CN109684902A - 车辆噪声源定位方法及计算机可读存储介质 - Google Patents

车辆噪声源定位方法及计算机可读存储介质 Download PDF

Info

Publication number
CN109684902A
CN109684902A CN201710979216.0A CN201710979216A CN109684902A CN 109684902 A CN109684902 A CN 109684902A CN 201710979216 A CN201710979216 A CN 201710979216A CN 109684902 A CN109684902 A CN 109684902A
Authority
CN
China
Prior art keywords
noise
series
data
windows
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710979216.0A
Other languages
English (en)
Inventor
童国顺
游锋锋
张锦煌
陈福林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Yaxon Networks Co Ltd
Original Assignee
Xiamen Yaxon Networks Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Yaxon Networks Co Ltd filed Critical Xiamen Yaxon Networks Co Ltd
Priority to CN201710979216.0A priority Critical patent/CN109684902A/zh
Publication of CN109684902A publication Critical patent/CN109684902A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Algebra (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种车辆噪声源定位方法及计算机可读存储介质，方法包括：通过安装在车辆上的噪声采集装置采集噪声数据；对所述噪声数据进行预处理，得到原始噪声时间序列；对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列；对所述去噪后的噪声序列进行傅里叶变换，得到频谱图；分析所述频谱图，确定车辆噪声源的位置。本发明可以有效地降低测试环境中的噪声带来的影响，从而准确地定位出车辆的噪声源。

Description

车辆噪声源定位方法及计算机可读存储介质
技术领域
本发明涉及车辆噪声控制技术领域，尤其涉及一种车辆噪声源定位方法及计算机可读存储介质。
背景技术
随着人民的生活水平越来越高，人们对汽车的舒适性要求也越来越高，降低汽车车内外的噪声显得尤其重要。为了有效地控制汽车产生的噪声，首先需要定位汽车产生汽车噪声的源头。在测试汽车噪声时，周围环境中的噪声对测试产生一定的影响，以至于很难确定产生汽车噪声的源头，最终会对汽车噪声产生的源头产生误判。为了降低汽车车内外的噪声，如何排除测试环境中噪声的影响以便于准确地定位产生汽车噪声的源头成为了各个厂商重要的研究方向。
传统定位汽车噪声源的方法都是通过采集汽车噪声的时间序列图，并对时间序列波形图转换成频域图形，通过对频谱波峰的位置、频率成分以及频率的大小来定位汽车噪声的来源，但在实际处理分析过程中并未考虑环境中的一些噪声(例如白噪声等一些平稳噪声)的影响，也没有对车内外多个位置进行测试综合分析。
发明内容
本发明所要解决的技术问题是：提供一种车辆噪声源定位方法及计算机可读存储介质，可准确地定位产生车辆噪声的源头。
为了解决上述技术问题，本发明采用的技术方案为：一种车辆噪声源定位方法，包括：
通过安装在车辆上的噪声采集装置采集噪声数据；
对所述噪声数据进行预处理，得到原始噪声时间序列；
对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列；
对所述去噪后的噪声序列进行傅里叶变换，得到频谱图；
分析所述频谱图，确定车辆噪声源的位置。
本发明还涉及一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以下步骤：
通过安装在车辆上的噪声采集装置采集噪声数据；
对所述噪声数据进行预处理，得到原始噪声时间序列；
对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列；
对所述去噪后的噪声序列进行傅里叶变换，得到频谱图；
分析所述频谱图，确定车辆噪声源的位置。
本发明的有益效果在于：通过在车辆上安装噪声采集装置，对采集到的噪声数据进行去噪处理，对去噪后的数据进行傅里叶变换转换成频谱图，再对每个频谱图的谱峰、频率的成分以及峰值的大小进行分析，从而定位出车辆噪声产生位置。本发明可以有效地降低测试环境中的噪声带来的影响，从而准确地定位出车辆的噪声源。通过准确地定位车辆噪声源，能有效地控制汽车的噪声源，提高汽车的整体舒适性，还采用了大数据相关技术提高了存储数据的安全性和处理数据的高效性，使汽车厂商为客户提供更加优质的服务提供了有效的保障。
附图说明
图1为本发明一种车辆噪声源定位方法的流程图；
图2为本发明实施例一的方法流程图；
图3为本发明实施例一步骤S4的方法流程图；
图4为本发明实施例一中窗口序列拟合成线性方程的示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图详予说明。
本发明最关键的构思在于：将原始噪声时间序列划分为多个时间窗口，每个窗口都有一些数据与相邻的窗口重合，先对每个窗口的数据进行拟合，重合的数据则按比例进行相加。
请参阅图1，一种车辆噪声源定位方法，包括：
通过安装在车辆上的噪声采集装置采集噪声数据；
对所述噪声数据进行预处理，得到原始噪声时间序列；
对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列；
对所述去噪后的噪声序列进行傅里叶变换，得到频谱图；
分析所述频谱图，确定车辆噪声源的位置。
从上述描述可知，本发明的有益效果在于：通过在车辆上安装噪声采集装置，对采集到的噪声数据进行去噪处理，对去噪后的数据进行傅里叶变换转换成频谱图，再对每个频谱图的谱峰、频率的成分以及峰值的大小进行分析，从而定位出车辆噪声产生位置。
进一步地，所述噪声采集装置安装在车辆内部和/或车辆外部的多个位置。
由上述描述可知，可较快地定位出车辆的噪声源。
进一步地，所述“对所述噪声数据进行预处理，得到原始噪声时间序列”具体为：
对所述噪声数据进行滤波和模数转换，得到原始噪声时间序列。
进一步地，所述“对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列”具体为：
通过滑动窗将所述原始噪声时间序列划分为多个窗口序列，所述滑动窗的大小为2n+1个数据，相邻的两个窗口序列之间有n+1个数据重叠，所述n为正整数；
分别对各窗口序列进行拟合，得到各窗口序列对应的线性方程；
根据相邻的两个窗口序列对应的线性方程以及预设的权重，得到所述相邻的两个窗口序列重叠的n+1个数据的表达式；
根据所述线性方程和所述表达式，得到背景噪声序列；
将所述原始噪声时间序列减去所述背景噪声序列，得到去噪后的噪声序列。
进一步地，所述表达式为δ(k)j＝ρ1ψ'(k+n)j+ρ2ψ'(k)j+1，其中，ψ'(i)j为第j个窗口序列的线性方程，ψ'(i)j+1为第j+1个窗口序列的线性方程，
由上述描述可知，能够有效去除噪声序列变化的趋势成分，有效保留波动成分，非常有效地排除环境中的其他噪声对车辆噪声来源定位的影响，从而准确地定位出车辆的噪声源。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以下步骤：
通过安装在车辆上的噪声采集装置采集噪声数据；
对所述噪声数据进行预处理，得到原始噪声时间序列；
对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列；
对所述去噪后的噪声序列进行傅里叶变换，得到频谱图；
分析所述频谱图，确定车辆噪声源的位置。
进一步地，所述噪声采集装置安装在车辆内部和/或车辆外部的多个位置。
进一步地，所述“对所述噪声数据进行预处理，得到原始噪声时间序列”具体为：
对所述噪声数据进行滤波和模数转换，得到原始噪声时间序列。
进一步地，所述“对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列”具体为：
通过滑动窗将所述原始噪声时间序列划分为多个窗口序列，所述滑动窗的大小为2n+1个数据，相邻的两个窗口序列之间有n+1个数据重叠，所述n为正整数；
分别对各窗口序列进行拟合，得到各窗口序列对应的线性方程；
根据相邻的两个窗口序列对应的线性方程以及预设的权重，得到所述相邻的两个窗口序列重叠的n+1个数据的表达式；
根据所述线性方程和所述表达式，得到背景噪声序列；
将所述原始噪声时间序列减去所述背景噪声序列，得到去噪后的噪声序列。
进一步地，所述表达式为δ(k)j＝ρ1ψ'(k+n)j+ρ2ψ'(k)j+1，其中，ψ'(i)j为第j个窗口序列的线性方程，ψ'(i)j+1为第j+1个窗口序列的线性方程，
实施例一
请参照图2，本发明的实施例一为：一种车辆噪声源定位方法，包括如下步骤：
S1：在车辆上安装噪声采集装置；为了较快地定位出汽车噪声源，在汽车的车内和车外多个位置上安装噪声采集装置，测试员也可根据需要在特定的位置进行安装。
进一步地，为了丰富汽车噪声数据，分别在汽车的不同档位的情况下，对汽车的车内外噪声数据进行采集，测试的各种情况如表1所示。其中，当需要确定噪声来源是车内还是车外时，车内的位置i和车外的位置i需要相对应，当只测试车内或车外时，则不需要相对应。
表1：
S2：通过噪声采集装置采集噪声数据。
S3：对所述噪声数据进行预处理，得到原始噪声时间序列；采集到的噪声数据为模拟信号，对模拟信号进行滤波，再进行模数转换，即得到原始噪声时间序列。一个位置的噪声采集装置所采集到的噪声数据对应一个原始噪声时间序列。
S4：对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列；
具体地，如图3所示，本步骤包括如下步骤：
首先，假设原始噪声时间序列为ψ(i)，i＝1,2,…,N，N为原始噪声时间序列中的数据总个数。
S41：通过滑动窗将所述原始噪声时间序列划分为多个窗口序列，所述滑动窗的大小为2n+1个数据，相邻的两个窗口序列之间有n+1个数据重叠，所述n为正整数。也就是说，除最后一个窗口序列外，每个窗口序列中均包括2n+1个数据，而最后一个窗口序列的数据个数不大于2n+1，相邻的两个窗口序列之间有n+1个数据是重复的。
例如，第一个窗口序列包括了原始噪声时间序列中的第1个至第2n+1个数据，第二个窗口序列包括了原始噪声时间序列中的第n+1个至第3n+1个数据，第三个窗口序列包括了原始噪声时间序列中的第2n+1个至第4n+1个数据，以此类推；其中，第一个窗口序列和第二个窗口序列同时包括了原始噪声时间序列中的第n+1个至第2n+1个数据，第二个窗口序列和第三个窗口序列同时包括了原始噪声时间序列中的第2n+1个至第3n+1个数据，即第j个窗口序列中的第n+1个数据到第2n+1个数据与第j+1个窗口序列中的第1个数据到第n+1个数据重叠，并且，第j-1个窗口序列、第j个窗口序列和第j+1个窗口序列这三个窗口序列中，同时包括了原始噪声时间序列中的第jn+1个数据。
S42：分别对各窗口序列进行拟合，得到各窗口序列对应的线性方程；即对每个窗口序列中的数据拟合成线性方程，例如，第j个窗口序列的线性方程为ψ'(i)j＝ai+b，其中，a、b表示常数，i＝(j-1)n+1,(j-1)n+2,…,(j+1)n+1，也可以表示为ψ'(t)j＝at+b，t＝1,2,…,2n+1。
S43：根据相邻的两个窗口序列对应的线性方程以及预设的权重，得到所述相邻的两个窗口序列重叠的n+1个数据的表达式。如图4所示，ω表示一个窗口序列的长度，对于相邻的两个窗口序列中重复的n+1个数据，分别在两个窗口序列中对应不同的线性方程，因此，需要根据这两个线性方程，得到一个新的对应这n+1个数据的表达式，具体地，第j个窗口序列与第j+1个窗口序列重复的n+1个数据的表达式可如下所示：
δ(k)j＝ρ1ψ'(k+n)j+ρ2ψ'(k)j+1
其中，
从上述表达式可以看出，当k＝1时，δ(k)j＝ψ'(1+n)j，当k＝n+1时，δ(k)j＝ψ'(n+1)j+1，即这n+1个数据中第1个数据的值取第j个窗口序列中第n+1个数据的值，这n+1个数据中的第n+1个数据也即最后一个数据的值为第j+1个窗口序列中第n+1个数据的值。再进一步由上述表达式可推断得出，第j+1个窗口序列与第j+2个窗口序列重复的n+1个数据中的第1个数据的值为第j+1个窗口序列中第n+1个数据的值。因此，可以得知，虽然原始噪声时间序列中的第jn+1个数据同时存在于第j-1个窗口序列、第j个窗口序列和第j+1个窗口序列这三个窗口序列中，但其最后的取值为第j个窗口序列第n+1个数据的值。
S44：根据所述线性方程和所述表达式，得到背景噪声序列；经过上述步骤后，原始噪声时间序列中的各个数据都由与其对应的方程表达式，即可根据第一个窗口序列的线性方程、各个重复的n+1个数据的表达式以及最后一个窗口序列的线性方程，得到背景噪声序列μ(i)。
S45：将所述原始噪声时间序列减去所述背景噪声序列，得到去噪后的噪声序列。即去噪后的噪声序列y(i)＝ψ(i)-μ(i)。
S5：对所述去噪后的噪声序列进行傅里叶变换，得到频谱图；为了对噪声数据的频域成分以及各个频率成分的幅度大小进行分析，对去噪后的噪声序列进行傅里叶变换，变换公式如下：
S6：分析所述频谱图，确定车辆噪声源的位置。进一步地，对对应车辆不同位置的频谱图的谱峰、频率的成分以及峰值的大小进行分析，定位出车辆噪声产生的位置。例如，假设在某个档位只有位置1和位置2都出现了相同的频率成分，相同频率成分的情况下，位置1中的振幅幅度值比位置2的振幅幅度值更大，则判断产生该频率的噪声的位置离位置1更近，可以进一步进行测试，从而进一步地准缩小产生该频率噪声的位置直到定位到准确位置。
经过步骤S4后，能够有效去除噪声序列变化的趋势成分(环境中的噪声成分)，有效保留波动成分(汽车噪声的有效成分)，非常有效地排除环境中的其他噪声对车辆噪声来源定位的影响。
进一步地，步骤S2中，确保大量的汽车噪声数据能够持久安全地保存，将采集到的噪声数据存储在HDFS集群；步骤S3、S4中，为了能够快速地对汽车原始噪声数据进行分析处理，采用Spark集群进行处理分析。
本实施例可以降低测试环境中噪声带来的影响，准确地定位车辆噪声的来源，同时利用HDFS集群、Spark集群可以确保数据的完全性以及数据处理分析的高效性，后续能有效地控制汽车的噪声源，提高汽车的整体舒适性，使汽车厂商为客户提供更加优质的服务提供了有效的保障。
实施例二
本实施例是对应上述实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以下步骤：
通过安装在车辆上的噪声采集装置采集噪声数据；
对所述噪声数据进行预处理，得到原始噪声时间序列；
对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列；
对所述去噪后的噪声序列进行傅里叶变换，得到频谱图；
分析所述频谱图，确定车辆噪声源的位置。
进一步地，所述噪声采集装置安装在车辆内部和/或车辆外部的多个位置。
进一步地，所述“对所述噪声数据进行预处理，得到原始噪声时间序列”具体为：
对所述噪声数据进行滤波和模数转换，得到原始噪声时间序列。
进一步地，所述“对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列”具体为：
通过滑动窗将所述原始噪声时间序列划分为多个窗口序列，所述滑动窗的大小为2n+1个数据，相邻的两个窗口序列之间有n+1个数据重叠，所述n为正整数；
分别对各窗口序列进行拟合，得到各窗口序列对应的线性方程；
根据相邻的两个窗口序列对应的线性方程以及预设的权重，得到所述相邻的两个窗口序列重叠的n+1个数据的表达式；
根据所述线性方程和所述表达式，得到背景噪声序列；
将所述原始噪声时间序列减去所述背景噪声序列，得到去噪后的噪声序列。
进一步地，所述表达式为δ(k)j＝ρ1ψ'(k+n)j+ρ2ψ'(k)j+1，其中，ψ'(i)j为第j个窗口序列的线性方程，ψ'(i)j+1为第j+1个窗口序列的线性方程，
综上所述，本发明提供的一种车辆噪声源定位方法及计算机可读存储介质，通过在车辆上安装噪声采集装置，对采集到的噪声数据进行去噪处理，对去噪后的数据进行傅里叶变换转换成频谱图，再对每个频谱图的谱峰、频率的成分以及峰值的大小进行分析，从而定位出车辆噪声产生位置。本发明可以有效地降低测试环境中的噪声带来的影响，从而准确地定位出车辆的噪声源。通过准确地定位车辆噪声源，能有效地控制汽车的噪声源，提高汽车的整体舒适性，还采用了大数据相关技术提高了存储数据的安全性和处理数据的高效性，使汽车厂商为客户提供更加优质的服务提供了有效的保障。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车辆噪声源定位方法，其特征在于，包括：
通过安装在车辆上的噪声采集装置采集噪声数据；
对所述噪声数据进行预处理，得到原始噪声时间序列；
对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列；
对所述去噪后的噪声序列进行傅里叶变换，得到频谱图；
分析所述频谱图，确定车辆噪声源的位置。
2.根据权利要求1所述的车辆噪声源定位方法，其特征在于，所述噪声采集装置安装在车辆内部和/或车辆外部的多个位置。
3.根据权利要求1所述的车辆噪声源定位方法，其特征在于，所述“对所述噪声数据进行预处理，得到原始噪声时间序列”具体为：
对所述噪声数据进行滤波和模数转换，得到原始噪声时间序列。
4.根据权利要求1所述的车辆噪声源定位方法，其特征在于，所述“对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列”具体为：
通过滑动窗将所述原始噪声时间序列划分为多个窗口序列，所述滑动窗的大小为2n+1个数据，相邻的两个窗口序列之间有n+1个数据重叠，所述n为正整数；
分别对各窗口序列进行拟合，得到各窗口序列对应的线性方程；
根据相邻的两个窗口序列对应的线性方程以及预设的权重，得到所述相邻的两个窗口序列重叠的n+1个数据的表达式；
根据所述线性方程和所述表达式，得到背景噪声序列；
将所述原始噪声时间序列减去所述背景噪声序列，得到去噪后的噪声序列。
5.根据权利要求4所述的车辆噪声源定位方法，其特征在于，所述表达式为δ(k)j＝ρ1ψ'(k+n)j+ρ2ψ'(k)j+1，其中，ψ'(i)j为第j个窗口序列的线性方程，ψ'(i)j+1为第j+1个窗口序列的线性方程，k＝1,2,…,n+1。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现以下步骤：
通过安装在车辆上的噪声采集装置采集噪声数据；
对所述噪声数据进行预处理，得到原始噪声时间序列；
对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列；
对所述去噪后的噪声序列进行傅里叶变换，得到频谱图；
分析所述频谱图，确定车辆噪声源的位置。
7.根据权利要求6所述的计算机可读存储介质，其特征在于，所述噪声采集装置安装在车辆内部和/或车辆外部的多个位置。
8.根据权利要求6所述的计算机可读存储介质，其特征在于，所述“对所述噪声数据进行预处理，得到原始噪声时间序列”具体为：
对所述噪声数据进行滤波和模数转换，得到原始噪声时间序列。
9.根据权利要求6所述的计算机可读存储介质，其特征在于，所述“对所述原始噪声时间序列进行去噪处理，得到去噪后的噪声序列”具体为：
通过滑动窗将所述原始噪声时间序列划分为多个窗口序列，所述滑动窗的大小为2n+1个数据，相邻的两个窗口序列之间有n+1个数据重叠，所述n为正整数；
分别对各窗口序列进行拟合，得到各窗口序列对应的线性方程；
根据相邻的两个窗口序列对应的线性方程以及预设的权重，得到所述相邻的两个窗口序列重叠的n+1个数据的表达式；
根据所述线性方程和所述表达式，得到背景噪声序列；
将所述原始噪声时间序列减去所述背景噪声序列，得到去噪后的噪声序列。
10.根据权利要求9所述的计算机可读存储介质，其特征在于，所述表达式为δ(k)j＝ρ1ψ'(k+n)j+ρ2ψ'(k)j+1，其中，ψ'(i)j为第j个窗口序列的线性方程，ψ'(i)j+1为第j+1个窗口序列的线性方程，k＝1,2,…,n+1。
CN201710979216.0A 2017-10-19 2017-10-19 车辆噪声源定位方法及计算机可读存储介质 Pending CN109684902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710979216.0A CN109684902A (zh) 2017-10-19 2017-10-19 车辆噪声源定位方法及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710979216.0A CN109684902A (zh) 2017-10-19 2017-10-19 车辆噪声源定位方法及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN109684902A true CN109684902A (zh) 2019-04-26

Family

ID=66183007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710979216.0A Pending CN109684902A (zh) 2017-10-19 2017-10-19 车辆噪声源定位方法及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109684902A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750536A (zh) * 2019-10-11 2020-02-04 清华大学 姿态时间序列数据的振动噪声平滑处理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101258523A (zh) * 2005-08-17 2008-09-03 Nxp股份有限公司 用于抑制数字信号序列中噪声的方法和装置，以及相应的计算机程序和相应的计算机可读存储介质
CN102736108A (zh) * 2012-05-31 2012-10-17 中国石油集团川庆钻探工程有限公司地球物理勘探公司 基于样条拟合的真三维地震数据噪声压制方法
CN104777453A (zh) * 2015-04-23 2015-07-15 西北工业大学 舰船线谱噪声源定位的波束域时频分析方法
CN105629317A (zh) * 2016-04-08 2016-06-01 中国矿业大学(北京) 一种基于站间传递函数的大地电磁噪声压制方法
US20160358316A1 (en) * 2015-06-05 2016-12-08 North Carolina State University Approximate message passing with universal denoising
CN106680873A (zh) * 2016-12-08 2017-05-17 西安交通大学 一种自动衡量地震数据谐波噪声强弱的振幅谱比值方法
CN106772248A (zh) * 2016-12-09 2017-05-31 中国空气动力研究与发展中心低速空气动力研究所 高速列车模型在声学风洞内的噪声源定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101258523A (zh) * 2005-08-17 2008-09-03 Nxp股份有限公司 用于抑制数字信号序列中噪声的方法和装置，以及相应的计算机程序和相应的计算机可读存储介质
CN102736108A (zh) * 2012-05-31 2012-10-17 中国石油集团川庆钻探工程有限公司地球物理勘探公司 基于样条拟合的真三维地震数据噪声压制方法
CN104777453A (zh) * 2015-04-23 2015-07-15 西北工业大学 舰船线谱噪声源定位的波束域时频分析方法
US20160358316A1 (en) * 2015-06-05 2016-12-08 North Carolina State University Approximate message passing with universal denoising
CN105629317A (zh) * 2016-04-08 2016-06-01 中国矿业大学(北京) 一种基于站间传递函数的大地电磁噪声压制方法
CN106680873A (zh) * 2016-12-08 2017-05-17 西安交通大学 一种自动衡量地震数据谐波噪声强弱的振幅谱比值方法
CN106772248A (zh) * 2016-12-09 2017-05-31 中国空气动力研究与发展中心低速空气动力研究所 高速列车模型在声学风洞内的噪声源定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CLAUDIO MARCIO SANTANA ET AL.: "ANALYSIS OF VIBRATION AND NOISE OF AN INTERNAL COMBUSTION ENGINE BY APPLICATION OF TEST AND EXPERIMENTAL ANALYSIS OF THE FREQUENCY SPECTRUM", pages 2 *
彭吉龙: "车辆噪声源阵列识别技术研究" *
申秀敏等: "燃料电池车声振测试及噪声源识别", 《声学技术》, vol. 27, no. 4, pages 3 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750536A (zh) * 2019-10-11 2020-02-04 清华大学 姿态时间序列数据的振动噪声平滑处理方法及系统

Similar Documents

Publication Publication Date Title
Frei et al. Intrinsic time-scale decomposition: time–frequency–energy analysis and real-time filtering of non-stationary signals
Zhao et al. A human ECG identification system based on ensemble empirical mode decomposition
CN109222948B (zh) 消除运动干扰噪声的方法、装置、电子设备和存储介质
CN109211568B (zh) 基于条件经验小波变换的滚动轴承故障诊断方法
Chang et al. DeepHeart: A deep learning approach for accurate heart rate estimation from PPG signals
CN103932701B (zh) 一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法
US10349896B2 (en) Epsilon-tube filter for blunt noise removal
Porta et al. Assessment of cardiovascular regulation through irreversibility analysis of heart period variability: a 24 hours Holter study in healthy and chronic heart failure populations
CN110940524B (zh) 一种基于稀疏理论的轴承故障诊断方法
CN107886078A (zh) 一种基于分层自适应阈值函数的小波阈值降噪方法
Mahvash et al. Independent component analysis as applied to vibration source separation and fault diagnosis
Moukadem et al. Time-frequency domain for segmentation and classification of non-stationary signals: the Stockwell transform applied on bio-signals and electric signals
CN109684902A (zh) 车辆噪声源定位方法及计算机可读存储介质
Mayor et al. Ceps: An open access matlab graphical user interface (gui) for the analysis of complexity and entropy in physiological signals
Melgarejo-Meseguer et al. On the beat detection performance in long-term ECG monitoring scenarios
Höppner Improving time series similarity measures by integrating preprocessing steps
Nguyen et al. Artifact elimination in ECG signal using wavelet transform
Yoshimura et al. Preliminary investigation of visualizing human activity recognition neural network
CN106023984A (zh) 基于车联网的语音识别方法
CN114027804A (zh) 一种脉象诊断的方法、装置及可读存储介质
CN105954223A (zh) 一种提高汽油性质预测精度的方法
Martis et al. An integrated ECG feature extraction scheme using PCA and wavelet transform
Wacker et al. Adaptive phase extraction: incorporating the Gabor transform in the matching pursuit algorithm
Rodríguez et al. Hilbert-Huang transform and neural networks for electrocardiogram modeling and prediction
Muduli et al. A proximity operator-based method for denoising biomedical measurements

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination