CN105489215A - 一种噪声源识别方法及系统 - Google Patents

Abstract

本发明公开了一种噪声源识别方法，包括：采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形；将混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；将混合振动信号的时域波形与噪声模式匹配数据库进行匹配分析；输出与噪声模式匹配数据库匹配的匹配原子；依据匹配原子确定噪声源的模式。本发明操作简单，且能够提高噪声源的识别效率和准确率。本发明还公开了一种噪声源识别系统。

Description

一种噪声源识别方法及系统

技术领域

本发明涉及噪声处理技术领域，尤其涉及一种噪声源识别方法及系统。

背景技术

目前，在家电的降噪处理过程中，大都是针对家电的单一零部件进行结构优化，以达到降噪的目的。例如，在对吸油烟机的降噪处理中，大都是针对风机组件的单一零部件进行结构优化的。当家电在启动运转过程中产生较大或异常噪声时，需要对家电进行拆卸来一一查找噪声源，由此可以看出，现有的家电噪声源识别方法，操作复杂、准确率低，不能高效的对噪声源进行识别。

发明内容

本发明提供了一种噪声源识别方法，操作简单，且能够提高噪声源的识别效率和准确率。

本发明提供了一种噪声源识别方法，包括：

采集家电设备运行时的混合振动信号，得到所述混合振动信号的时域波形；

将所述混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；

将所述混合振动信号的时域波形与所述噪声模式匹配数据库进行匹配分析；

输出与所述噪声模式匹配数据库匹配的匹配原子；

依据所述匹配原子确定噪声源的模式。

优选地，所述将所述混合振动信号的时域波形与所述噪声模式匹配数据库进行匹配分析具体为：

将所述混合振动信号的时域波形分别与所述噪声模式匹配数据库进行一阶匹配分析。

优选地，构建所述噪声模式匹配数据库包括：

采集家电设备的异常噪声时域波形；

利用目标优化法对所述异常噪声时域波形进行学习优化；

将优化后的特征波形作为基原子模型，构造得到原子库；

组合所述原子库得到所述噪声模式匹配数据库。

优选地，所述利用目标优化法对所述异常噪声时域波形进行学习优化包括：

从所述异常噪声时域波形中选取M个特征波形作为学习样本ai，并随机产生与学习样本等长度的向量作为待优化波形a，其中，i＝1，2，...，M，特征波形的长度为L；

对所述待优化波形a进行归一化处理；

对所述待优化波形a进行调整，使待优化波形a与学习样本ai接近；

更新待优化波形，得到新的优化波形向量；

重复上述步骤，直至残差能量和无变化，得到优化后的特征波形。

优选地，所述将优化后的特征波形作为基原子模型，构造得到原子库具体为：

将优化后的特征波形作为基原子模型；

将所述基原子模型横向平移，构造得到原子库。

一种噪声源识别系统，包括：

第一采集单元，用于采集家电设备运行时的混合振动信号，得到所述混合振动信号的时域波形；

输入单元，用于将所述混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；

匹配分析单元，用于将所述混合振动信号的时域波形与所述噪声模式匹配数据库进行匹配分析；

第一输出单元，用于输出与所述噪声模式匹配数据库匹配的匹配原子；

确定单元，用于依据所述匹配原子确定噪声源的模式。

优选地，所述匹配分析单元，用于将所述混合振动信号的时域波形分别与所述噪声模式匹配数据库进行一阶匹配分析。

优选地，所述系统还包括：

第二采集单元，用于采集家电设备的异常噪声时域波形；

学习优化单元，用于利用目标优化法对所述异常噪声时域波形进行学习优化；

构造单元，用于将优化后的特征波形作为基原子模型，构造得到原子库；

组合单元，用于组合所述原子库得到所述噪声模式匹配数据库。

优选地，所述学习优化单元包括：

初始化单元，用于从所述异常噪声时域波形中选取M个特征波形作为学习样本ai，并随机产生与学习样本等长度的向量作为待优化波形a，其中，i＝1，2，...，M，特征波形的长度为L；

归一化处理单元，用于对所述待优化波形a进行归一化处理；

调整单元，用于对所述待优化波形a进行调整，使待优化波形a与学习样本ai接近；

更新单元，用于更新待优化波形，得到新的优化波形向量；

第二输出单元，用于在重复上述步骤，直至残差能量和无变化后，得到优化后的特征波形。

优选地，所述构造单元，用于将优化后的特征波形作为基原子模型，将所述基原子模型横向平移，构造得到原子库。

由上述方案可知，本发明提供的一种噪声源识别方法，当需要对家电进行噪声源识别时，采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形，将得到的时域波形输入预先构建得到的噪声模式匹配数据库进行匹配分析，根据匹配分析输出与噪声模式匹配数据库匹配的匹配原子，最后依据得到的匹配原子确定噪声源的模式，操作简单，能够一次性的识别出家电设备的多种噪声，提高了噪声源的识别效率和准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一公开的一种噪声源识别方法的流程图；

图2为本发明实施例二公开的一种噪声源识别方法的流程图；

图3为本发明公开的一种构建噪声模式匹配数据库的方法流程图；

图4为本发明公开的一种利用目标优化法对异常噪声时域波形进行学习优化的方法流程图；

图5为本发明实施例一公开的一种噪声源识别系统的结构示意图；

图6为本发明实施例二公开的一种噪声源识别系统的结构示意图；

图7为本发明公开的一种一种构建所述噪声模式匹配数据库的系统结构示意图；

图8为本发明公开的一种利用目标优化法对异常噪声时域波形进行学习优化的系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本发明实施例一公开的一种噪声源识别方法，包括以下步骤：

S101、采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形；

当需要对家电设备的噪声源进行识别时，在家电设备运行的过程中，实时的采集家电设备运行时的混合振动信号，即采集家电设备运行时发出的混合噪声信号。根据采集到的混合振动信号得到混合振动信号的时域波形。

S102、将混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；

将采集到的混合振动信号的时域波形输入到噪声模式匹配数据库中，所述的噪声模式匹配数据库是预先构建得到的，在噪声模式匹配数据库中存储有表征家电设备各种噪声模式的匹配原子。

S103、将混合振动信号的时域波形与噪声模式匹配数据库进行匹配分析；

将采集到的混合振动信号的时域波形与噪声模式匹配数据库进行匹配分析，即分析采集到的混合振动信号的时域波形中是否有与噪声模式匹配数据库相匹配的时域波形。

S104、输出与噪声模式匹配数据库匹配的匹配原子；

当采集到的混合振动信号的时域波形中有与噪声模式匹配数据库相匹配的时域波形时，表明此时家电设备在运行过程中产生了噪音，将于混合振动信号的时域波形相匹配的匹配原子输出。

S105、依据匹配原子确定噪声源的模式。

由于噪声模式匹配数据库中的每一个匹配原子代表一种噪声源，因此，根据输出的匹配原子即可确定出此时家电设备的噪声源模式。

综上所述，在上述实施例中，当需要对家电进行噪声源识别时，采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形，将得到的时域波形输入预先构建得到的噪声模式匹配数据库进行匹配分析，根据匹配分析输出与噪声模式匹配数据库匹配的匹配原子，最后依据得到的匹配原子确定噪声源的模式，操作简单，能够一次性的识别出家电设备的多种噪声，提高了噪声源的识别效率和准确率。

如图2所示，为本发明实施例二公开的一种噪声源识别方法，包括：

S201、采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形；

当需要对家电设备的噪声源进行识别时，在家电设备运行的过程中，实时的采集家电设备运行时的混合振动信号，即采集家电设备运行时发出的混合噪声信号。根据采集到的混合振动信号得到混合振动信号的时域波形。

S202、将混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；

将采集到的混合振动信号的时域波形输入到噪声模式匹配数据库中，所述的噪声模式匹配数据库是预先构建得到的，在噪声模式匹配数据库中存储有表征家电设备各种噪声模式的匹配原子。

S203、将混合振动信号的时域波形分别与噪声模式匹配数据库进行一阶匹配分析；

将采集到的混合振动信号的时域波形与噪声模式匹配数据库进行一阶匹配分析，即将混合振动信号的时域波形与噪声模式匹配数据库中的原子库进行求向量积，将向量积大的作为最适合匹配原子。

S204、输出与所述噪声模式匹配数据库匹配的匹配原子；

当采集到的混合振动信号的时域波形中有与噪声模式匹配数据库相匹配的时域波形时，表明此时家电设备在运行过程中产生了噪音，将于混合振动信号的时域波形相匹配的匹配原子输出。

S205、依据所述匹配原子确定噪声源的模式。

由于噪声模式匹配数据库中的每一个匹配原子代表一种噪声源，因此，根据输出的匹配原子即可确定出此时家电设备的噪声源模式。

综上所述，在上述实施例中，当需要对家电进行噪声源识别时，采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形，将得到的时域波形输入预先构建得到的噪声模式匹配数据库进行一阶匹配分析，根据匹配分析输出与噪声模式匹配数据库匹配的匹配原子，最后依据得到的匹配原子确定噪声源的模式，操作简单，能够一次性的识别出家电设备的多种噪声，提高了噪声源的识别效率和准确率。

具体的，在上述实施例中，构建噪声模式匹配数据库的其中一种实现方式如图3所示，包括以下步骤：

S301、采集家电设备的异常噪声时域波形；

在家电设备运行的过程中，采集家电设备异常噪声的时域波形。以吸油烟机为例，风机组件是吸油烟机的主要噪声源，风机组件包括电机、蜗壳、离心风叶等零部件。在吸油烟机工作的过程中个，分别采集电机、蜗壳、离心风叶发出的异常噪声的时域波形。

S302、利用目标优化法对所述异常噪声时域波形进行学习优化；

以吸油烟机为例，对采集到的电机、蜗壳、离心风叶发出的异常噪声的时域波形分别利用目标优化法进行学习优化，分别得到优化后的特征波形。

S303、将优化后的特征波形作为基原子模型，构造得到原子库；

将每个异常噪声的时域波形优化后得到的特征波形作为一个基原子模型，并得到每个异常噪声的时域波形的原子库。以吸油烟机为例，将分别得到电机发出的异常噪声的时域波形的原子库、蜗壳发出的异常噪声的时域波形的原子库和离心风叶发出的异常噪声的时域波形的原子库。

S304、组合原子库得到所述噪声模式匹配数据库。

将得到的所有异常噪声的时域波形的原子库进行组合，得到噪声模式匹配数据库。

具体的，上述的将优化后的特征波形作为基原子模型，构造得到原子库的具体实现方式可以为：将优化后的特征波形作为基原子模型，将基原子模型平移得到具有类似特征的原子，将得到的原子构造成原子库。

具体的，上述的利用目标优化法对异常噪声时域波形进行学习优化的其中一种实现方式如图4所示，包括以下步骤：

S401、从异常噪声时域波形中选取M个特征波形作为学习样本ai，并随机产生与学习样本等长度的向量作为待优化波形a，其中，i＝1，2，...，M，特征波形的长度为L；

在利用目标优化法对异常噪声时域波形进行学习优化的初始化阶段，从异常噪声时域波形中选取M个特征波形作为学习样本ai(i＝1，2，...，M)，特征波形的长度均为L，并随机产生与学习样本等长度的向量作为待优化波形a。

S402、对待优化波形a进行归一化处理；

对待优化波形a进行归一化处理得a'＝a/||a||₂，样本a_i减去其在a'上的投影得到残差r_i＝a_i-Cp_ia'，计算所有残差的能量和E。

S403、对待优化波形a进行调整，使待优化波形a与学习样本ai接近；

为了使残差的能量和尽可能小，需要对待优化波形进行调整，使待优化波形尽可能在总体上与学习样本接近。调整的方法是先建设在向量a'加一调整向量Δ＝{δ₁,δ₂...,δ_L}，计算调整后的残差能量和E^*与调整前的残差能量和E的差值。要使差值达到最小，通过计算差值对调整量δ₁的偏导并使之等于零，从而得到Δ值，如以下公式所示：

a^*＝a'+Δ；

$E^{*}=\underset{i=1}{\overset{M}{\Σ}}\left|\right|r_i^{*}|{|}_2^2;$

$\frac{\∂(E^{*}-E)}{\∂{\mathrm{\δ}}_1}=0,i=1,2,...,L;$

进一步推导得：

Δ＝R_rc/P_cc，R_rc表示以残差为列向量组成的矩阵与投影系数组成的列向量乘积，P_cc表示投影系数向量的内积。

S404、更新待优化波形，得到新的优化波形向量；

通过公式a^*＝a'+Δ＝R_ac/P_cc得到新的优化波形向量，R_ac表示以学习样本为列向量组成的矩阵与投影系数组成的列向量乘积。

S405、重复S402～S404，直至残差能量和无变化，得到优化后的特征波形。

如图5所示，为本发明实施例一公开的一种噪声源识别系统，包括：

第一采集单元501，用于采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形；

当需要对家电设备的噪声源进行识别时，在家电设备运行的过程中，通过第一采集单元501实时的采集家电设备运行时的混合振动信号，即采集家电设备运行时发出的混合噪声信号。根据采集到的混合振动信号得到混合振动信号的时域波形。

输入单元502，用于将混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；

通过输入单元502将采集到的混合振动信号的时域波形输入到噪声模式匹配数据库中，所述的噪声模式匹配数据库是预先构建得到的，在噪声模式匹配数据库中存储有表征家电设备各种噪声模式的匹配原子。

匹配分析单元503，用于将混合振动信号的时域波形与噪声模式匹配数据库进行匹配分析；

通过匹配分析单元503将采集到的混合振动信号的时域波形与噪声模式匹配数据库进行匹配分析，即分析采集到的混合振动信号的时域波形中是否有与噪声模式匹配数据库相匹配的时域波形。

第一输出单元504，用于输出与所述噪声模式匹配数据库匹配的匹配原子；

当采集到的混合振动信号的时域波形中有与噪声模式匹配数据库相匹配的时域波形时，表明此时家电设备在运行过程中产生了噪音，通过第一输出单元504将与混合振动信号的时域波形相匹配的匹配原子输出。

确定单元505，用于依据所述匹配原子确定噪声源的模式。

由于噪声模式匹配数据库中的每一个匹配原子代表一种噪声源，因此，通过确定单元505根据输出的匹配原子即可确定出此时家电设备的噪声源模式。

综上所述，在上述实施例中，当需要对家电进行噪声源识别时，采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形，将得到的时域波形输入预先构建得到的噪声模式匹配数据库进行匹配分析，根据匹配分析输出与噪声模式匹配数据库匹配的匹配原子，最后依据得到的匹配原子确定噪声源的模式，操作简单，能够一次性的识别出家电设备的多种噪声，提高了噪声源的识别效率和准确率。

如图6所示，为本发明实施例二公开的一种噪声源识别系统，包括：

第一采集单元601，用于采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形；

当需要对家电设备的噪声源进行识别时，在家电设备运行的过程中，通过第一采集单元601实时的采集家电设备运行时的混合振动信号，即采集家电设备运行时发出的混合噪声信号。根据采集到的混合振动信号得到混合振动信号的时域波形。

输入单元602，用于将混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；

通过输入单元602将采集到的混合振动信号的时域波形输入到噪声模式匹配数据库中，所述的噪声模式匹配数据库是预先构建得到的，在噪声模式匹配数据库中存储有表征家电设备各种噪声模式的匹配原子。

匹配分析单元603，用于将混合振动信号的时域波形分别与噪声模式匹配数据库进行一阶匹配分析；

通过匹配分析单元603将采集到的混合振动信号的时域波形与噪声模式匹配数据库进行一阶匹配分析，即将混合振动信号的时域波形与噪声模式匹配数据库中的原子库进行求向量积，将向量积大的作为最适合匹配原子。

第一输出单元604，用于输出与所述噪声模式匹配数据库匹配的匹配原子；

当采集到的混合振动信号的时域波形中有与噪声模式匹配数据库相匹配的时域波形时，表明此时家电设备在运行过程中产生了噪音，通过第一输出单元604将于混合振动信号的时域波形相匹配的匹配原子输出。

确定单元605，用于依据所述匹配原子确定噪声源的模式。

由于噪声模式匹配数据库中的每一个匹配原子代表一种噪声源，因此，通过确定单元605根据输出的匹配原子即可确定出此时家电设备的噪声源模式。

综上所述，在上述实施例中，当需要对家电进行噪声源识别时，采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形，将得到的时域波形输入预先构建得到的噪声模式匹配数据库进行一阶匹配分析，根据匹配分析输出与噪声模式匹配数据库匹配的匹配原子，最后依据得到的匹配原子确定噪声源的模式，操作简单，能够一次性的识别出家电设备的多种噪声，提高了噪声源的识别效率和准确率。

具体的，在上述实施例中，构建噪声模式匹配数据库的系统如图7所示，包括：

第二采集单元701，用于采集家电设备的异常噪声时域波形；

在家电设备运行的过程中，通过第二采集单元701采集家电设备异常噪声的时域波形。以吸油烟机为例，风机组件是吸油烟机的主要噪声源，风机组件包括电机、蜗壳、离心风叶等零部件。在吸油烟机工作的过程中个，分别采集电机、蜗壳、离心风叶发出的异常噪声的时域波形。

学习优化单元702，用于利用目标优化法对所述异常噪声时域波形进行学习优化；

以吸油烟机为例，对采集到的电机、蜗壳、离心风叶发出的异常噪声的时域波形分别利用目标优化法进行学习优化，分别得到优化后的特征波形。

构造单元703，用于将优化后的特征波形作为基原子模型，构造得到原子库；

将每个异常噪声的时域波形优化后得到的特征波形作为一个基原子模型，并得到每个异常噪声的时域波形的原子库。以吸油烟机为例，将分别得到电机发出的异常噪声的时域波形的原子库、蜗壳发出的异常噪声的时域波形的原子库和离心风叶发出的异常噪声的时域波形的原子库。

组合单元704，用于组合原子库得到所述噪声模式匹配数据库。

将得到的所有异常噪声的时域波形的原子库进行组合，得到噪声模式匹配数据库。

具体的，上述的将优化后的特征波形作为基原子模型，构造单元构造得到原子库的具体实现方式可以为：将优化后的特征波形作为基原子模型，将基原子模型平移得到具有类似特征的原子，将得到的原子构造成原子库。

具体的，上述的利用目标优化法对异常噪声时域波形进行学习优化的系统如图8所示，包括：

初始化单元801，用于从所述异常噪声时域波形中选取M个特征波形作为学习样本ai，并随机产生与学习样本等长度的向量作为待优化波形a，其中，i＝1，2，...，M，特征波形的长度为L；

在利用目标优化法对异常噪声时域波形进行学习优化的初始化阶段，从异常噪声时域波形中选取M个特征波形作为学习样本ai(i＝1，2，...，M)，特征波形的长度均为L，并随机产生与学习样本等长度的向量作为待优化波形a。

归一化处理单元802，用于对所述待优化波形a进行归一化处理；

对待优化波形a进行归一化处理得a'＝a/||a||₂，样本a_i减去其在a'上的投影得到残差r_i＝a_i-Cp_ia'，计算所有残差的能量和E。

调整单元803，用于对所述待优化波形a进行调整，使待优化波形a与学习样本ai接近；

为了使残差的能量和尽可能小，需要对待优化波形进行调整，使待优化波形尽可能在总体上与学习样本接近。调整的方法是先建设在向量a'加一调整向量Δ＝{δ₁,δ₂...,δ_L}，计算调整后的残差能量和E^*与调整前的残差能量和E的差值。要使差值达到最小，通过计算差值对调整量δ₁的偏导并使之等于零，从而得到Δ值，如以下公式所示：

a^*＝a'+Δ；

$E^{*}=\underset{i=1}{\overset{M}{\Σ}}\left|\right|r_i^{*}|{|}_2^2;$

$\frac{\∂(E^{*}-E)}{\∂{\mathrm{\δ}}_1}=0,i=1,2,...,L;$

进一步推导得：

Δ＝R_rc/P_cc，R_rc表示以残差为列向量组成的矩阵与投影系数组成的列向量乘积，P_cc表示投影系数向量的内积。

更新单元804，用于更新待优化波形，得到新的优化波形向量；

通过公式a^*＝a'+Δ＝R_ac/P_cc得到新的优化波形向量，R_ac表示以学习样本为列向量组成的矩阵与投影系数组成的列向量乘积。

第二输出单元805，用于重复上述过程，直至残差能量和无变化，得到优化后的特征波形。

本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种噪声源识别方法，其特征在于，包括：

采集家电设备运行时的混合振动信号，得到所述混合振动信号的时域波形；

将所述混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；

将所述混合振动信号的时域波形与所述噪声模式匹配数据库进行匹配分析；

输出与所述噪声模式匹配数据库匹配的匹配原子；

依据所述匹配原子确定噪声源的模式。

2.根据权利要求1所述的方法，其特征在于，所述将所述混合振动信号的时域波形与所述噪声模式匹配数据库进行匹配分析具体为：

将所述混合振动信号的时域波形分别与所述噪声模式匹配数据库进行一阶匹配分析。

3.根据权利要求1或2所述的方法，其特征在于，构建所述噪声模式匹配数据库包括：

采集家电设备的异常噪声时域波形；

利用目标优化法对所述异常噪声时域波形进行学习优化；

将优化后的特征波形作为基原子模型，构造得到原子库；

组合所述原子库得到所述噪声模式匹配数据库。

4.根据权利要求3所述的方法，其特征在于，所述利用目标优化法对所述异常噪声时域波形进行学习优化包括：

从所述异常噪声时域波形中选取M个特征波形作为学习样本ai，并随机产生与学习样本等长度的向量作为待优化波形a，其中，i＝1，2，...，M，特征波形的长度为L；

对所述待优化波形a进行归一化处理；

对所述待优化波形a进行调整，使待优化波形a与学习样本ai接近；

更新待优化波形，得到新的优化波形向量；

重复上述步骤，直至残差能量和无变化，得到优化后的特征波形。

5.根据权利要求3所述的方法，其特征在于，所述将优化后的特征波形作为基原子模型，构造得到原子库具体为：

将优化后的特征波形作为基原子模型；

将所述基原子模型横向平移，构造得到原子库。

6.一种噪声源识别系统，其特征在于，包括：

第一采集单元，用于采集家电设备运行时的混合振动信号，得到所述混合振动信号的时域波形；

输入单元，用于将所述混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；

匹配分析单元，用于将所述混合振动信号的时域波形与所述噪声模式匹配数据库进行匹配分析；

第一输出单元，用于输出与所述噪声模式匹配数据库匹配的匹配原子；

确定单元，用于依据所述匹配原子确定噪声源的模式。

7.根据权利要求6所述的系统，其特征在于，所述匹配分析单元，用于将所述混合振动信号的时域波形分别与所述噪声模式匹配数据库进行一阶匹配分析。

8.根据权利要求6或7所述的系统，其特征在于，还包括：

第二采集单元，用于采集家电设备的异常噪声时域波形；

学习优化单元，用于利用目标优化法对所述异常噪声时域波形进行学习优化；

构造单元，用于将优化后的特征波形作为基原子模型，构造得到原子库；

组合单元，用于组合所述原子库得到所述噪声模式匹配数据库。

9.根据权利要求8所述的系统，其特征在于，所述学习优化单元包括：

初始化单元，用于从所述异常噪声时域波形中选取M个特征波形作为学习样本ai，并随机产生与学习样本等长度的向量作为待优化波形a，其中，i＝1，2，...，M，特征波形的长度为L；

归一化处理单元，用于对所述待优化波形a进行归一化处理；

调整单元，用于对所述待优化波形a进行调整，使待优化波形a与学习样本ai接近；

更新单元，用于更新待优化波形，得到新的优化波形向量；

第二输出单元，用于在重复上述步骤，直至残差能量和无变化后，得到优化后的特征波形。

10.根据权利要求8所述的系统，其特征在于，所述构造单元，用于将优化后的特征波形作为基原子模型，将所述基原子模型横向平移，构造得到原子库。