11720833_噪声源信号盲识别

《11720833_噪声源信号盲识别》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、11720833—噪声源信号盲识别噪声已被公认为是与水质污染，大气污染并列的三大污染之一。在我们生活的环境中每个人都会受到各种噪声的干扰和影响。特别是在交通，工业生产和日常生活中，噪声更是无处不在。在噪声治理中，常常需要鉴别多源噪声中各声源对总体噪声的贡献情况，以便有针对性地进行治理。但是，在大多数情况下。不允许或无法使噪声源设备单独运行。因此，迫切需要能够进行在线分析各声源发声情况的声源鉴别系统。使用现代信号分析方法处理采集到的仪器设备在运行过程中产生的噪声信号，实现对噪声源的识别。在目前对噪声源识别的研究中，主要有以下几种方法：1

2、、消去法：所谓消去法，就是首先把试验对象在一定条件下测定其总和的工作噪声，然后去除其中的一部分或控制这部分噪声传出，再按同样试验条件测定去除部分后的试验对象的工作噪声，则去除这部分前后试验对象噪声交化值，即被视作被拆卸或控制传出噪声的方法。2、声强测量法：声强测量法是利用双点声压梯度的积分来近似空气质点的振动速度，并利用FFT来实现声强的实时测量。采用声强测量法分析噪声可获得丰富的噪声信息，不但可测出噪声的大小，而且还能测出声能的流向。3、相干函数法：相干函数法是根据相关理论，用互相关函数描述被测部件的振动信号与外界噪声信号之间的关系

3、．根据结果判断噪声是否由该部件振动引起，从而判断出各个声源。4、频谱分析法：在了解各组成声源噪声频谱特点的情况下，测量出总噪声频谱。再取得各部分声源的频谱，并将其与总声源频谱比较，就可以分析出各组成部分噪声贡献幅度。从而找出需控制的主要声源，以有效降低高能频率段的噪声。频谱分析法中，除应用幅值频谱外，还常应用功率谱。现代谱估计是以随机过程的参数模型为基础的谱估计方法。因此，也可以将其称为参数模型方法或简称模型方法。这种方法是为估计的随机过程建立一个准确或至少近似的模型，而不必像经典谱估计方法那样主观武断地认为凡未观测到的数据都等于零，

4、这样就从根本上摒弃了对数据序列加窗的隐含假设，从而得到比传统谱估计方法更为精确的功率谱估计。由于现代谱估计方法为信号建立了一个准确或近似的模型，从根本上摒弃了对数据序列加窗的隐含假设，因而能够更好地估计信号功率谱．利用现代谱方法估计功率谱时，不要求噪声源中只有一个信号为高斯分布，这与盲信号分离有很大区别(盲信号分离要求源信号中只能有一个信号为高斯分布)。只要利用能量随频率的分布(即功率谱)来求取噪声源的比重。现代谱估计的上述优点为噪声源识别提供了更为精确的方法。常用模型有ARMA模型、AR模型、MA模型,AR模型的正则方程是一组线性方

5、程，而MA和ARMA模型是非线性方程。由于AR模型具有一系列良好的性能，因此被研究最多也得到最广泛的应用。AR模型又称为自回归模型,是一个全极点的模型,可用如下差分方程来表示：其中，p是AR模型的阶数，{}=l，2，…，p是p阶AR模型的参数．将该模型记为，它的系统转移函数为：在功率谱估计中，若观测的数据x(n)是平稳随机过程，则该系统的输入w(n)也可认为是平稳的，因而根据线性系统对平稳随机信号的响应理论可得观测数据的功率谱为：由式可知，利用AR模型进行功率谱估计的实质是求解模型系数{}和的问题。考虑到噪声信号也是接近平稳随机信号的

6、，因此我们采用了AR模型。首先用仿真信号尽可能地逼近真实信号的特性。对于噪声源而言，为了消除因距离、方位等因素对原始噪声信号的影响，我们对噪声信号功率谱进行归一化处理。根据信号所具有的特征，选取阶数确定准则，主要应用了AIC准则，从而为下一步建立阶数适合的信号模型奠定基础。利用现代谱估计中的AR模型求取仿真噪声信号和真实噪声信号的模型参数，然后利用这些参数求得信号的功率谱图，通过功率谱图定性地描述主噪声源和次噪声源。在利用信号功率谱图定性描述噪声源后，进一步地利用曲线相似度和曲线关联度定量的识别主噪声源和次噪声源，即求取各噪声源在混合

7、信号中所占的比重。根据此结果进行对噪声进行识别。MATLAB仿真程序如下：%**********************************************************%clearallclccloseall%仿真信号的选取N=512;fs=1;a1=5;a2=3;w=2*pi/fs;x1=a1*sin(0.5*w*(0:N-1))+a2*cos(w*(0:N-1)).^2+randn(1,N);x2=a2*sin(w*(0:N-1))+a2*cos(0.8*w*(0:N-1)).^2+randn(1,N);%

8、功率谱估计及噪声源识别y1=10*x1+x2;%y1分别取10x1+x2，x1+10x2，x1+x2;k1=sqrt(sum(y1.^2));y1=y1./k1p1=arburg(y1,12);%利用AR模型对y1进行功