[发明专利]一种车内噪声信号的重构方法

说明书

本发明涉及一种车内噪声信号的重构方法，包括以下步骤：1)信号分解分析：对源信号进行信号分解分析得到三个平稳的信号分量类别，即高频分量、中频分量和低频分量；2)分量适应度计算：构建BP神经网络模型分别进行训练，并将BP神经网络模型的权重和阈值作为分量适应度值，得到最优分量适应度值；3)信号重构模型：根据输入信号分量的类别，将最优分量适应度值赋予噪声重构BP网络作为初始权重和阈值，进行训练，在收敛后获取每类信号分量对应的重构算法模型，根据重构算法模型进行重构叠加完成乘员耳侧噪声信号的重构。与现有技术相比，本发明具有降低了信号的非平稳性和建模难度、提高重构精度等优点。

技术领域

本发明涉及信号处理及信息融合领域，尤其是涉及一种车内噪声信号的重构方法。

背景技术

为了实现车内乘员耳侧噪声的主动控制(ANC)，首先要为控制系统提供初级参考信号。对于初级参考信号的拾取，传统方法是在乘员耳侧附近安装传声器以获取初级参考信号，此方法不可避免的引入了次级声源二次污染，不利于系统的快速收敛。因此，研究车内乘员耳侧噪声的重构方法，获取ANC的参考信号具有一定的意义。

目前，声场重构的主要方法包括近场声全息(NAH)和多传感器数据融合(MSDF)等。时域NAH方法需要建立在自由声场假设的基础上，但实际应用中通常难以满足。考虑到乘员耳侧噪声重构，为了实现利用车外噪声源信号，重构得到乘员耳侧信号。数据融合方法的出现为解决多源数据特征提取以及融合建模提供了理论依据。多源数据融合通过已建立的规则和分析方法，从多传感器数据和信息综合，并在此基础上获取对被观测目标的一致性的认识。

MSDF方法已经从卡尔曼滤波法、贝叶斯估计法、最大似然估计法、聚类分析法等传统方法向基于自组织映射(SOM)、自适应加权融合(AWF)、模糊逻辑识别(FLI)、支持向量机(SVM)和人工神经网络(ANN)的智能方向发展。其中ANN被广泛运用，其中大部分采用BP(反向传播)算法。BP神经网络根据数据本身的内在联系建立模型，自动从数据中提取相关知识，并具有自学习，自组织和自适应能力。

然而，车内噪声信号属于机械振动和声学信号，具有强非线性和非平稳性，虽然BP神经网络具有很好的非线性拟合能力，能很好地应用于多源数据融合技术，但是处理具有非平稳性特点的信号，带来的误差不可避免。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种车内噪声信号的重构方法。

本发明的目的可以通过以下技术方案来实现：

一种车内噪声信号的重构方法，包括以下步骤：

1)信号分解分析：获取正常的噪声源信号数据并进行预处理，并对源信号进行信号分解分析得到三个平稳的信号分量类别，即高频分量、中频分量和低频分量；

2)分量适应度计算：分别以三个类别的噪声源信号分量作为输入，以车内噪声信号分量作为期望输出，构建BP神经网络模型分别进行训练，并将BP神经网络模型的权重和阈值作为分量适应度值，得到最优分量适应度值；

3)信号重构模型：根据输入信号分量的类别，将最优分量适应度值赋予噪声重构BP网络作为初始权重和阈值，通过误差反向传播法进行训练，在收敛后获取每类信号分量对应的重构算法模型，根据重构算法模型进行重构叠加完成乘员耳侧噪声信号的重构。

所述的步骤1)具体包括以下步骤：

11)基于本征模态分解对源信号X(t)进行分解，则有：

其中，c_i(t)为信号的第i个IMF分量，n为IMF分量总数，r_n为输出信号的残余分量；

12)获取每个IMF分量在每秒内的极值点数，以及每个IMF分量在原信号的能量占比；