噪声源 信号。但在实际情况下，往往无法充分地获得每个噪 声源的输入信号。且各传感器不可避免地会受到相 邻设备及环境的干扰，采集到的信号为各噪声源的 混合信号。因此，在分析各噪声源的特性之前，必须 对混合信号进行分离。国内外就此已经开展了大量 的研究。传统方法在时域上主要有分部运转、时历分 析和相关分析方法，频域上主要有谱分析、相干分析 和偏相干分析方法等。传统方法使用简单，分析方 便，但在识别精度上难以令人满意［１］。鉴于此，提出 了基于多输人／输出模型Ｌ２。］和自适应噪声抵消Ｌ４ 等 噪声源识别分析方法。上述方法的本质是：利用源信 号在时域或频域上不相互重叠的特性，对混合信号 进行分离。但在复杂结构中，因为空间狭窄，存在结 构耦合等影响，各噪声源信号往往在时域和频域上 相互重叠，使得上述方法使用受限。 盲分离技术是一种新兴的信号处理方法，具有稳 定的理论基础和诸多潜在的应用。在对源信号和传递 路径都没有任何先验知识的情况下，盲分离技术仅根 据源信号相互独立的特性，通过对观测到的混合信号 施以一定的变换，以恢复未知源信号【＿５。］。因此，当无 法充分地获得各噪声源信号或各噪源信号在时域和 频域上相互重叠时，盲分离技术是较好的选择。就声 信号而言，如果传声器与设备的距离较近，点声源的 ． 国家自然科学基金资助项目（编号：５０７７５２１８） 收稿日期：２００９—０４—０１；修改稿收到日期：２００９—０５—２５ 假设不再成立；如果距离较远，则系统（声源到传声 器）的因果性得不到保证［８］。与传声器相比，振动加速 度传感器主要布置在设备的机脚或基座上，受相邻设 备和环境的影响较少。在设备的状态监测中，振动加 速度计的数目较传声器的要多得多。 本文利用两次去相关的盲分离方法，在源信号 互不相关的前提下，对振动混合信号进行分离，并用 试验验证了该方法的可行性。 １盲分离理论 在线性的假设下，振源信号的混合过程可以分 为线性瞬时混合模型与卷积混合模型。对于窄带振 源、传播信号无反射和散射的情况，信号的混合可以 建模为线性瞬时混合模型。瞬时混合模型是研究卷 积混合模型的基础，现有的卷积盲分离算法大多为 瞬时盲分离算法的推广。其混合模型为 （￡）一Ａｓ（￡）＋ｎ（￡） （１） 其中：ｓ（ｆ）＝［ｓ （ｆ），…，５ （ｆ）］ 为 个源信号构成的 维向量； （ｆ）一［ｚ１（ｒ），…， （ｆ）］ 为州维观测数 据向量，其元素是各个传感器得到的输出； × 维 矩阵Ａ称为混合矩阵（ ≥ ），其元素表示信号的混 合（即传递路径）情况；，ｌ（ ）为加性观测噪声。 在盲分离中，噪声一般假设为高斯白噪声，利用 主成分分析或奇异值分解等可以估计源信号的个数 和去除噪声的影响Ｌ９］。因此，为便于分析，以下忽略 噪声的影响，且假设传感器数目与源信号数目相等， 即 — 。令 × 维分离矩阵为ｗ，则分离系统的输 ２４２ 振动、测试与诊断 第３１卷 出信号 （￡）一［－ｙ （ｆ），…，Ｙ （ｆ）］ 与输入信号 （ｆ）之 间的关系为 Ｙ（ｆ）一Ｗｘ（ｆ）一ＷＡｓ（ｆ） （２） 令Ｇ—ＷＡ，并称之为全局矩阵。如果能找到分 离矩阵ｗ，使全局矩阵满足下式 Ｇ—ＷＡ—ＰＤ （３） 则振源信号得以分离。其中：Ｐ为置换矩阵；Ｄ为对 角元素非零的对角矩阵，分别为分离系统输出信号 的顺序不确定性和幅值不确定性。在振源识别过程 中，利用的主要是功率谱信号及其形状，其信息主要 包含在信号波形中。因此，上述的顺序不确定性和幅 值不确定性对振源的定性识别没有实质性的影响。 ２去相关的盲分离方法 ２．１ 白化和球化 白化是盲分离方法的一种预处理手段。白化后 的信号只需通过坐标旋转变换（正交变换）就能恢复 出源信号。因此，预白化处理能够简化或改善盲分离 算法的性能。 所谓随机矢量 的白化，就是通过一定的线性 变换ｗ０ ｚ（愚）一Ｗ。 （是） （４） 使得变换后的随机矢量ｚ的０延迟相关矩阵为对角 矩阵，即 Ｒ （０）：ｅＦｚ（ｋ）ｚ （是）］一 （５） 而球化则是对白化后的信号进一步处理，使得 各信号的方差为１。因此，球化后信号ｚ的０延迟相关 矩阵为单位矩阵，即 Ｒ：：（Ｏ）一Ｅ［ｚ（五）ｚ （是）］一， （６） 球化矩阵ｗ。的求解方法基本上有两类，一类是 利用混合信号相关矩阵的特征值分解来实现的；另 一类则是通过对某些代价函数的最小化来自适应实 现的。矩阵的特征值分解算法简单、成熟，因此，本文 主要介绍第１类球化方法。 混合信号 的０延迟相关矩阵Ｒ 可表示为 Ｒ （０）一ＥＥｘ（ｋ）ｘ （五）］：＝＝ＡＲ （ｏ）Ａ （７） 其中：Ｒ （Ｏ）为源信号的０延迟相关矩阵。 由Ｒ （Ｏ）通常是对称正定的可知，Ｒ （Ｏ）存在特 征值分解为 Ｒ （０）一Ｖ Ａ ｙ —Ｖ 以 Ａ１ （８） 其中： 为一正交矩阵；Ａｘ—ｄｉａｇ ， ・・凡 ｝．为一 个有正特征值的 ≥ ≥… ＞０的对角矩阵。 那么标准的球化可以用线性变换Ｗ。一 “。 来实现，即 ｚ（志）一Ｗ。Ｘ（五）一Ａ２ ｖ：ｘ（愚） （９） 因此，球化后信号ｚ的０延迟相关矩阵 Ｒ：：（Ｏ）：＝＝ｗ。Ｒ （Ｏ）ｗ 一 以 ／ ｙ 以 ｙ ｙ 以 ／。一， （１Ｏ） 对于对称矩阵来说，其特征值分解和奇异值分解 是等价的，因此也可以通过对混合信号矢量相关矩阵 的奇异值分解来求白化矩阵。通常矩阵奇异值分解的 数值算法比特征值分解算法具有更好的稳定性，因此 推荐用混合信号的奇异值分解来求白化矩阵。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
及偏 相干 分 析 技术 的基 础 上 ， 出偏 相 干 函 数 的 条 件 谱 计 算 公 式 。 针 对 ０ ５ ０ 给 ． ． ｍ航 空声 学 风 洞 ， 定 噪 声 测 试 方 ５ ｍｘ ４ 拟
２ 风 洞 噪 声 测 试 方 案
４ （ 学 风 噪声 测试 试 验在 时．５ｍｘ０． 段 为开 口试 验段声 ２ 洞上 完成 。试 验 ０５风洞 试验ｍ低湍 流 度航 空 ， ） ， 消 声 室 收集 器 开度 为 ８ ０ｍｍｘ ２ ｒ， 口距 离 收 ５ ７ ０ｉ ｎ 喷 ｎ
其 中 噪声 源 与 目标 测 点噪 声 （ 出噪 声 ） 输 的偏 相干
函数 ） ，
！ 比较 全 面 地 反 映 了 噪 声源 的 贡献 。 因
此 ， 方便 起 见 ， 利用 式 （ ） 为 只 ５ 分析 偏相 干 函数特 性 ，
以便对 噪声 源进 行识 别和 分 离 。
若 噪 声源 之 间相 互 独 立 （ 不 影 响 ） 则 噪 声 源 互 ， 贡 献量 可用 常相 干 函数 表 示 为
手段 。声学 风 洞 中 的噪 声源 之 间相 互 影 响 ， 且具 有 “ 不可 屏蔽 ” 的特 性 ， 因此 ， 能采 用使 噪声源 分 别独 不 立 工 作 的方 式来 测 量和 分 析 噪声 源 的贡 献 量 ， 要 需
采 用偏相 干技 术对 声学 风洞 噪声源 进行 分析 。本 文 以 ０ ５ｍｘ ． ｍ 低 湍 流 度 航 空 声 学 风 洞 为研 究对 ． ０４ ５ 象， 介绍 了偏相干 技 术在风 洞噪 声源识 别 中的应用 。
在声 学风洞 中 ， 风扇 叶片旋 转 噪声 、 流经 过导 气
１ 噪 声源 贡 献 量 与偏 相 干 理 论
１１ 噪声源 贡献 量 ．
流 片 的噪 声 、 口射 流 噪 声和 收集 器 噪 声都 会对 消 喷
声 室 内的试验 段 背景 噪声 产生 影 响 ｕ 。研 究和 分析 声学 风洞 噪声源对 声学风洞 噪 声源识 别及 降噪 技术
Ｋｅ ｒ ｓ：ｃ ｕ ｔ ｓ； ａ ｏ ｓｉ ｓｍｅ ｒ ｅ ｍ ； ｅ ｏ ｃ ｕ ｔｃｗｉ ｄ ｔ ｎ ｅ ｃ ｎ ｒ ｕ ｏ ； ａ ｔ ｌ ｏ ｅ ｅ ｃ ｕ ｃ ｏ ； ｙ ｗｏ ｄ ａ ｏ ｓ ｃ ｉ ｃ ｕ ｔ ￣ｕ ｍｅ ｃ ａ ｒ ａ ｏ ｓｉ ｎ ｎ ｌ； ｏ ｔｉ ｔ ｎ ｐ ｒ ａ ｈ ｒ ｎ ｅ ｆ ｎ ｔ ｎ ｕ ｂｉ ｉ ｃ ｉ ｎ ｉｅｓ ｕ ｃ ｄ ｎ ｉ ｃ ｔｏ ｏ ｓ ｏ ｒ ｅｉ ｅ ｔ ａｉ ｎ ｉ ｆ
噪声源 贡献 量测 量是 为 了确 定在 声场 中给 定噪 声测 点位 置 ， 每个 噪 声源 的声 能量贡 献 ， 后针 对贡 然
献大 噪 声源采 取 降噪措 施 嘞 。噪 声源 贡献 量定 义为 噪声源 能量 与总 能量之 比 ， 即
研究 具有重 要意义 。
噪声源 贡献量 测试 及分 析是 噪声 源识 别 的重要
案。结合噪声测试数据 ， 表明风洞主要噪声源识别的有效性 。 关键词 ： 声学；噪声测量 ；航空声学风洞 ； 贡献量 ； 偏相干函数； 声源识别
中图 分 类 号 ： １． Ｖ２ １ ４ ７ 文 献表 示 码 ： Ａ Ｄ 编 码 ：０３ ６ ／ｉ ｎ１０ ．３ ５２ １．４ ３ ＯＩ １．９ ９ ．ｓ．０６ １５ －０ １ ． ３ ｊｓ ００
假 定 噪 声源 信 号 为平 稳 随机 信 号 ， 且系 统 为 常 参 数 线性 系 统 ， 可建 立 多输 入 单输 出噪 声系 统模 则
型 ， 图 １ 示 。 ．（ 代表 噪声源 输入信 号 ， ） 如 所 ２￡ ７） ｈ（ 代 ￡ 表 系统 响 应 ， ￡代表 系统 附加 噪声 ， （ 代 表声场 （ ） ￡ ）
分析 噪 声源 贡献 。
广 ～一…］
… … …
把 消 声室 内影 响风 洞 背景 噪 声 的主要 噪 声源简 化 为 两 个 噪 声源 ： 口噪声 和 收 集器 噪声 。把 风洞 喷 背 景 噪声 作 为输 出 ， 立双 输 入 单 输 出 噪 声系 统模 建
Ⅳ
Ｌ～…一 、 …ｊ ＼
ｔ ｅｎ ｉｅｍｅ ｓ ｅ ｎ ｔ ａａ ｔ ｅｍａｎ ｎ ｉｅｓ ｕ ｃ ｅ ｏ ｃ ｕ ｔ ｎ ｄ ｔ ｎ ｅ ｅ ｔ ｅ ． ｏ ｔ ｏ ｓ ａ ｕ ｍｅ ｔ， ｈ ｉ ｏ ｓ ｏ ｅｉ ａ ｒ ａ ｏ ｓ ｅｗｉ ｎ ｌ ｓｉ ｎ ｉ ｄ ｈ ｒ ｄ ｒ ｎ ｉ ｕ ｉ ｄ ｉ ｆ
鲁
也就不 能直接测 量 噪声源 贡献量 。
１ 偏相 干分析 ． ２
（ １ ）
其 中 Ｅ 为第 噪 声源 声 能量 或 声功 率 ， 为声场 个
中 目标 测 点的声 能量或 声功 率 。工程 中很 多时候不 能采取有 效措 施 ， 以进行 噪 声源 声功率 的单独 测量 ，
２１年 ８ ０１ 月
噪
声
与
振
动
控
制
第４ 期
文章 编号 ： ０ ６ １５ （０ ０ — １２０ １ ０ —３ ５２ １）４０ ４ —３ １
偏 相 干分 析 在风 洞噪 声 源识 别 中 的应 用
顾光武 ， 朱 博
（ 中国空 气动 力研 究与发展 中心 ， 四川 绵 阳 ６ １０ ） ２ ００
ｓ ｇｅ ｏ ｔｕ ｉ ｌ ｕｐ ｔ ｍｏ ｅ ｆ ｒ ｙ ｔｍ ｎ ｉｅ ｄ ｎ ｉ ｃ ｔ ｎ ｓ ｓ ｂ ｉ ｅ ．Ｔ ｅ ｅ ｈ ｉ ｕ ｏ ￣ｕ ｅ ｍ ｏ ｏ ｓ ｓ ｕ ｃ ｎ ｄ ｌ ｏ ｓ ｓｅ ｏ ｓ ｉ ｅ ｔ ａｉ ｉ ｉ ｆ ｏ ｅ ｔ ｌ ｈ ｄ ａ ｓ ｈ ｔ ｃ ｎ ｑ ｅ ｆ ｍｅ ｒ ｍｅ ｆ ｎ ｉｅ ｏ ｒ ｅ ｃ ｎ ｒ ｕ ｉｎ ａ ｄ ｐ ｒｉ ｌ ｏ ｅｅ ｃ ｎ ｌ ｓｓａ ｅｉ ｔｏ ｕ ｅ ｎ ｉｃ ｓ ｅ ． ｅ ｆ ｒ ｌ ｆｐ ｒｉｌ ｏ ｅ ｅ ｃ ｎ ｔ ｎ ｉ ｉ ｅ ｏ ｔｉ ｔ ｎ ａ ｔ ｈ ｒ ｎ ｅ ａ ａｙ ｉ ｒ ｎ ｒ ｄ ｃ ｄ ａ ｄ ｄ ｓ ｕ ｓ ｄ Ｔ ｏ ｍｕ ａ ｏ ａ ｔ ｈ ｒ ｎ ｅ ｆ ｃ ｏ ｓｇ ｖ ｎ ｂ ｏ ａｃ ｈ ａｃ ｕ ｉ ｂ ｒ ｓｄ ａ ｐ ｃ ｘ ＂ Ａｈ ｉ ｇ ａ ． ５ ×０ ４ ａ ｒ ａ ｏ ｓ ｃｗｉ ｄｔ ｎ ｅ ， ｈ ｅ ｕ ｅ ｎ ｃ ｅ ｒ ｓ ｎｅ ． ｃ ｒ ｉ ｇ ｙ“ ｅ ｉｕ ｌ ｅ ｍ ｍ ． ｎ ｎ ｔ ５ ｍ ｓ ０ ．ｍ ｅｏ ｃ ｕ ｔ ｎ ｎ ｌ ｔ ｅｍ ￣ ｒ ｍｅ ｔ ｈ ｍｅ ｉ ｐ ｅ ｅ ｔ ｄ Ａｃ ｏ ｄ ｎ ｉ ｕ ｓ ｓ
Ｇ Ｕ ａ ｇ－ ＺＨ Ｕ Ｂｏ Ｇｕ ｎ ｗｕ，
（ ｈｎ ｒｄ ｎ ｍｉｓ ｅｅｒｈａ ｄ ｖ ｌ ｍｅｔ ｅ ｔ ，Ｍｉ ｙｎ ２ ０ Ｓｃｕ ｎ Ｃ ｉａ Ｃ ｉａ ｏ ｙ ａ ｃ ｓａｃ ｅ ｐ ｎ ｎｅ Ａｅ Ｒ ｎ Ｄｅ ｏ Ｃ ｒ ａ ａ ｇ ６ ０ ， ｉ ａ ｈｎ ） ｎ １ ０ ｈ
／ … — １ ／／ Ｌ来自 验 段 风 速 为 ３ ／， 得 各 噪声 测 点 的总 声 压 级 如 ０ｍ ｓ 测 表 １ 示 。测试 结 果表 明 ， 口试 验段 风速 为 ３ ／ 所 开 ０ｒ ｓ ｎ 时 ， 洞背 景 噪声 具有 很低 的噪 声级 。 风
表 １各 噪 声测 点 声 压 级 （ 位 ：Ｂ） 单 ｄ
Ａｐ ｌ ａｉ ｎ ｏ ｒｉ ｌ ｈ ｒ ｎ ｅｆ ｒ ｐｉ ｔ ｆ ｃ ｏ Ｐａ ｔ ａ Ｃｏ ｅ ｅ ｃ ｏ ｉｅＳ ｕ ｃ ｄ ｎ ｉ ｃ ｔ ｎ ｉ Ｎｏ ｓ ｏ ｒ ｅＩ ｅ ｔ ａｉ ｉ ｆ ｏ ｎ Ａｅ ｏ ｃ ｕ ｔ ｉ ｄ Ｔ ｎ ｅ ｒ ａ ｏ ｓｉ Ｗ ｎ ｕ ｎ ｌ ｃ
Ａｂ ｔａ ｔ： ｄ ｎ ｉ ｃ ｔ ｎ ｏ ｏ ｓ ｏ ｒ ｅ ｉ ｆｉ ｏ ｔｎ ｉ ｎ ｆ ａ ｃ ｏ ｏ ｓ ｏ ｔｏ ． ｎ ｔ ｉ ａ ｅ ， ｌ ｐ ｅ ｉｐ ｔ ｓｒ ｃ Ｉ ｅ ｔ ｉａ ｉ ｆｎ ｉｅ ｓ ｕ ｃ ｓｏ ｍｐ ｒａ ｔｓ ｉ ｃ ｎ ｅ ｆ ｒｎ ｉｅ ｃ ｎ ｒ １ Ｉ ｈ ｓｐ ｐ ｒ ａ ｍｕ ｔ ｌ ｎ ｕ ／ ｆ ｏ ｇ ｉ ｉ
中 目标测 点 的噪声输 出信 号 。
偏 相 干分 析在 风洞 噪 声源 识别 中 的应用
（） ｆ Ｘ（ １ ｘ （） ２ｆ
● ●
●
１３ ４
— ： — ０ 一
ｉ－ 一 １ ＵＣｙ・ １ ｉ“ ） ｙ （ ） ｒ ｛ ！
ｌ
７ ．＿］ （ １： ｆ１ 一） ！
“ 余信 号 ” Ｌ 为条 件传 递 函数 ， 剩 ， Ⅳ为 附加 噪 声 的 傅里 叶 变 换 ，ｙ为声 场 中 目标 测 点 噪 声 信 号 的傅 里
收 稿 日期 ： ０ ０１－４； 改 日期 ：０ １０ —４ ２ １．２２ 修 ２ １－１１ 作 者 简 介 ： 光 武 （９ ０一 ， ， 族 ， 州 毕 节 人 ， 理 研 究 顾 １８ ）男 彝 贵 助 员 ， 要 从 事 风 洞 测 量 系 统 设 计 及 信 号 处 理 研 究 主 工作 。 Ｅｍａｌ ｕ ｕ ｇ ｕ １ ３ ｏ － ｉｇ ｇ ａ ｗ ＠ ６ ． ｍ ； ｎ ｃ
Ｔｂ１ Ｓ Ｌｏ ｍｅｓｒｍｅｔ ｏ ｔ（ｎｔｄ ａ ． Ｐ ｆ ａｕｅ ｎ ｉ ｓｕ ｉ Ｂ） ｐｎ ：
Ｌ —。 —— — —— ｊ ． —
图２等效系统
Ｆ ｇ２ Ｔｈ ｑ ｉ ａｅ ｔ ｙ ｔ ｍ ｉ． ｅ ｅ ｕ ｖ ｌｎ ｓｅ ｓ
偏 相 干 分 析 的基 本 思 想 是 利 用 输 入 间 的 相 干 性 ， 渐排 除有 关 输入 之 间 的线性 影 响 ， 逐 使系 统变 成
相互独 立 的条 件 输入 噪 声系 统 ｐ １如 图 ２ 示 。 Ｘ｛ 一， 所 为噪 声源 信 号 ｚ （ 的 傅里 叶变 换 ， 件 输入 ．＿］ ） ｆ 条 １ ！