源信号数

源信号数（精选四篇）

源信号数 篇1

盲源分离是一门新兴技术学科, 发展到目前也就20多年, 在理论和实际应用中都取得了很大发展。当前, 盲源分离技术已成为国内外研究的热点问题, 被广泛应用于各学科。许多研究者都致力于采用该技术在各自领域内开展理论和实际应用研究, 并推动其向实用化领域发展。盲源分离技术在无线电通信、生物医学信号处理、语音识别、阵列信号处理、雷达信号处理以及图像消噪等领域具有广泛的应用前景[1,2,3]。

1 信源数的确定

1. 1 问题的提出

自适应处理可以随着数据的陆续取得而逐步更新处理器参数, 使处理所得数据逐步趋近于期望结果 ( 对盲信源分离而言即最后结果趋于输出各分量相互独立) 。自适应盲信源分离原理如图1所示。

自适应盲分离就是自适应地更新分离矩阵, 使其输出为:

式中, W ( t) 为n×m的分离矩阵, 目的使输出y ( t) 为源信号矢量s ( t) 的估计。一个等变化的盲信号分离批处理算法若变成自适应算法, 则批处理算法提供“均匀性能”的特点也将被其自适应算法所继承。

1. 2 信源数的确定

分析是在阵元数或传感器数m大于或等于实际的信源数n , 即m≥n, 且m≤2n, 而输出信道的个数n≤l≤m基础上进行的。由此条件可知, 混合矩阵A为m×n矩阵, 而分离矩阵W为l×m矩阵。即分离模型为:

对于信源数未知的盲信源分离问题的解决, 最早由Cichocki等人提出采用双层的神经网络结构来实现[4]。一种方法是利用概率统计方法估计源信号的数目, 如基于观测数据协方差矩阵的特征分解法、AIC和MDL准则等, 并用预白化处理对数据进行降维, 该算法的最大缺点是当混合矩阵病态或存在弱信号时, 分离效果很差。另一种方法是采用普通正定盲分离的自然梯度算法[5], 不同的是分离矩阵W ( t) 不再是n×m维, 而是m×m维的矩阵, 即分离模型为[4]:

因此无需知道源信号数目n。

为了说明此问题给出以下定理。

定理: 若混合矩阵A列满秩 ( m≥n) , 当且仅当分离矩阵时, 分离系统得输出互信息I ( yt, W) 取得极小值。G为m×m维置换矩阵, A+表示矩阵A的伪逆, N ( AT) 表示矩阵AT的零空间基矢量组成的m× ( m - n) 维矩阵, 是一个 ( m - n) ×m维矩阵, 其行向量由A+的任意m - n行组成。

对于m×n维混合矩阵A, 应该可以找到一个l×m分离矩阵W, 使得

式中, Λ为l×l的非奇异对角阵; A+= ( ATA) -1AT为矩阵A的Moore - Penrose广义逆 ( n×m) ; P为l×n的广义置换矩阵, 其每一行有一个“1”元素, 而每一列有多个“1”元素。利用式 ( 3) 可以得到:

在输出中有n个分离的源信号和l - n个分离源信号的拷贝。一个信号与其具有不同幅值因子的拷贝是相干信号。因此, 要想得到输入的n个源信号, 必须在分离层后面附加一个去相关层, 删除不需要的冗余分量后, 剩余信号即是希望提取的源信号。到目前为止Shun - tian Lou等人[6]通过检验输出分量间的相干性对冗余信号进行了检测与删除, 达到了较好的分离效果。

2 超定盲源分离算法的发散性分析

在超定盲源分离算法中, 特别是当输出通道个数满足n≤l≤m时, 分离模型 ( 3) 能够实现信号的分离, 但算法最终还是不可避免地发散。Amari等人给予了相应的证明[7], 并分析了算法发散的原因: 当算法收敛时, 分离矩阵W中同一源信号的若干个 ( ≥2) 拷贝信号所对应的行向量会相互影响。通过上述定理可知, 这些行向量彼此之间存在着Null ( AT) ( 混合矩阵AT的零空间) 某个基矢量的差别, 因此在自适应盲分离过程中, 分离矩阵W会在某一等价类中迭代, 定义等价类

式中, G为m×m置换矩阵; A+为矩阵A的伪逆, N ( AT) 为矩阵AT的零空间基矢量组成的m× ( m -n) 维矩阵;为一个 ( m - n) ×m维矩阵, 其行向量由A+的任意m - n行组成。这表示自然梯度算法 ( 6) 即使未达到平衡点, 分离系统仍能够使信号在发散前得到有效分离。但是, 随着W的迭代, 学习速率η ( t) 的取值不能足够小, 将会使得W阵中相关行向量得到累积, 进而导致分离矩阵W的范数趋于无穷大, 最终使得算法发散。

3 信源数动态变化的自适应盲分离算法

3. 1 算法的推导

为了保证超定盲源分离系统稳定进行, 需将自然梯度算法修订为[5]:

式中, R为m×m矩阵。当R = I ( 单位矩阵) 时, 算法 ( 6) 等价于自然梯度算法。若采用此模型, 当m > n时, 算法不能稳定收敛。因此, Amari等提出了BSS的非齐次正交学习算法[7], 将R定义为一对角矩阵:

这种非齐次正交的自然梯度算法能够使冗余分量哀减至零, 进而有效地避免了算法发散的问题, 特别是当源信号的幅值突然变化或间歇性变化时非常有效。但当分离的源信号幅值较小时, 却难以从弱冗余信号中区分开来并删除。Ye等人在此基础上提出了广义的正交自然梯度算法[8], 令

由此可见, 当m > n时, R不再是一对角矩阵, 而是与输出分量y ( t) 密切相关。如果能够准确预测源个数, 则可以根据输出分量y ( t) 选择合适的R就能够控制冗余拷贝信号在输出信道中的位置, 进而将其删除。

为了方便显示使输出分量, 且易于删除冗余分量, 考虑n < m≤2n的情况。假设输出的m - n个拷贝信号与其对应的源信号成对出现, 且位于输出的前2 ( m - n) 个通道, 剩余的源信号位于后2n - m个通道, 则输出分量可以表示为:

将式 ( 9) 代入自然梯度算法的平稳条件:

由自然梯度算法的附加限制条件[9]:

易得到输出分量在自然梯度算法的平衡条件下具体取值为:

式中, Iqr为m×m单位矩阵的第r列, q为M的第q列。由此可得学习规则:

式中, Wr为W的第r列。在上述推导基础上, 选取

便可得到新算法模型:

式中, 学习步长η ( t) 更新规则如下[10]:

式中, trace (·) 表示矩阵的迹。

采用时变学习步长算法的优点在于: 在自适应算法的初始阶段, 稳态误差e ( n) 比较大, 因此需要学习步长η ( t) 也相应较大, 便于得到较快的收敛速度; 随着稳态误差e ( n) 逐渐减小, 学习步长η ( t) 逐渐变小, 因此得到的稳态误差也很小。

由以上分析可知, 只要准确地得到信源数n , 便可以根据式 ( 14) 构造出矩阵R , 通过新算法 ( 15) 给出的学习规则, 从而就能准确地分离出m个源信号与m - n个冗余信号。

3. 2 信源数的动态变化

为了能够实时确定信源数n , 取算法当前迭代位置的前K个观测数据构成观测矩阵X , 如此一来矩阵X作为一个滑窗也在实时更新。根据求秩的定义, 当突然增加一个信号时, rank ( X) 也随之增加, 能够即时确定出当前信源数目n , 从而也达到了实时性的精确要求。而当突然消失一个信号时, 需要算法再迭代K次, rank ( X) 才能减少, 但这种影响可以忽略, 算法仍然是满足实时要求的。算法步骤如下:

1对前K个样本, 按照基本自然梯度算 法学习;

2从第K + 1个样本开始, 构造m×K的观测矩阵X , 并求得rank ( X) 进而得到信源个数n ;

3利用式 ( 14) 选取矩阵R , 并按新算法 ( 15) 进行运算;

4删除前m - n个偶数通道的输出冗余分量;

5若信源减少, 分离矩阵W不变; 若信源增加, 分离矩阵W = W + 0. 1 Im×m;

6重复步骤2 ~ 步骤5。

4 性能仿真

为了验证基于自适应的自然梯度算法能够有效地解决雷达信号的盲源分选问题, 此处考虑如下雷达信号的随机线性混合进行分离[11]:

S1: 方波信号sign ( cos ( 2π×155t) ) ;

S2: 高频正弦信号sin ( 2π×800t) ;

S3: 低频正弦信号sin ( 2π×90t) ;

S4: 相位调制 信号sin ( ( 2π×300t) +0. 5cos ( 2π×60t) ) ;

S5: 幅度调制信号1 + 0. 5sin ( 2π×9t) sin ( 2π×300t) ;

S6: 在[- 1, 1]均匀分布的随机噪声信号。

采用9个接收天线 ( m = 9, n = 6 ) , 随机产生混合矩阵A中的元素, 并服从区间 [- 1, 1]上的均匀分布。接收信号的采样速率是10 k Hz, 即采用周期Ts= 0. 000 1 s。自适应梯度算法的学习步长η ( t) 取65, 新自适应 梯度算法 学习步长 采用式 ( 17) 的学习步长η ( t) 。

4. 1 2 种算法的性能比较

2种算法的性能比较如图2所示。由图2能够看出新自适应梯度算法在2 000点时就已达到了很好的收敛效果, 而自适应梯度算法在4 000点时才达到了较好的收敛。新自适应梯度算法明显较自适应梯度算法有更快的收敛速度。另外, 新自适应梯度算法的误差也较自适应梯度算法有更好的改善。

4. 2源信号数随机减少的分离效果验证

在5 000个采样点 之前, 有6个源信号, 在5 000个采样点之后, 源信号随机地减少1个, 变为5个。源信号随机减少1个的串音误差曲线如图3所示, 从图3中可见, 在5 000个采样点源信号随机减少1个时, 串音误差稍有增大, 但很快又趋于稳定, 且持续保证了算法的收敛性能。

4. 3源信号数随机增加的分离效果验证

源信号随机增加1个的串音误差曲线如图4所示。在5 000个采样点 之前, 有5个源信号, 在5 000个采样点之后, 源信号随机的增加1个, 变为6个。

从图4中可见, 在5 000个采样点源信号随机增加1个时, 串音误差稍有增大, 但经过一段时间的调整, 很快又趋于稳定, 且持续保证了算法的收敛性能。

5 结束语

盲源分离方法作为一种新的研究领域越来越得到重视, 其研究所覆盖的范围也越来越大。上述主要是针对超定情况下盲源分离算法及其在雷达信号分选中的应用进行了研究。在分析了已有算法存在不足的基础上, 构造了一种适合于源信号数动态变化的自适应盲分离算法。新算法不仅克服了原有算法不能稳定收敛的缺点, 简化了算法的计算量与复杂度, 而且在源信号数随机减少或增加时仍能够达到较好的分离效果。通过仿真实验对算法的收敛稳定性与分离有效性进行了验证, 并为雷达信号处理的方法提供了一种新的思路。

参考文献

[1]HYVARINEN A, KARHUNEN J, OJA E.Independent Component Analysis[M].New York:Wiley, 2001.

[2]张贤达, 保铮.盲信号分离[J].电子学报, 2001, 12 (A) :1 766-1 771.

[3]YANG H H, AMARI S.Adaptive On-line Learning Algorithms for Blind Separation:Maximum Entropy and Minimum Mutual Information[J].Neural Computation, 1997, 9 (5) :1 457-1 482.

[4]CICHOCKI A, KARHUNEN J, KASPRZAK W, et al.Neural Networks for Blind Separation with Unkown Number of Sources[J].Neurocomputing, 1999, 24 (1) :55-93.

[5]AMARI S.Nutural Gradient Works Efficiently in Learning[J].Neural Computation, 1998, 10 (58) :251-276.

[6]LOU Shun-tian, ZHANG Xian-da.Blind Source Separation for Changing Source Number:A Neural Network Approach with a Variable Structure[M].ICA2001, San Diego, California, USA, 2001.

[7]AMARI S.Natural Gradient Learning for Over-and undercomplete Bases in ICA[J].Neural Computation, 1999, 11 (8) :1 875-1 883.

[8]YE J M, ZHU X L, ZHANG X D.Adaptive Blind Separation with an Unknown Number of Sources[J].Neural Computation, 2004, 16 (8) :1 641-1 660.

[9]AMARI S, CHEN T P, CICHOCKI A.Nonholonomic Orthogonal Learning Algorithm for Blind Source Separation[J].Neural Computation, 2000, 12 (6) :1 463-1 484.

[10]CICHCKI A, AMARI S.Adaptive Blind Signal and Image Processing:Learning Algorithm and Applications[M].Wiley, New York, 2002.

源信号数 篇2

关键词：盲信号分离,自然梯度算法,冗余分量,指数分布

所谓盲信源分离，是指未知传输信道特性及源信号任何先验知识的情况下，仅通过观测信号来实现信号辨识或信号恢复。其是当前信号处理和神经网络学界共同研究的课题，在无线电通信、雷达、图像、语音及生物医学等领域均具有良好的应用前景[1]。盲源分离问题根据源信号数目n和混合信号m数目之间的大小关系可分为正定盲信号分离(m=n)、欠定盲信号分离(m<n)和超定盲信号分离(m>n)3种情况。

迄今为止，盲信源分离的大部分经典算法均是围绕信源数已知展开的，对于信源数未知算法研究较少，尤其是对于信源数未知或数目动态变化的超定盲信号分离算法，至今少有研究[2,3]。然而在众多实际场合，源信号的数目未知甚至可能动态变化，例如在移动通讯中，一个小区中用户的个数就是随机变化的，因此源信号数目未知的盲信号分离问题研究更具现实意义[4,5]。

1 问题描述

考虑盲信源分离模型[1,2,3,4,5,6,7,8,9,10,11,12,13]

A是m×n维的混合矩阵，xt是m维的观测数据，st是n维的源信号向量。对源信号向量有如下假设:(1)源信号st的各分量相互统计独立且最多有一个信号服从高斯分布。(2)源信号具有零均值和单位方差。(3)混合矩阵列A满秩，即m≥n。

为实现盲信号分离，通常用n×m维的分离矩阵B作用于观测信号向量xt，使系统输出yt=Bxt是源信号向量st的某个拷贝或估计[6]。现有的多数研究假定观测信号向量与源信号向量有相同的维数，即m=n。本文研究m≥n且n未知的一般情形。

对于源信号个数未知的超定盲信号分离，现有采用分离矩阵的分离模型已不再适用。自然的想法就是采用的方阵作为分离矩阵的分离模型[4,5]，即

其中，B是m×m的非奇异的分离矩阵。显然，在分离模型式(2)下，分离模型输出作为一个m维的随机向量，其秩等于源信号个数n。文献[4]已证明了模型(2)是可分的，且当分离矩阵时，分离模型达到分离状态。其中，G是广义交换阵，N(AT)表示AT的零空间一组基构成的m×(m-n)的矩阵，为由A+的行向量和零向量中任取m-n个行向量构成的(m-n)×m子矩阵。

2 盲信号分离自然梯度算法

由互信息与微分熵之间的关系可得，分离模型(2)输出的互信息I(yt;Bt)为

式中，Bt为可逆方阵，yt与xt的负熵有如下关系

将式(4)代入式(3)并使用自然梯度[7,8,9]可得。搜索对比式(3)的极小值，可得离散时间自然梯度算法[7,8,9,10]

其中，ηt>0是学习速率，(yt)=[φ1(y1,t)，…，φm(ym,t)]T是一个非线性的列向量，其分量,i=1,2…，m，称作盲信号分离分值函数。通常情况下，分值函数i(yi,t)未知。一般用一个单调增的奇函数称作激励函数来代替分值函数，激励函数的选取要满足一定的稳定性条件[11]。

基于分离模型的自然梯度算法中Cichocki等人[12]首先提出，并用大量仿真验证了算法的有效性。

当自然梯度算法收敛到互信息的局部极小值点时，算法不能稳定收敛。其平稳条件[4,5]

无法得到满足。分离信号yt的秩等于源信号个数n，即输出信号中有n个输出信号线性无关，其他几个输出信号是以概率1线性无关的输出信号的线性组合，从而输出信号中最多有n个信号相互独立，而算法平衡的条件要求m个输出信号相互独立。由于分离点不是算法的平衡点，当算法收敛到分离点时，算法仍将驱使分离矩阵的各行沿混合矩阵转置的零空间作无效移动，以致分离矩阵的范数趋于无穷大而导致算法发散[5,6,7,8,9,10,11,12,13]。

3 自然梯度算法的仿真与分析

为验证在分离模型下自然梯度算法的分析结果，考虑以下源信号的分离:(1)符号信号sign(cos(2π155t));(2)幅度调制信号sin(2π10t)sin(2π300t);(3)高频正弦信号sin(2π800t);(4)在[-1,1]上均匀分布的随机噪声信号。仿真中，混合矩阵A7×4元素为在[-1,1]区间均匀分布的随机数，使用7 000个观测样本。初始分离矩阵取B0=0.5I，激励函数Φ(y)=y3，步长50T,T=0.000 1表示对观测信号的采样周期。文献[4]中已证明在源信号独立同分布的假设条件下，混合矩阵A的转置与任意长度为k的观察数据片断构成的m×k矩阵XT=[xt+1，…，xt+k]T以概率1具有相同的零空间[4]。可在Matlab环境下利用Null程序求N(XT)，即N(AT)。将分离矩阵B按行向混合矩阵AT的零空间作投影。

盲信号分离算法的性能用“串音”误差[4,5,6,7,8,9,10,11,12,13]

来衡量。其中，C=BA={cij}表示整个混合-分离合成系统的传递矩阵。

图1是截取1 000个采样点的源信号图像，图2是自然梯度算法分离出的信号;图3是自然梯度算法的200次独立运行平均串音误差曲线;图4给B出按行在Null(AT)上投影的F范数变化曲线。可看出，除了分离出4个源信号外，其他信号是源信号的重复。算法在学习的最初阶段是收敛的，但随着学习过程的继续，算法将随着分离矩阵范数指数的增长而发散。从图4中易见在自然梯度算法中信号分离后，B在Null(AT)的部分F范数趋于无穷。

4 投影自然梯度算法的冗余分量分析

由正交投影理论[5]可知，只需将自然梯度的各行沿无效空间Null(AH)方向作到有效空间的正交投影，便可消去自然梯度中沿Null(AH)方向的冗余分量，而保留在有效空间Col(A)中的有效移动。基于此，文献[5]中提出了投影自然梯度算法

投影自然梯度通过正交投影方法消除了自然梯度的各行沿无效空间Null(AH)方向的分量，并保留了自然梯度在有效空间Col(A)上的分量。由式(8)可得

记B，则就是自然梯度沿无效空间Null(AH)方向的冗余分量。

盲信号分离有分离信号的顺序和幅度不确定性两种不确定性。假设分离信号yt的前n个信号是按顺序排列的源信号，后m-n个信号是按原顺序排列的前m-n个信号。记分离矩阵收敛到分离点的时刻为零时刻，G取对角矩阵，即有B0=[a1T，…，anT,a1T+b1，…，aTm-n+bm-n]T。其中，bi表示Null(AT)的一组正交基构成的m×(mn)矩阵的第i列，ai表示diag{λ1，λ2，…，λn}A+的第i行，λi是第i个输出信号的幅度。通过简单计算，可得到冗余分量在零时刻的更新矩阵为

其中，η是学习步长，即一个较小的正数。

这样就得到了在时刻1的分离矩阵B1，进一步计算分离输出，可得冗余分量在时刻1的更新矩阵为

类似求的方法可得在时刻2，冗余分量更新矩阵为

其中，β=(2η2-η+1)(1-γ)。综合式(7)、式(8)、式(9)，可看到的更新有一定的规律性。对于任意时刻k,更新如下

其中，γk是与η有关的正常数。

的F范数的变化，对于任意时刻k，有

其中，，γk是与η有关的正常数。

在任意时刻k与k-1之间的变化有如下关系

其中，，则有ab>0。随时间t的增大而增大，即是单调递增的，且任意两数之差是常数，并有公共值，结合图4可得知，冗余分量B～t的F范数呈指数分布。

5 结束语

源信号数 篇3

随着社会经济的不断发展,卫星导航系统应用越来越广泛,为了实现更高的军事效益及经济利益,人们对于设备性能要求也越来越高,但是由于卫星导航系统的特殊性,设备的研制普遍时间长、花费高、不便捷。而卫星信号模拟器则可以为卫星导航系统及各类终端测试提供真实卫星导航系统的高精度模拟,可在受控的实验室环境中为GNSS接收机的研制、测试、生产等环节提供可重复、可选择的测试验证支持。也正鉴于此,人们越来越关注卫星信号模拟源技术的发展。

二、研究卫星导航信号模拟技术的意义

卫星导航信号模拟技术的研究具有政治、经济、军事等诸多意义,主要表现在以下几个方面:1、方便验证卫星导航信号的性能,推进卫星导航系统的建设与发展。2、打破高端模拟源国外禁运壁全,为我国卫星导航终端测试提供自主可控解决方案。3、促进卫星导航应用产业化推广,为结合卫星导航的创新应用提供高可信度的星座模拟测试手段。4、作为涵盖星座、环境、信号、电文等多层面的系统级技术,可以展示出卫星导航系统级技术水平,在国际合作中掌握更多主动权。

三、卫星导航信号模拟技术的现状

卫星导航信号迷你源的研制技术难度很大,涉及伪码扩频调制、载波相位的精确控制、误差仿真等技术。国外很早就开始研究GPS信号模拟源技术的研究,已经研制生产出多款型号并投入使用。因为GPS是由美国开发并使用的的卫星导航系统,至今已有几十年,因此美国拥有大量成熟的卫星信号模拟源技术。最早的卫星导航信号仿真系统是由Texas Instruments公司于1977年开发的GPS模拟源。自此,随着卫星导航系统的建立,体制的更新,其他卫星导航系统的出现,卫星导航信号模拟源也从模拟合成到数字合成、从中频数字合成到基带数字合成、通道由单到多、从单一仿真到混合仿真、从专用到通用、从整机系统仿真到便携的单片机片上仿真。目前国外市场上GPS仿真系统均不同程度地采用了大规模DSP/FPGA技术,在数字域进行直接信号合成,把多颗卫星的数字合成信号用一个射频通道输出,以提高信号精度和通道间的一致性。

因为卫星信号模拟源极大地方便了GPS系统及终端的研制,世界上许多国家相继研制了卫星导航信号模拟源。英国、美国、德国等已经有比较成熟的产品。其中,Spirent、Aeroflex公司等生产的GPS模拟源最具代表性。

经过多年的技术积累,国外的GPS卫星导航信号模拟源功能更多,性能更加优越,有的模拟源可以模拟多种环境下的干扰信号,甚至可以模拟差分信号、姿态测量信号,具有基于卫星增强(SBAS)仿真功能。对于其他卫星导航系统的模拟源则技术相对不够成熟。

国内在卫星导航领域起步就比较晚,卫星导航信号模拟技术与国外相比也有不小的差距,国内研究卫星导航信号模拟技术的机构主要包括北京航天航空大学、国防科技大学等高校,东方联星、华力创通等企业以及某些军工研究所。GNS8000系列卫星导航模拟器由湖南矩阵电子有限公司研制生产,支持中国北斗、美国GPS、俄罗斯格洛纳斯及欧盟的伽利略等多种卫星导航系统星座,并且可以产生高动态的卫星信号、以及可以与惯导组合实现实时闭环、还支持多波束抗干扰仿真、多输出多通道仿真等终端产品的测试。

四、卫星导航系统模拟源技术的发展趋势

卫星导航系统及应用经过近几十年的发展,其仿真测试技术及装备也经过了长时间的发展和积累,甚至先于导航应用终端的发展,特别是国外在建设导航测试评估系统方面基本与导航系统建设一致,经过长时间的发展积累了大量的技术及工程经验,对提升导航装备水平作用巨大。目前国际卫星导航模拟测试技术和相关装备发展表现出如下趋势:

源信号数 篇4

1 司机室内噪声形成的原理

1.1 噪声属于向司机室内传入的空气声

向司机室内传递噪声的主要途径就是通过声波的透射及泄露的方式, 直接影响司机室内空气声传入的重要因素是司机室的隔声性能和相应的密封程度, 形成了司机室内复杂的声场环境的主要原因还是由于噪声源通过不同的传播方式和作用机理。

1.2 司机室内部振动噪声及特性

噪声:由于司机室内部的组成零部件比较多, 随之产生的振动也就沿着相互接触的零部件而向外传递, 每个零部件振动传递的路径不同, 因此受到的振动激励也都不一样。导致司机室内的振动噪声变得复杂的主要原因就是因为不同频率的振动信号通过接触、传递, 然后在相互叠加在一起而形成的。

特性:由于空气、固体传播噪声能量的速度因结构的不同和噪声频率的变化而变化。主要分为两种噪声, 第一种是混响声, 混响声指的是噪声源发出的声波经过司机室内壁板一次或多次反射而形成的。第二种就是司机室内噪声, 司机室内噪声主要是由直达声固体声和空气声与室内混响声叠加的结果而形成的。

2 噪声源成分分离

为有效控制工程机械驾驶室内噪声, 利用集合经验模态分解 (ensemble empirical mode decomposition, EEMD) 后的本征模函数作为稳定独立成分分析 (independent component analysis, ICA) 算法中的多个虚拟通道, 提出了基于EEMD和ICA相结合的驾驶室内噪声盲源分离方法。

在源信号和传输通道未知的情况下, 独立分量分析 (Independent Compo-nent Analysis, ICA) 为较新的信号处理方法, 在机械设备故障诊断及状态监测中独立分量分析的盲源分离 (Blind Signal Separation, BSS) 方法已获得成功的应用。利用源信号之间的统计独立性的ICA算法应用较为广泛。

ICA算法是根据一定的优化准则, 对观测信号进行变换, 通过观测信号所得到近似源信号, 在分离过程中通过计算分离量的非高斯性的度量来判断是否完成对各独立分量的分离。而在源信号与传输通道参数均未知的情况下盲源分离问题存在两个不确定性问题:输出分量排序顺序的不确定性, 输出信号幅值的不确定性。

利用独立分量分析, 有一个很重要的限制条件:其通道数必须不少于源信号数。但是在我们的实际测量中很难预先知道源信号的数目, 而且通过无限增加采集通道数目方法识别源信号会造成不必要的浪费甚至增大试验难度。

3 降噪措施

噪声的传播主要是通过空气传声和固体传声两种途径。空气传声就是从噪声源出发, 以空气为媒质传播噪声。固体传声就是机器工作时产生的振动在固体物质中传播, 然后从固体物质中辐射出噪声。因此, 降低司机室噪声要在这两方面下功夫。

3.1 固体声控制

控制噪声传入司机室的关键就是减少或阻滞振动传入主车架和车体钢结构控。除加强车体、车架本身的刚度外, 主要采取隔振和增强车体阻尼。司机室底板架以及壁板等覆盖件的设计改进措施以提高结构刚度避免关键频率点的共振, 与司机室底板连接的部件进行连接方式改进隔绝或减弱振动传入这些都是控制固体噪声传播的有效措施。

3.2 空气声控制

改进提高司机室减振系统隔振性能, 司机室内进行隔声治理, 这样能够降低传入空气噪声, 控制噪声主要从控制声源发声与切断声音传播途径两方面研究。如阻断和屏蔽声波的传播, 或衰减声波的传播能量。从声音传播的根本途径上考虑降低噪声。主要包括以下几点: (1) 在设计司机室的时候将噪声源布置在远离司机室; (2) 加强司机室的隔声、吸声效果; (3) 提高司机室的密封性。

4 结语

为了提升产品的节能效果并达到发达国家实施的噪音标准, 提升产品的质量, 这不仅仅只是要求工程机械的基础配套件制造水平的提高, 更是对整个综合减振降噪的技术提出了更高的要求。因此, 本文通过对司机室内噪声来源、噪声传播途径和产生机理, 解决措施进行了分析和论述。采用多种方法相结合的研究策略, 可识别复杂坏境下司机室内的噪声, 为更进一步的治理司机室噪声提供分析方法。

摘要：随着社会的发展, 科技的进步和环保意识的观念增强, 现代化工业生产不断进步发展, 工程机械行业的发展已成为机械行业的第四大产业。因此, 机械设备故障诊断技术的问题也越来越受到人们的关注。NVH (naise, vi-bration and harshness) 的重要指标之一就是工程机械室内噪声, 工程机械噪声的研究有利于增强我国机械产品在国际上的竞争力, 有利于我国迈向机械制造强国, 所以, 室内噪声信号盲源的问题的研究有着十分重要的意义。

关键词：工程机械,室内噪声,特性分析

参考文献

[1]王丽, 周以齐, 于刚, 米永振.基于EEMD和ICA方法的驾驶室内噪声源时频分析[J].山东大学学报 (工学版) , 2014 (02) :80-88.

[2]孟宗, 蔡龙.基于EEMD子带提取相关机械振动信号单通道盲源分离[J].振动与冲击, 2014 (20) :40-46+51.