一、一种改善鲁棒性的噪声有源控制自适应神经网络方法(论文文献综述)
梁超[1](2021)在《车内前反馈混合结构主动噪声控制系统与应用》文中指出伴随现代化进程加快,我国汽车保有量逐年增长,由此带来的噪声污染问题也日益严重。随着相关法律法规的日益严苛及消费者对车辆乘坐舒适性要求的提高,汽车制造商及科研院所对汽车的NVH(Noise,Vibration&Harshness)问题也愈加重视。传统汽车设计过程中,通常采用吸声、隔声等被动噪声控制(Passive Noise Control,PNC)的方式,对车内中高频噪声进行控制,但这些手段对车内低频噪声抑制效果不够明显。作为该技术的补充,主动噪声控制(Active Noise Control,ANC)技术对低频噪声控制效果显着,且具有集成度高,可定制性强及能改善车内声品质的特点,已逐渐成为车内低频噪声控制的首选方案。故本文以车内低频窄带噪声作为抵消对象,着重研究了前反馈混合结构ANC算法(Hybrid ANC,HANC)在车内的应用。为验证发动机转速与车内阶次噪声频率的对应关系,开展了多种工况下实车驾驶室内噪声采集试验。通过对试验数据的频谱进行分析后发现,车内低频窄带噪声不仅包括发动机阶次噪声,还含有与发动机转速并不明显相关的窄带噪声,且这些噪声的声压级(Sound Pressure Level,SPL)与前者较为接近。对常用的陷波LMS算法和反馈Fx LMS算法及传统前反馈混合结构ANC算法(Conventional HANC,CHANC)进行了分析,并总结了各自算法的优缺点,在此基础上提出了前反馈混合结构ANC改进算法(Modified HANC,MHANC),其包含前馈、反馈及误差信号分离三个子系统。前两个子系统分别用于控制车内发动机阶次噪声和其他低频窄带噪声,两者之间的耦合效应则由误差信号分离子系统进行消除。为降低算法计算成本及增强稳定性,前馈子系统采用平滑陷波延时LMS算法,信号分离子系统中控制滤波器改用为自适应离散傅里叶分析器。反馈子系统采用基于S函数的改进变步长Fx LMS算法,加快收敛速度的同时兼顾了算法的稳定性。此外,在MHANC算法中引入了输入信号限幅的思想,增强了其在高声压级脉冲噪声场景下的鲁棒性。对CHANC算法及MHANC算法计算复杂度的分析表明,所提MHANC算法仅乘法运算量相较CHANC算法略有提高,但两者的加法运算量极为接近。基于MATLAB/Simulink平台分别搭建了CHANC算法及MHANC算法的ANC系统仿真模型,分别采用合成的模拟噪声及实车内采集的噪声信号作为以上两种算法的参考信号,并进行了相关的仿真。仿真结果显示,同种工况下,MHANC算法各子系统相较CHANC算法对应的子系统更加稳固,因此MHANC算法的收敛速度及降噪效果均优于CHANC算法,并且受“水床效应”的影响也更小。设计了实车ANC试验方案,并完成了车内ANC系统的设备布放,分别在3800 rpm空挡稳态工况、怠速—3800 rpm空挡全油门工况以及60 km/h匀速行驶工况下开展了实车ANC试验。分析试验数据后发现,MHANC算法对车内低频窄带噪声抑制效果显着,ANC系统开启后,两种空挡工况下车内发动机二阶噪声降噪量均接近30 d B(A),总声压级均降低3 d B(A)以上,3800 rpm空挡稳态工况及空挡全油门工况下,驾驶室内总降噪量分别高达4.26 d B(A)及3.39 d B(A);ANC系统对匀速行驶工况下的车内低频窄带噪声也有较好的控制效果,60 km/h匀速行驶工况下,车内整体降噪量为1.35 d B(A)。
姜彦吉[2](2020)在《非线性组合结构主动噪声控制方法研究》文中认为主动噪声控制是针对低频噪声常用且有效的降噪手段,工程中噪声源辐射的强声学量声波在传播过程中会产生信号畸变,并激发高次谐波,不同的声场特性和降噪系统结构也会给声传输通道引入未知非线性因素干扰,严重影响主动噪声控制系统的降噪性能。针对这一问题,采用理论推导,信号模拟,室内降噪实验结合的方法,在分析噪声的畸变传播及系统非线性传播通道特性基础上,设计了基于线性平均控制及非线性函数扩展组合的主动噪声控制模型结构,并完善了降噪系统中对次级传播通路的建模分析,最后提出跟踪误差的自适应变步长迭代算法,完成系统的控制系数更新,提升系统降噪性能。本文将噪声源参考信号经正交三角函数扩展到高维空间作为降噪系统新的前馈输入,以增强降噪控制器对噪声源信号畸变特性的非线性表达,同时建立噪声源信号与声传播通道激发的高次谐波和不同频率声波相互作用引起的和频及差频声波的映射关系,以控制降噪过程中的非线性因素影响。并将FIR线性平均控制器与之结合构建非线性组合型结构前馈主动噪声控制模型。经对比分析,正交三角函数扩展结构的表达模式较其他正交函数和多项式的扩展结构具有更优的降噪性能。对于经典的白噪声信号发生器激励次级通路建模的同时带来降噪系统误差增项问题,采用误差跟踪的约束方式调整白噪声输出功率,并建立误差传递通道的修正控制以削弱发生器及系统固有结构对降噪性能的影响,满足了对信号传递通道高精度建模的需求。为平衡整个降噪系统收敛速度与稳态性能间的矛盾,选择双曲正切函数作为残余误差噪声信号与系统迭代步长之间预期理想的映射函数,并分析函数系数因子影响比重关系,建立降噪系统的自适应步长控制系数更新算法。将构建的组合型结构主动噪声控制系统对有界空间中局部静区进行降噪实验,采集空压机、球磨机等多种工程噪声为目标对象,模拟现场强声学量噪声环境,系统取得了有效的低频能量控制,对激发的高阶谐波也有明显衰减,对于500Hz以下噪声信号降噪性能较为稳定,对有界空间中信号传播通道有良好辨识能力,验证了基于组合型结构的主动噪声控制方法的降噪结论。该论文有图79幅,表12个,参考文献168篇。
葛鑫[3](2020)在《商用车车内主动降噪方法研究》文中研究说明随着人们生活水平的提高,乘车舒适度已经成为人们评价商用车的重要指标。其中,车内噪声的大小是影响乘车舒适度的关键因素之一,并且噪声会对人的身心造成危害,降低商用车车内噪声势在必行。降低车内噪声的传统方法有吸声、隔声、消声等被动消声技术,这几种减弱噪声的方法针对中高频噪声可以取得较好的降噪效果,但是不适用于削减低频噪声。由此主动降噪技术开始逐步发展。主动降噪技术针对低频噪声可以取得良好的降噪效果,能有效地弥补被动降噪技术的短板,与被动降噪技术结合起来共同实现全面的商用车车内降噪。主动降噪技术应用的基本原理是声波的干涉性相消,即频率和幅值大小相等、但是相位相反的两列声波,它们叠加在一起能使声波相互抵消。为了减弱商用车车内噪声,需要使用自适应控制器发出一个与车内噪声频率和幅值大小相等、相位相反的声波,用来抵消车内噪声。经分析,商用车车内低频噪声主要是由于发动机振动产生的,因此减弱车内噪声的重点在于实现对发动机噪声的主动控制。发动机噪声的主要频率与发动机转速有关,故采用发动机转速对参考信号进行合成。本文以此为基础,研究了商用车车内主动降噪控制的原理及实现策略。提出了一种商用车车内主动降噪系统的控制方法:将传统的主动降噪控制与预测算法结合使用。首先,通过搭建自适应有源控制算法模型进行仿真实验,建立抵消信号数据库。其次,对商用车发动机转速进行预测估计。再次,跟据预测的发动机转速值,以及发动机转速和参考信号之间的关系式,合成参考信号。最后,根据合成的参考信号频率自动调取次级声源数据库相关数据,达到减弱商用车车内噪声的目的。本文在MATLAB/Simulink中搭建了LMS(Least Mean Square最小均方)算法、次级通路辨识、单通道FXLMS(Filtered-X Least Mean Square滤波型最小均方)算法、多通道FXLMS算法模型,并对这些模型进行了仿真验证,建立了参考信号模型、基于多通道FXLMS算法的数据存储模型以及数据调用模型,对商用车车内主动降噪离线系统进行了仿真验证,降噪效果最高可达24.2dB。建立了发动机动力学模型,并对灰色预测、PID(Proportion Integral Derivative比例积分微分)控制算法、基于GA(Genetic Algorithm遗传算法)优化的BP(BackPropagation反向传播)神经网络算法几种可用于预测发动机转速的方法进行了仿真对比,验证了在这三种方法中基于GA优化的BP神经网络算法的预测效果最好。
韩宇菲[4](2019)在《有源噪声控制中自适应算法研究及在局部空间降噪的应用》文中进行了进一步梳理噪声对人类生活的影响越来越大,已成为全世界都关注的环境污染问题之一。中低频噪声是对人影响较大的一类噪声,长期接触这类噪声会令人的生理及心理极为不适。降噪技术是解决噪声问题的重要手段,目前主要的降噪方法包括采用特定材料结构的被动降噪和利用信号处理的有源噪声控制。被动降噪方法对低频噪声常常束手无策,有源噪声控制成为了解决中低频噪声的有效途径,是目前噪声处理方面的研究热点。有源噪声控制一般包括初级通道和次级通道,这两部分一般都会用到自适应最小均方误差(Least Mean Square,LMS)算法,算法中阶数与步长的影响较大。在硬件资源允许的阶数范围内,次级通道辨识算法的阶数过小会出现严重的建模误差,阶数过大会增加计算量且易出现失调等问题;步长则同时影响着初、次级通道算法的收敛及稳态等性能,因此步长、阶数的研究对提升有源噪声控制降噪效果具有重要价值。目前关于步长或阶数调整的算法研究还不够深入,一些算法缺乏系统的理论分析,实用性较差。此外,有源噪声控制的应用主要集中在管道等场景,针对三维空间的研究还不多。本文针对有源噪声控制中自适应LMS算法的阶数、步长调整开展了深入的研究,并将研究成果应用在局部三维空间降噪中。首先,论文研究与分析了有源噪声控制的基础结构及算法,将初、次级通道中自适应LMS算法的收敛及稳态等性能与阶数、步长建立了精确关系。系统的研究分析了表征自适应LMS算法收敛性能、稳态性能、计算量与鲁棒性的相关表达式,同时研究一些典型的变阶数算法和变步长算法,并分析存在的不足,为有源噪声控制中自适应LMS算法在阶数或步长调整方面的研究提供理论指导与依据。其次,对自适应LMS算法中阶数的调整进行深入研究,针对分数变阶数算法的阶数更新因子、误差宽度及阶数大的波动等问题,提出三种改进的算法。具体对于阶数更新因子等问题,提出迭代阶数更新因子的改进分数变阶数算法,该算法能去除系统误差的影响,避免建模不足等问题;针对误差宽度等问题,提出变误差宽度的改进分数变阶数算法,并提供算法暂态稳态性能及参数选择分析,该算法能合理的调整误差宽度,能在不影响收敛性能的前提下,限制阶数大的波动。这两种算法均提升了低噪环境下变阶数算法的收敛及稳态等性能,适用于弱干扰低噪环境下的次级通道辨识中。还将误差宽度与阶数更新因子,进行合理统一的分析与结合,同时也添加动态选择限定函数比例的方法,提出了混合自适应参数的分数变阶数算法,该算法优化了阶数的过估计问题,提升了高噪环境中变阶数算法的性能。再次,对自适应LMS算法中步长的调整进行深入研究,针对目前变步长算法缺乏性能分析及实用性的问题,提出一种迭代变步长算法。该算法基于理论分析,通过基础公式推演获得了调整步长的合理表达式。并提供了算法暂态及稳态性能的理论及实验分析,结果验证了理论分析的正确与算法性能的优良,其适用于有源噪声控制的初级通道算法中。还对变步长算法与变阶数算法进行合理的统一分析与结合,提出同步调整步长与阶数的混合算法,理论分析及实验结果共同表明,该算法能够同时获得合理的阶数与步长,进一步提升了算法的稳态等性能。最后,对局部三维空间有源噪声控制进行实验研究。合理搭建大封闭空间下局部三维空间实验平台,根据实验场景特性对提出的算法进行了合理选取,应用在有源噪声控制的初级通道及离线次级通道辨识中,利用多种噪声进行有源噪声消除实验,通过绘制降噪前后的各类图表对降噪效果进行比较。实验结果与理论分析结果相一致,次级通道部分,提出的算法能在硬件资源及次级通道辨识所允许的阶数及误差范围内,获得适当的阶数值并合理的调整步长,既较准确的估计了次级通道,又在保证算法跟踪收敛性能的前提下,降低了计算量及失调的概率。在初级通道算法中,通过应用提出的改进算法,针对各类噪声均获得了良好的降噪效果。本文研究内容提升了有源噪声控制算法的性能,并为实际中的应用提供了经验,对有源噪声控制算法及局部三维空间噪声控制的发展具有重要意义。
罗磊[5](2019)在《基于前反馈混合结构的非线性主动噪声控制方法研究》文中研究说明随着旋转设备在日常生活中的广泛应用,其产生的噪声问题引起了社会的广泛关注,各种噪声控制技术也应运而生,其中主动噪声控制(Active Noise Control,ANC)技术最具代表性。ANC技术在线性控制领域已经取得了丰硕的理论成果和实践经验,但是实际噪声环境一般具有非线性问题,如参考信号为混沌噪声,声学路径为非线性系统等。这些非线性问题严重限制了传统线性ANC技术的应用,促使非线性ANC技术的研究备受关注。控制系统按照物理结构可以分为前馈控制、反馈控制和前反馈混合控制。前馈控制结构稳定性强,但是不适用于时变和非线性对象。反馈控制结构鲁棒性较强,且适用于时变和非线性对象,但是系统稳定性和控制精度较差。前反馈混合控制结构对前两者进行了优势互补,具有更广泛的应用环境和更高的控制精度及系统稳定性。旋转设备的噪声根据其频带特性可以分为窄带噪声、宽带噪声和宽窄带混合噪声。因此论文分别针对窄带噪声、宽带噪声和宽窄带混合噪声,基于前反馈混合结构研究新型、高效的非线性ANC方法。针对窄带噪声,研究基于FELMS(Filtered-Error Least Mean Square)算法的窄带ANC(FELMS-based Narrowband ANC,FE-NANC)系统,并在平均和均方意义下分析该系统动态特性、稳态特性以及步长稳定边界。在非线性初级路径条件下,分析初级噪声频率特性,建立其与参考信号频率的数学模型。通过前馈频率拓展和反馈频谱估计结构快速准确地获取初级噪声频率,将其作为新的参考信号频率,基于FE-NANC系统研究低复杂度窄带非线性ANC方法。此外,通过引入误差分离技术进一步提高该方法的降噪效果和收敛特性。针对宽窄带混合噪声,分析初级噪声的频带特性,研究前馈FLANN(Function Link Artificial Neural Network)结构和反馈FIR(Finite Impulse Response)结构的降噪机理,并详细分析其各自的降噪优缺点,提出了FLANN-FIR混合结构的ANC方法。该方法对前馈FLANN结构和反馈FIR结构的降噪效果进行优势互补,不仅提高了系统的收敛速度,而且同时对初级噪声中的线性分量和非线性分量都具有明显降噪效果。针对宽带混沌噪声和随机噪声,研究反馈非线性ANC方法进行降噪处理。反馈ANC系统是一个初级噪声的反馈预测过程,不受声反馈的影响。但是宽带混沌噪声和随机噪声不能线性预测,且非线性预测精度不佳。为成功解决该问题,利用小波包对宽带混沌噪声和随机噪声进行全频段分解,然后进行线性独立预测,构成新型反馈非线性ANC方法。与传统的反馈非线性ANC方法相比,提出的方法对宽带混沌噪声和随机噪声的降噪效果更加明显,特别是宽带随机噪声。针对非线性ANC中的声反馈问题开展研究,提出了基于双线性FLANN(Bilinear FLANN,BFLANN)滤波器的非线性ANC方法。该方法主要包含FLANN结构、反馈输出项以及输入与输出的乘积项。因为FLANN和输入与输出乘积项都具有非线性映射能力,所以与FLANN相比,BFLANN可以处理更复杂的非线性ANC问题。在BFLANN中,反馈输出项和输入与输出乘积项可以分别对线性声反馈和非线性声反馈进行补偿,从而成功解决非线性ANC中的声反馈问题。此外,详细的理论推导充分证明当BFLANN输入有界时,其输出同样有界。为了验证论文中提出的基于前反馈混合结构的非线性ANC方法的降噪有效性,本文设计了封闭空间的ANC实验平台,该封闭空间是尺寸为2.2m×1.1m×1.2m的矩形空间。ANC实验平台的控制器由实时控制模块dSPACE DS1104和MATLAB/Simulink软件构成。通过该实验平台分别对文中提出的方法在不同非线性声学环境下进行验证,实验结果充分说明:(1)FE-NANC系统不仅节约计算成本而且成功实现了多频窄带参考信号的实时降噪;(2)FLANNFIR方法提高了传统非线性ANC方法的收敛速度和降噪能力;(3)BFLANN方法成功降低了线性声反馈和非线性声反馈的影响。
周振华[6](2018)在《基于DSP车内有源噪声控制系统实现以及实验研究》文中进行了进一步梳理随着社会经济的发展,人们对汽车舒适性的要求越来越高,而车内低频噪声是影响乘车舒适性的重要因素之一。传统降噪手段主要是针对中高频噪声进行隔声、吸声,而对低频噪声降噪效果不佳。有源消声技术凭借其对低频噪声良好的控制效果,成为引人注目的解决方案。但是该技术应用于车内时还存在着收敛速度慢、稳定性差以及控制低宽带噪声效果不好等问题,这也成为制约有源消声技术发展的因素之一。为了提高有源消声技术在车内消声的性能,本文主要针对控制算法性能以及实现展开研究。根据声波线性方程和叠加原理,以单通道前馈有源消声系统为研究对象,分析其主要组成及其工作原理。为了解决声反馈问题,本文采用了非声学信号作为参考信号,以发动机、车身顶棚、驾驶舱脚踏板振动加速度信号为输入信号,驾驶员右耳为预测输出信号,通过BP神经网络算法训练出车内噪声预测模型。在控制算法上,对FXLMS算法自适应算法、变步长LMS自适应算法和凸组合算法三种常见算法,从稳定性和收敛性方面进行了详细的理论分析和推导,并且为了改善算法的收敛性和稳定性,即对变步长LMS算法和凸组合算法进行改进,提出了基于分式函数的新型变步长LMS算法(简称VXLMS算法)和基于S型函数快速凸组合最小均方算法(简称SCLMS算法)新的算法。经过理论分析新算法减少了计算量,同时在MATLAB软件里,把BP神经网络程序和新算法程序结合在一起,组成仿真系统,仿真分析表明加快了系统的收敛速度,同时还提高了系统鲁棒性。最后是进行硬件设计和搭建实验平台。基于TMS320F28335开发平台设计了有源消声系统,为了减少计算量,控制算法采用了VXLMS算法,DSP芯片结合AIC23音频芯片、ADC数字转换单元、I2C总线以及多通道缓存串口等外设一起完成有源消声系统的信号采集处理和传送功能。为了能够对采集到的信号进行放大滤波,所以设计了信号调理电路,并通过示波器和信号发生器测试出信号调理电路的放大系数。在CCS5.5集成环境里采用C语言对算法编程,算法程序通过编译和调试,最终烧写到DSP芯片内,然后连接音响设备、传感器,传感器支架以及信号调理电路,最后完成有源消声系统的搭建。经过实验分析,有源消声系统有效降低了模拟发动机噪声。本研究主要对降低车内发动机噪声具有一定的借鉴意义。
《中国公路学报》编辑部[7](2017)在《中国汽车工程学术研究综述·2017》文中研究说明为了促进中国汽车工程学科的发展,从汽车噪声-振动-声振粗糙度(Noise,Vibration,Harshness,NVH)控制、汽车电动化与低碳化、汽车电子化、汽车智能化与网联化以及汽车碰撞安全技术5个方面,系统梳理了国内外汽车工程领域的学术研究进展、热点前沿、存在问题、具体对策及发展前景。汽车NVH控制方面综述了从静音到声品质、新能源汽车NVH控制技术、车身与底盘总成NVH控制技术、主动振动控制技术等;汽车电动化与低碳化方面综述了传统汽车动力总成节能技术、混合动力电动汽车技术等;汽车电子化方面综述了汽车发动机电控技术、汽车转向电控技术、汽车制动电控技术、汽车悬架电控技术等;汽车智能化与网联化方面综述了中美智能网联汽车研究概要、复杂交通环境感知、高精度地图及车辆导航定位、汽车自主决策与轨迹规划、车辆横向控制及纵向动力学控制、智能网联汽车测试,并给出了先进驾驶辅助系统(ADAS)、车联网和人机共驾等典型应用实例解析;汽车碰撞安全技术方面综述了整车碰撞、乘员保护、行人保护、儿童碰撞安全与保护、新能源汽车碰撞安全等。该综述可为汽车工程学科的学术研究提供新的视角和基础资料。
刘锋[8](2017)在《汽车内部噪声主动控制算法研究》文中研究说明汽车NVH(noise,vibration and harshness)是提升汽车品质最核心的技术,车内噪声控制是NVH的重要研究内容之一,可分为被动控制(passive noise control,PNC)和主动控制两类(active noise control,ANC)。被动噪声控制依靠修改结构设计、增加材料阻尼或使用减振器等方法降低车内噪声,通常对中高频(高于500 Hz)噪声非常有效。但是,对于低频噪声,被动控制效果不明显。此外,被动控制需要多次迭代才可能达到设计的声学目标,设计周期长、时间成本高。对于工作模式可变(如混合动力汽车)的汽车,被动噪声控制方案是多种模式下噪声控制方法的折中,不能自适应地在工作模式间切换。主动噪声控制基于相消干涉原理,通过与汽车音响系统集成,在车内引入与原始噪声等幅反相的次级噪声来降低车内噪声。与被动控制相比,主动方法适合控制低频噪声,且控制目标灵活,切换方便,不仅可以降低车内噪声,而且还可以修正噪声频谱,改善车内声品质。传统的主动噪声控制只注重客观的降噪量,以降低残余噪声的声压级为目标。但是,对于车内噪声,人们在主观上不仅要求控制声压级,更关心其频率成分,与发动机转速的关系等因素,即声音的品质。另外,车内噪声的幅值和频率随车辆行驶条件的变化而改变,表现出非平稳的特征,对主动噪声控制算法提出更高的收敛速度要求。除了功能方面的要求外,为了实现主动噪声控制系统在汽车行业的规模化应用,在算法设计时还需要考虑其实现成本。针对以上技术需求,本文在国内外研究成果的基础上,主要完成了以下几方面的工作:1)系统地总结了车内噪声问题的类型,分析了主动控制技术能够解决的噪声问题,为车内噪声主动控制算法的研究奠定了基础。采用“声源-传递路径-噪声分布”模型系统地总结了车内噪声的来源、传递通道、空间分布及频率范围,讨论了主动噪声控制技术对车内噪声控制的适用性。2)以提高算法收敛速度为目标,提出了控制宽带噪声声品质的变步长算法。算法首先根据参考信号的功率对控制器更新步长进行归一化,保证算法在初级噪声波动情况下依然能够收敛。其次,根据瞬时误差噪声自适应调整步长,使算法在控制初始阶段收敛速度更快,在稳定阶段误差噪声更小。3)以改善车内噪声与发动机转速的线性关系为目标,提出了声品质精确主动控制算法。精确算法在传统宽带噪声声品质控制算法的基础上,引入了随初级噪声和预设目标声压级自适应变化的增益因子,使误差噪声的声压级能够在初级噪声剧烈波动的情况下精确控制到预设目标,并且可以根据声品质滤波器控制误差噪声的频谱,进而控制声品质。4)以降低车内噪声主动控制系统成本为出发点,提出了声品质前馈-反馈混合主动控制算法。混合算法使用前馈结构控制频率与发动机转速相关的窄带噪声的声品质,可根据实际需求衰减或增强噪声;使用自适应反馈结构控制参考信号不易获得噪声,如路面噪声。为了进一步降低算法的运算量,在声品质混合主动控制算法的基础上提出了简化算法。5)设计了主动噪声控制管道实验系统并对本文提出的算法进行了实验验证。根据车内噪声频率范围设计了主动噪声控制管道实验装置,对实验装置应用最小均方算法进行初级通道和次级通道辨识,并与测试结果进行对比,验证了辨识结果的准确性。以次级通道的辨识结果作为控制器设计时的次级通道估计,验证了主动噪声控制技术对单频正弦噪声和发动机噪声的有效性,并进一步验证了本文提出的变步长宽带噪声声品质控制算法收敛速度更快的结论。
张丽娟,徐兆坤[9](2015)在《基于蚁群BP神经网络的汽车排气噪声有源控制》文中指出BP算法容易陷入局部极小值,对初值设置敏感,以及学习速度慢等缺陷,而蚁群算法具有全局寻优、正反馈以及分布式计算等特点,提出一种蚁群BP神经网络混合训练方法(AMMAS-BP)。采用自适应最大-最小蚁群算法(AMMAS),对BP网络的权值参数进行全局训练,再使用BP算法对其进行局部学习。建立基于AMMAS-BP算法的汽车排气噪声有源控制系统的仿真模型。仿真结果表明,该方法改善了BP算法的收敛速度和收敛精度,提高了控制系统的降噪效果。
张丽娟[10](2014)在《基于神经网络算法的车辆噪声有源控制研究》文中研究指明在噪声有源控制系统中,目前使用的比较多的是基于线性自适应滤波理论的控制算法,如最小均方LMS算法。其计算量小、算法简单,而且易于实现,但是当系统中存在非线性问题时,线性算法便不再适用,因此需要使用非线性算法进行处理。本文采用BP神经网络算法代替使用较多的LMS算法,在线调节自适应滤波器的参数。BP网络为最常用的一种神经网络,对解决非线性问题,具有显着优势,显示出强大的实际应用能力。但是随着其研究及应用的深入,BP算法的一些缺陷开始显现出来,如收敛速度慢,学习时间较长;学习的过程中可能会陷入局部极小值;网络的构建缺乏统一的原则;对初始权值的设定相当的敏感;网络的泛化能力差等。本文将具有全局优化、正反馈以及分布式计算特性的蚁群算法,应用到对BP网络初始时刻的权值与阈值的确定上。结果表明,本文提出的基于自适应最大-最小蚂蚁系统的改进BP算法比基本BP算法具有更强的处理问题的能力。次级通道传递函数的特性会在整个自适应有源控制系统中产生极其重要的影响。本文建立前馈结构的发动机排气噪声有源控制系统模型,采用基于神经网络算法的自适应逆方法离线辨识次级通道逆模型,再将其串接到次级通道前,以抵消次级通道对有源消声系统所产生的影响。对发动机排气噪声的产生机理和频率构成进行分析的基础上,利用MATLAB/SIMULINK软件,进行仿真试验,并与采用LMS算法的仿真结果进行比较。结果显示,对于存在非线性的系统,神经网络算法在收敛速度与收敛精度方面均强于LMS算法。在MATLAB中画出仿真实验结果的功率谱图,可以看出,神经网络算法使得噪声信号在较宽的频率范围内得到抵消。前馈系统因为结构简单、稳定性强等优点,是有源消声技术中最常用并且最成熟的结构方式。但是,其需要得到噪声的参考输入,而在实际应用过程中,噪声的参考输入常常很难获得或者信噪比太低,将其应用到实践中往往还是较困难的。因此尝试在发动机噪声有源控制系统中采用反馈结构是非常有必要的。本文采用基于神经网络算法的内模控制进行发动机排气噪声的消除,并将粒子群算法用在反馈滤波器参数的在线调节中。同样在MATLAB/SIMULINK环境中进行仿真,从结果可以看出,采用反馈结构的有源消声技术也能取得很好的结果。本文又对某款汽车的排气噪声进行了测量,然后分别采用建立的前馈和反馈模型对实测到的发动机的排气噪声进行消除,同样取得了比较好的效果。进一步表明,本文基于神经网络算法的有源控制方法能够更好地消除汽车排气噪声,其具备一定的实际应用性,对汽车排气噪声有源控制效果的改善有一定的积极作用。
二、一种改善鲁棒性的噪声有源控制自适应神经网络方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种改善鲁棒性的噪声有源控制自适应神经网络方法(论文提纲范文)
(1)车内前反馈混合结构主动噪声控制系统与应用(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 主动噪声控制技术研究现状 |
1.2.1 主动噪声控制技术研究历程 |
1.2.2 主动噪声控制技术算法研究现状 |
1.2.3 车内主动噪声控制技术研究现状 |
1.2.4 研究现状总结 |
1.3 论文主要研究内容 |
第2章 主动噪声控制理论基础 |
2.1 声波相消干涉原理 |
2.2 自适应滤波理论 |
2.2.1 自适应滤波器 |
2.2.2 自适应滤波算法 |
2.3 ANC系统基础结构 |
2.3.1 前馈与反馈ANC系统 |
2.3.2 多通道ANC系统 |
2.4 次级通路辨识 |
2.4.1 次级通路离线辨识 |
2.4.2 次级通路在线辨识 |
2.5 声反馈中和 |
2.6 本章小结 |
第3章 车内主动噪声控制算法 |
3.1 车内低频窄带噪声特性分析 |
3.2 传统车内主动噪声控制算法 |
3.2.1 自适应陷波LMS算法 |
3.2.2 基于内模的反馈Fx LMS算法 |
3.3 传统前反馈混合结构主动噪声控制算法 |
3.4 前反馈混合结构主动噪声控制改进算法 |
3.4.1 基于平滑陷波延时LMS算法的前馈ANC子系统 |
3.4.2 基于限幅控制的变步长反馈ANC子系统 |
3.4.3 改进型误差信号分离子系统 |
3.5 算法计算复杂度对比 |
3.6 本章小结 |
第4章 车内主动噪声控制算法仿真验证 |
4.1 前馈子系统控制算法仿真分析 |
4.2 反馈子系统控制算法仿真分析 |
4.3 前反馈混合结构控制算法仿真分析 |
4.4 车内采集噪声仿真验证 |
4.5 本章小结 |
第5章 实车主动噪声控制试验 |
5.1 实车ANC试验方案设计 |
5.2 实车ANC试验结果及分析 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 研究总结 |
6.2 后期展望 |
参考文献 |
攻读硕士学位期间取得的科研成果 |
致谢 |
(2)非线性组合结构主动噪声控制方法研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 研究内容及技术路线 |
2 自适应主动噪声控制理论与方法 |
2.1 自适应主动噪声控制声场理论 |
2.2 自适应主动噪声控制系统理论 |
2.3 自适应主动噪声控制模型理论 |
2.4 主动噪声控制系统的非线性通路 |
2.5 本章小结 |
3 主动噪声控制系统的非线性组合结构控制器模型 |
3.1 噪声信号特性分析 |
3.2 噪声信号的非线性映射关系 |
3.3 非线性扩展结构降噪控制模型 |
3.4 组合型结构主动噪声控制模型 |
3.5 组合型结构模型主动噪声控制效果分析 |
3.6 本章小结 |
4 主动噪声控制系统的非线性通路建模 |
4.1 白噪声法在线建模 |
4.2 基于误差分析的附加白噪声建模方法 |
4.3 非线性通路在线辨识仿真 |
4.4 本章小结 |
5 主动噪声控制系统的自适应变步长控制参数更新算法 |
5.1 控制步长的作用 |
5.2 常见的变步长控制参数更新算法 |
5.3 基于误差比对的系统变步长控制参数更新算法 |
5.4 本章小结 |
6 有界空间中局部静区的主动噪声控制 |
6.1 主动噪声控制实验环境 |
6.2 主动噪声控制系统硬件实验平台 |
6.3 主动噪声控制系统软件实验环境 |
6.4 局部静区主动噪声控制实验 |
6.5 本章小结 |
7 结论、创新点和展望 |
7.1 结论 |
7.2 创新点 |
7.3 展望 |
参考文献 |
查新结论 |
作者简历 |
学位论文数据集 |
(3)商用车车内主动降噪方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 主动降噪技术国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 研究内容及结构安排 |
第2章 商用车车内主动降噪方法 |
2.1 噪声主动控制声学原理 |
2.2 自适应有源控制系统结构 |
2.3 参考信号的获取 |
2.3.1 车内噪声源分析 |
2.3.2 发动机噪声分析 |
2.3.3 参考信号的合成 |
2.4 人工神经网络 |
2.5 本章小结 |
第3章 商用车主动降噪系统研究 |
3.1 主动降噪系统控制策略 |
3.2 自适应有源控制算法 |
3.2.1 LMS算法 |
3.2.2 单通道FXLMS算法 |
3.2.3 多通道FXLMS算法 |
3.3 次级通路辨识 |
3.3.1 次级通路离线辨识方法 |
3.3.2 次级通路在线辨识方法 |
3.4 本章小结 |
第4章 主动降噪预测算法研究 |
4.1 发动机动力学模型 |
4.2 灰色预测 |
4.3 PID控制算法 |
4.4 基于遗传算法优化的神经网络算法 |
4.5 本章小结 |
第5章 实验仿真及验证 |
5.1 离线系统仿真及验证 |
5.1.1 LMS算法仿真 |
5.1.2 次级通路离线辨识仿真 |
5.1.3 单通道FXLMS算法仿真 |
5.1.4 多通道FXLMS算法仿真 |
5.1.5 离线系统存储与调用仿真 |
5.2 预测算法仿真及验证 |
5.2.1 灰色预测仿真 |
5.2.2 PID控制预测仿真 |
5.2.3 基于GA优化的BP神经网络预测仿真 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 展望 |
参考文献 |
作者简介及在学期间所获科研成果 |
致谢 |
(4)有源噪声控制中自适应算法研究及在局部空间降噪的应用(论文提纲范文)
摘要 |
Abstract |
主要缩写和符号 |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.2 有源噪声控制的提出与发展 |
1.2.1 管道 |
1.2.2 个人听力保护 |
1.2.3 三维空间 |
1.3 国内外研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 现有研究存在的主要问题 |
1.5 本文主要研究内容与目标 |
1.6 论文组织结构 |
第2章 有源噪声控制结构及自适应算法研究 |
2.1 有源噪声控制典型结构 |
2.1.1 前馈型 |
2.1.2 反馈型 |
2.1.3 混合型 |
2.2 有源噪声控制典型算法 |
2.2.1 次级通道辨识算法 |
2.2.2 实用有源噪声控制结构算法 |
2.3 自适应算法 |
2.3.1 自适应RLS算法 |
2.3.2 自适应LMS算法 |
2.3.3 自适应LMS算法的关键性能 |
2.3.4 关键性能与重要变量的联系 |
2.4 变阶数LMS算法 |
2.4.1 梯度下降变阶数算法 |
2.4.2 分割变阶数算法 |
2.4.3 分数变阶数算法 |
2.5 变步长LMS算法 |
2.5.1 函数控制变步长算法 |
2.5.2 修正误差变步长算法 |
2.5.3 误差输入相关范数变步长算法 |
2.6 本章小结 |
第3章 基于阶数的自适应LMS算法研究 |
3.1 阶数对自适应LMS算法的影响 |
3.1.1 理论性能分析 |
3.1.2 实验仿真分析 |
3.2 迭代阶数更新因子的改进分数变阶数算法 |
3.2.1 算法介绍 |
3.2.2 算法参数取值分析 |
3.2.3 限定函数 |
3.2.4 实验仿真分析 |
3.3 变误差宽度的改进分数变阶数算法 |
3.3.1 算法介绍 |
3.3.2 算法参数取值与算法性能分析 |
3.3.3 动态选择比例因子的限定函数 |
3.3.4 实验仿真分析 |
3.4 混合自适应参数的分数变阶数算法 |
3.4.1 算法介绍 |
3.4.2 实验仿真分析 |
3.5 本章小结 |
第4章 基于步长的自适应LMS算法研究 |
4.1 步长对自适应LMS算法的影响 |
4.1.1 理论性能分析 |
4.1.2 实验仿真分析 |
4.2 迭代变步长算法 |
4.2.1 算法介绍 |
4.2.2 算法暂态及稳态性能分析 |
4.2.3 实验仿真分析 |
4.3 同步调整步长与阶数的混合算法 |
4.3.1 算法介绍 |
4.3.2 算法性能分析 |
4.3.3 实验仿真分析 |
4.4 本章小结 |
第5章 局部三维空间有源噪声控制研究 |
5.1 三维空间有源噪声控制 |
5.2 三维空间声场分布特性 |
5.3 封闭空间下局部三维空间实验平台 |
5.3.1 硬件部分 |
5.3.2 软件部分 |
5.4局部三维空间降噪实验 |
5.4.1有源噪声控制次级通道辨识算法实验 |
5.4.2有源噪声控制初级通道算法实验 |
5.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
致谢 |
个人简历 |
(5)基于前反馈混合结构的非线性主动噪声控制方法研究(论文提纲范文)
摘要 |
Abstract |
主要缩写和符号 |
第1章 绪论 |
1.1 课题的研究背景及意义 |
1.2 ANC技术的提出和发展 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 ANC结构及重要技术 |
1.3.1 ANC结构分类 |
1.3.2 非线性ANC技术 |
1.3.3 多通道ANC技术 |
1.3.4 虚拟麦克风技术 |
1.4 本研究领域存在的科学问题 |
1.5 本文的主要研究内容 |
第2章 低计算复杂度窄带非线性ANC方方法研究 |
2.1 引言 |
2.2 FE-NANC系统研究 |
2.2.1 FE-NANC系统设计 |
2.2.2 信号表达及近似 |
2.3 FE-NANC系统性能分析 |
2.3.1 平均意义下的收敛特性分析 |
2.3.2 均方意义下的收敛特性分析 |
2.3.3 系统稳态特性分析 |
2.3.4 步长稳定条件分析 |
2.3.5 计算复杂度分析 |
2.4 前反馈混合结构的NNANC方法研究 |
2.4.1 NNANC系统初级噪声分析 |
2.4.2 反馈频率估计 |
2.4.3 前馈频率拓展 |
2.4.4 基于误差分离技术的NNANC方法 |
2.4.5 新NNANC方法计算复杂度分析 |
2.5 仿真验证分析 |
2.5.1 FE-NANC动态性能仿真 |
2.5.2 FE-NANC稳态性能仿真 |
2.5.3 新NNANC方法降噪性能评价 |
2.6 本章小结 |
第3章 宽窄带混合噪声的非线性ANC方方法研究 |
3.1 引言 |
3.2 反馈ANC方法研究 |
3.2.1 初级噪声特性分析 |
3.2.2 基于FIR结构的反馈ANC系统 |
3.3 基于FLANN结构的前馈ANC系统性能分析 |
3.4 前反馈混合结构的非线性ANC方法研究 |
3.5 仿真验证分析 |
3.5.1 二阶非线性初级路径降噪性能 |
3.5.2 高阶非线性初级路径降噪性能 |
3.5.3 非平稳环境降噪性能 |
3.6 本章小结 |
第4章 基于反馈结构的宽带非线性ANC方方法研究 |
4.1 引言 |
4.2 传统反馈非线性ANC方法 |
4.2.1 混沌噪声 |
4.2.2 随机噪声 |
4.2.3 基于FLANN结构的反馈ANC方法 |
4.3 基于小波包的反馈非线性ANC方法研究 |
4.3.1 离散小波变换和小波包 |
4.3.2 宽带混沌噪声和随机噪声预测 |
4.3.3 基于小波包的FXLMS方法 |
4.3.4 计算复杂度分析 |
4.4 仿真验证分析 |
4.4.1 Logistic混沌噪声降噪表现 |
4.4.2 Henon混沌噪声降噪表现 |
4.4.3 随机噪声降噪表现 |
4.4.4 追踪性能 |
4.5 本章小结 |
第5章 非线性ANC系系统的声反馈补偿方法研究 |
5.1 引言 |
5.2 FLANN交叉项问题分析 |
5.3 基于BFLANN滤波器的ANC系统设计及分析 |
5.3.1 BFLANN滤波器设计 |
5.3.2 稳定性分析 |
5.3.3 计算复杂度分析 |
5.4 仿真验证分析 |
5.4.1 混沌噪声降噪性能 |
5.4.2 线性声反馈降噪性能 |
5.4.3 非线性声反馈降噪性能 |
5.4.4 录制风扇噪声降噪性能 |
5.5 本章小结 |
第6章 封闭空间非线性ANC实实验研究 |
6.1 引言 |
6.2 ANC系统平台搭建及其噪声环境设定 |
6.2.1 封闭声学空间设计 |
6.2.2 ANC系统平台搭建 |
6.2.3 非线性声学路径设定 |
6.3 FE-NANC系统实时降噪实验 |
6.3.1 计算量评估 |
6.3.2 多频窄带噪声降噪 |
6.4 提出非线性ANC方法实时降噪实验 |
6.4.1 无声反馈的非线性ANC降噪 |
6.4.2 有声反馈的非线性ANC降噪 |
6.5 轿车发动机ANC实时实验 |
6.6 本章小结 |
结论 |
参考文献 |
附录A |
A.1 FE-NANC系统平均意义上的步长上界 |
A.2 FE-NANC系统均方意义上部分公式展开 |
攻读博士学位期间发表的学术论文及其它成果 |
致谢 |
个人简历 |
(6)基于DSP车内有源噪声控制系统实现以及实验研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景以及意义 |
1.2 国外发展现状 |
1.3 国内发展现状 |
1.4 有源消声车内应用 |
第二章 有源消声原理以及车内噪声分析 |
2.1 线性波动方程 |
2.2 声波的干涉 |
2.2.1 叠加原理 |
2.2.2 驻波 |
2.2.3 声波的相干性 |
2.3 车内声源分析 |
2.4 本章小结 |
第三章 用BP神经网络对车内噪声辨识和预测 |
3.1 神经网络简介 |
3.1.1 人工神经元模型 |
3.1.2 神经网络的网络结构介绍 |
3.1.3 神经网络学习规则 |
3.2 BP神经网络模型 |
3.2.1 BP神经元和神经网络模型 |
3.3 样本数据获得 |
3.4 神经网络建模 |
3.5 本章小结 |
第四章 次级通路建模 |
4.1 离线建模 |
4.2 在线建模控制系统 |
4.2.1 附加噪声法控制系统 |
4.2.2 zhang的方法控制系统 |
4.2.3 Akhtar的方法 |
4.2.4 Davari方法 |
4.3 本章小结 |
第五章 自适应算法理论介绍以及仿真分析 |
5.1 LMS算法理论 |
5.2 新变步长LMS算法 |
5.2.1 新变步长LMS算法理论分析 |
5.3 对VXLMS算法性能仿真分析 |
5.3.1 和其他变步长算法仿真对比 |
5.4 新的S型函数快速CLMS算法 |
5.4.1 CLMS算法原理 |
5.4.2 新的S型函数联合参数 |
5.5 SCLMS算法仿真分析 |
5.5.1 输入信号为高斯白噪声的仿真分析 |
5.5.2 输入信号是相关信号时算法仿真分析 |
5.5.3 输入信号为BP神经网络预测信号 |
5.6 本章小结 |
第六章 有源噪声控制系统搭建与研究 |
6.1 ANC硬件系统设计以及系统搭建 |
6.1.1 有源消声系统总体结构 |
6.1.2 硬件结构图 |
6.2 硬件系统设计 |
6.2.1 传声器 |
6.2.2 DSP选择 |
6.2.3 信号调理电路设计 |
6.3 有源消声系统系统软件设计 |
6.3.1 DSP开发环境 |
6.3.2 时钟与锁相环寄存器配置 |
6.3.3 McBSP多通道缓存串口配置 |
6.3.4 I~2C串行通信配置 |
6.3.5 AIC23B音频芯片配置 |
6.4 有源消声系统调试 |
6.4.1 信号调理电路测试 |
6.4.2 有源消声系统程序设计 |
6.4.3 实验与结果分析 |
第七章 总结与展望 |
参考文献 |
发表论文和参加科研情况说明 |
致谢 |
(7)中国汽车工程学术研究综述·2017(论文提纲范文)
索引 |
0引言 |
1汽车NVH控制 (长安汽车工程研究院庞剑总工程师统稿) |
1.1从静音到声品质 (重庆大学贺岩松教授提供初稿) |
1.1.1国内外研究现状 |
1.1.1.1声品质主观评价 |
1.1.1.2声品质客观评价 |
1.1.1.3声品质主客观统一模型 |
1.1.2存在的问题 |
1.1.3研究发展趋势 |
1.2新能源汽车NVH控制技术 |
1.2.1驱动电机动力总成的NVH技术 (同济大学左曙光教授、林福博士生提供初稿) |
1.2.1.1国内外研究现状 |
1.2.1.2热点研究方向 |
1.2.1.3存在的问题与展望 |
1.2.2燃料电池发动机用空压机的NVH技术 (同济大学左曙光教授、韦开君博士生提供初稿) |
1.2.2.1国内外研究现状 |
1.2.2.2存在的问题 |
1.2.2.3总结与展望 |
1.3车身与底盘总成NVH控制技术 |
1.3.1车身与内饰 (长安汽车工程研究院庞剑总工程师提供初稿) |
1.3.1.1车身结构 |
1.3.1.2声学包装 |
1.3.2制动系 (同济大学张立军教授、徐杰博士生、孟德建讲师提供初稿) |
1.3.2.1制动抖动 |
1.3.2.2制动颤振 |
1.3.2.3制动尖叫 |
1.3.2.4瓶颈问题与未来趋势 |
1.3.3轮胎 (清华大学危银涛教授、杨永宝博士生、赵崇雷硕士生提供初稿) |
1.3.3.1轮胎噪声机理研究 |
1.3.3.2轮胎噪声计算模型 |
1.3.3.3轮胎噪声的测量手段 |
1.3.3.4降噪方法 |
1.3.3.5问题与展望 |
1.3.4悬架系 (吉林大学庄晔副教授提供初稿) |
1.3.4.1悬架系NVH问题概述 |
1.3.4.2悬架系的动力学建模与NVH预开发 |
1.3.4.3悬架系的关键部件NVH设计 |
1.3.4.4悬架NVH设计整改 |
1.4主动振动控制技术 (重庆大学郑玲教授提供初稿) |
1.4.1主动和半主动悬架技术 |
1.4.1.1主动悬架技术 |
1.4.1.2半主动悬架技术 |
1.4.2主动和半主动悬置技术 |
1.4.2.1主动悬置技术 |
1.4.2.2半主动悬置技术 |
1.4.3问题及发展趋势 |
2汽车电动化与低碳化 (江苏大学何仁教授统稿) |
2.1传统汽车动力总成节能技术 (同济大学郝真真博士生、倪计民教授提供初稿) |
2.1.1国内外研究现状 |
2.1.1.1替代燃料发动机 |
2.1.1.2高效内燃机 |
2.1.1.3新型传动方式 |
2.1.2存在的主要问题 |
2.1.3重点研究方向 |
2.1.4发展对策及趋势 |
2.2混合动力电动汽车技术 (重庆大学胡建军教授、秦大同教授, 彭航、周星宇博士生提供初稿) |
2.2.1国内外研究现状 |
2.2.2存在的问题 |
2.2.3重点研究方向 |
2.3新能源汽车技术 |
2.3.1纯电动汽车技术 (长安大学马建、余强、汪贵平教授, 赵轩、李耀华副教授, 许世维、唐自强、张一西研究生提供初稿) |
2.3.1.1动力电池 |
2.3.1.2分布式驱动电动汽车驱动控制技术 |
2.3.1.3纯电动汽车制动能量回收技术 |
2.3.2插电式混合动力汽车技术 (重庆大学胡建军、秦大同教授, 彭航、周星宇博士生提供初稿) |
2.3.2.1国内外研究现状 |
2.3.2.2存在的问题 |
2.3.2.3热点研究方向 |
2.3.2.4研究发展趋势 |
2.3.3燃料电池电动汽车技术 (北京理工大学王震坡教授、邓钧君助理教授, 北京重理能源科技有限公司高雷工程师提供初稿) |
2.3.3.1国内外技术发展现状 |
2.3.3.2关键技术及热点研究方向 |
2.3.3.3制约燃料电池汽车发展的关键因素 |
2.3.3.4燃料电池汽车的发展趋势 |
3汽车电子化 (吉林大学宗长富教授统稿) |
3.1汽车发动机电控技术 (北京航空航天大学杨世春教授、陈飞博士提供初稿) |
3.1.1国内外研究现状 |
3.1.2重点研究方向 |
3.1.2.1汽车发动机燃油喷射控制技术 |
3.1.2.2汽车发动机涡轮增压控制技术 |
3.1.2.3汽车发动机电子节气门控制技术 |
3.1.2.4汽车发动机点火控制技术 |
3.1.2.5汽车发动机空燃比控制技术 |
3.1.2.6汽车发动机怠速控制技术 |
3.1.2.7汽车发动机爆震检测与控制技术 |
3.1.2.8汽车发动机先进燃烧模式控制技术 |
3.1.2.9汽车柴油发动机电子控制技术 |
3.1.3研究发展趋势 |
3.2汽车转向电控技术 |
3.2.1电动助力转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
3.2.1.1国内外研究现状 |
3.2.1.2重点研究方向和存在的问题 |
3.2.1.3研究发展趋势 |
3.2.2主动转向及四轮转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
3.2.2.1国内外研究现状 |
3.2.2.2研究热点和存在问题 |
3.2.2.3研究发展趋势 |
3.2.3线控转向技术 (吉林大学郑宏宇副教授提供初稿) |
3.2.3.1转向角传动比 |
3.2.3.2转向路感模拟 |
3.2.3.3诊断容错技术 |
3.2.4商用车电控转向技术 (吉林大学宗长富教授、赵伟强副教授, 韩小健、高恪研究生提供初稿) |
3.2.4.1电控液压转向系统 |
3.2.4.2电液耦合转向系统 |
3.2.4.3电动助力转向系统 |
3.2.4.4后轴主动转向系统 |
3.2.4.5新能源商用车转向系统 |
3.2.4.6商用车转向系统的发展方向 |
3.3汽车制动控制技术 (合肥工业大学陈无畏教授、汪洪波副教授提供初稿) |
3.3.1国内外研究现状 |
3.3.1.1制动系统元部件研发 |
3.3.1.2制动系统性能分析 |
3.3.1.3制动系统控制研究 |
3.3.1.4电动汽车研究 |
3.3.1.5混合动力汽车研究 |
3.3.1.6参数测量 |
3.3.1.7与其他系统耦合分析及控制 |
3.3.1.8其他方面 |
3.3.2存在的问题 |
3.4汽车悬架电控技术 (吉林大学庄晔副教授提供初稿) |
3.4.1电控悬架功能与评价指标 |
3.4.2电控主动悬架最优控制 |
3.4.3电控悬架其他控制算法 |
3.4.4电控悬架产品开发 |
4汽车智能化与网联化 (清华大学李克强教授、长安大学赵祥模教授共同统稿) |
4.1国内外智能网联汽车研究概要 |
4.1.1美国智能网联汽车研究进展 (美国得克萨斯州交通厅Jianming Ma博士提供初稿) |
4.1.1.1美国智能网联车研究意义 |
4.1.1.2网联车安全研究 |
4.1.1.3美国自动驾驶车辆研究 |
4.1.1.4智能网联自动驾驶车 |
4.1.2中国智能网联汽车研究进展 (长安大学赵祥模教授、徐志刚副教授、闵海根、孙朋朋、王振博士生提供初稿) |
4.1.2.1中国智能网联汽车规划 |
4.1.2.2中国高校及研究机构智能网联汽车开发情况 |
4.1.2.3中国企业智能网联汽车开发情况 |
4.1.2.4存在的问题 |
4.1.2.5展望 |
4.2复杂交通环境感知 |
4.2.1基于激光雷达的环境感知 (长安大学付锐教授、张名芳博士生提供初稿) |
4.2.1.1点云聚类 |
4.2.1.2可通行区域分析 |
4.2.1.3障碍物识别 |
4.2.1.4障碍物跟踪 |
4.2.1.5小结 |
4.2.2车载摄像机等单传感器处理技术 (武汉理工大学胡钊政教授、陈志军博士, 长安大学刘占文博士提供初稿) |
4.2.2.1交通标志识别 |
4.2.2.2车道线检测 |
4.2.2.3交通信号灯检测 |
4.2.2.4行人检测 |
4.2.2.5车辆检测 |
4.2.2.6总结与展望 |
4.3高精度地图及车辆导航定位 (武汉大学李必军教授、长安大学徐志刚副教授提供初稿) |
4.3.1国内外研究现状 |
4.3.2当前研究热点 |
4.3.2.1高精度地图的采集 |
4.3.2.2高精度地图的地图模型 |
4.3.2.3高精度地图定位技术 |
4.3.2.4基于GIS的路径规划 |
4.3.3存在的问题 |
4.3.4重点研究方向与展望 |
4.4汽车自主决策与轨迹规划 (清华大学王建强研究员、李升波副教授、忻隆博士提供初稿) |
4.4.1驾驶人决策行为特性 |
4.4.2周车运动轨迹预测 |
4.4.3智能汽车决策方法 |
4.4.4自主决策面临的挑战 |
4.4.5自动驾驶车辆的路径规划算法 |
4.4.5.1路线图法 |
4.4.5.2网格分解法 |
4.4.5.3 Dijistra算法 |
4.4.5.4 A*算法 |
4.4.6路径面临的挑战 |
4.5车辆横向控制及纵向动力学控制 |
4.5.1车辆横向控制结构 (华南理工大学游峰副教授, 初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
4.5.1.1基于经典控制理论的车辆横向控制 (PID) |
4.5.1.2基于现代控制理论的车辆横向控制 |
4.5.1.3基于智能控制理论的车辆横向控制 |
4.5.1.4考虑驾驶人特性的车辆横向控制 |
4.5.1.5面临的挑战 |
4.5.2动力学控制 (清华大学李升波副研究员、李克强教授、徐少兵博士提供初稿) |
4.5.2.1纵向动力学模型 |
4.5.2.2纵向稳定性控制 |
4.5.2.3纵向速度控制 |
4.5.2.4自适应巡航控制 |
4.5.2.5节油驾驶控制 |
4.6智能网联汽车测试 (中国科学院自动化研究所黄武陵副研究员、王飞跃研究员, 清华大学李力副教授, 西安交通大学刘跃虎教授、郑南宁院士提供初稿) |
4.6.1智能网联汽车测试研究现状 |
4.6.2智能网联汽车测试热点研究方向 |
4.6.2.1智能网联汽车测试内容研究 |
4.6.2.2智能网联汽车测试方法 |
4.6.2.3智能网联汽车的测试场地建设 |
4.6.3智能网联汽车测试存在的问题 |
4.6.4智能网联汽车测试研究发展趋势 |
4.6.4.1智能网联汽车测试场地建设要求 |
4.6.4.2智能网联汽车测评方法的发展 |
4.6.4.3加速智能网联汽车测试及进程管理 |
4.7典型应用实例解析 |
4.7.1典型汽车ADAS系统解析 |
4.7.1.1辅助车道保持系统、变道辅助系统与自动泊车系统 (同济大学陈慧教授, 何晓临、刘颂研究生提供初稿) |
4.7.1.2 ACC/AEB系统 (清华大学王建强研究员, 华南理工大学游峰副教授、初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
4.7.2 V2X协同及队列自动驾驶 |
4.7.2.1一维队列控制 (清华大学李克强教授、李升波副教授提供初稿) |
4.7.2.2二维多车协同控制 (清华大学李力副教授提供初稿) |
4.7.3智能汽车的人机共驾技术 (武汉理工大学褚端峰副研究员、吴超仲教授、黄珍教授提供初稿) |
4.7.3.1国内外研究现状 |
4.7.3.2存在的问题 |
4.7.3.3热点研究方向 |
4.7.3.4研究发展趋势 |
5汽车碰撞安全技术 |
5.1整车碰撞 (长沙理工大学雷正保教授提供初稿) |
5.1.1汽车碰撞相容性 |
5.1.1.1国内外研究现状 |
5.1.1.2存在的问题 |
5.1.1.3重点研究方向 |
5.1.1.4展望 |
5.1.2汽车偏置碰撞安全性 |
5.1.2.1国内外研究现状 |
5.1.2.2存在的问题 |
5.1.2.3重点研究方向 |
5.1.2.4展望 |
5.1.3汽车碰撞试验测试技术 |
5.1.3.1国内外研究现状 |
5.1.3.2存在的问题 |
5.1.3.3重点研究方向 |
5.1.3.4展望 |
5.2乘员保护 (重庆理工大学胡远志教授提供初稿) |
5.2.1国内外研究现状 |
5.2.2重点研究方向 |
5.2.3展望 |
5.3行人保护 (同济大学王宏雁教授、余泳利研究生提供初稿) |
5.3.1概述 |
5.3.2国内外研究现状 |
5.3.2.1被动安全技术 |
5.3.2.2主动安全技术研究 |
5.3.3研究热点 |
5.3.3.1事故研究趋势 |
5.3.3.2技术发展趋势 |
5.3.4存在的问题 |
5.3.5小结 |
5.4儿童碰撞安全与保护 (湖南大学曹立波教授, 同济大学王宏雁教授、李舒畅研究生提供初稿;曹立波教授统稿) |
5.4.1国内外研究现状 |
5.4.1.1儿童碰撞安全现状 |
5.4.1.2儿童损伤生物力学研究现状 |
5.4.1.3车内儿童安全法规和试验方法 |
5.4.1.4车外儿童安全法规和试验方法 |
5.4.1.5儿童安全防护措施 |
5.4.1.6儿童约束系统使用管理与评价 |
5.4.2存在的问题 |
5.4.3重点研究方向 |
5.4.4发展对策和展望 |
5.5新能源汽车碰撞安全 (大连理工大学侯文彬教授、侯少强硕士生提供初稿) |
5.5.1国内外研究现状 |
5.5.1.1新能源汽车碰撞试验 |
5.5.1.2高压电安全控制研究 |
5.5.1.3新能源汽车车身结构布局研究 |
5.5.1.4电池包碰撞安全防护 |
5.5.1.5动力电池碰撞安全 |
5.5.2热点研究方向 |
5.5.3存在的问题 |
5.5.4发展对策与展望 |
6结语 |
(8)汽车内部噪声主动控制算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究背景和意义 |
1.1.1 车内噪声控制的必要性 |
1.1.2 被动噪声控制技术的局限性 |
1.1.3 车内噪声主动控制算法研究意义 |
1.2 主动噪声控制技术及其发展历程 |
1.2.1 主动噪声控制机理 |
1.2.2 主动噪声控制发展历程 |
1.2.3 主动噪声控制系统分类 |
1.3 车内噪声主动控制国内外研究现状 |
1.3.1 国内研究现状 |
1.3.2 国外研究现状 |
1.4 存在问题及本文研究内容 |
1.5 论文组织结构 |
第2章 车内噪声模型与噪声主动控制 |
2.1 引言 |
2.2 车内噪声模型 |
2.2.1 车内噪声主要噪声源 |
2.2.2 噪声传递路径及影响因素 |
2.2.3 车内噪声声场空间分布 |
2.2.4 车内噪声频域能量分布 |
2.3 车内噪声主动控制需求分析 |
2.4 车内噪声主动控制系统物理实现 |
2.5 主动噪声控制系统数学模型 |
2.5.1 自适应滤波器基本理论 |
2.5.2 前馈控制FXLMS算法 |
2.6 本章小结 |
第3章 变步长宽带噪声声品质主动控制算法研究 |
3.1 引言 |
3.2 传统宽带噪声声品质主动控制算法 |
3.3 变步长归一化宽带噪声声品质控制算法 |
3.4 算法仿真分析 |
3.5.1 仿真参数设置 |
3.5.2 仿真结果 |
3.5 本章小结 |
第4章 宽带噪声声品质精确主动控制算法研究 |
4.1 引言 |
4.2 给定目标声压级的宽带噪声声品质控制算法 |
4.3 仿真分析 |
4.3.1 仿真参数设置 |
4.3.2 衰减模式仿真验证 |
4.3.3 增强模式仿真验证 |
4.3.4 初级噪声波动跟踪控制验证 |
4.3.5 预设目标与初级噪声同时波动跟踪控制验证 |
4.3.6 车内噪声声品质控制验证 |
4.4 本章小结 |
第5章 声品质混合主动控制算法研究 |
5.1 引言 |
5.2 窄带噪声声品质前馈主动控制算法 |
5.3 自适应反馈噪声控制算法 |
5.4 前馈-反馈声品质混合主动控制算法 |
5.5 简化声品质混合主动控制算法 |
5.6 仿真分析 |
5.6.1 仿真参数设置 |
5.6.2 仿真结果 |
5.7 本章小结 |
第6章 车内噪声主动控制算法实验验证 |
6.1 引言 |
6.2 主动噪声控制实验系统设计 |
6.2.1 初级噪声发生器 |
6.2.2 管道系统 |
6.2.3 噪声测试控制系统 |
6.2.4 噪声控制执行器 |
6.3 主动噪声控制实验系统参数辨识 |
6.4 主动噪声控制算法实验验证 |
6.4.1单频正弦噪声主动控制实验 |
6.4.2发动机噪声主动控制实验 |
6.4.3变步长声品质主动控制实验 |
6.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表论文与研究成果清单 |
致谢 |
作者简介 |
(9)基于蚁群BP神经网络的汽车排气噪声有源控制(论文提纲范文)
1 引言 |
2 自适应最大—最小蚂蚁系统 |
2. 1 最大—最小蚂蚁系统 |
2. 2 自适应改进 |
( 1) 自适应地改变ρ值 |
( 2) 信息素更新方案 |
3 AMMAS—BP 神经网络算法 |
4蚁 群—BP 神 经 网 络 算 法 在 汽 车 排气噪声有源控制系统中的应用 |
5 结论 |
(10)基于神经网络算法的车辆噪声有源控制研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究的目的和意义 |
1.2 有源消声的国内外研究进展和发展趋势 |
1.2.1 有源消声的国内外研究进展 |
1.2.2 有源消声的现存问题以及发展趋势 |
1.2.3 发动机排气噪声有源控制 |
1.3 神经网络的国内外研究进展和发展趋势 |
1.4 论文的主要研究内容 |
第二章 发动机排气噪声 AANC 研究 |
2.1 发动机排气噪声 AANC 系统 |
2.1.1 发动机排气噪声 AANC 系统 |
2.1.2 参考信号的采集 |
2.2 AANC 系统结构 |
2.2.1 前馈控制系统 |
2.2.2 反馈控制系统 |
2.2.3 混合型控制系统 |
2.3 AANC 系统的原理 |
2.4 自适应算法 |
2.4.1 最小均方 LMS 算法 |
2.4.2 递归最小二乘 RLS 算法 |
2.4.3 神经网络算法 |
2.4.4 三种算法的比较 |
2.5 本章小结 |
第三章 BP 神经网络算法及其改进 |
3.1 BP 神经网络算法 |
3.1.1 BP 神经网络算法原理 |
3.1.2 BP 算法的分析 |
3.2 蚁群算法及其改进算法 |
3.2.1 蚁群算法 |
3.2.2 自适应最大-最小蚂蚁系统 |
3.3 基于蚁群算法的改进的 BP 算法 |
3.4 仿真试验 |
3.4.1 参数选择 |
3.4.2 仿真结果 |
3.5 本章小结 |
第四章 基于 BP 算法的发动机噪声前馈控制 |
4.1 前馈控制系统模型 |
4.2 汽车排气噪声源分析 |
4.2.1 排气噪声的产生 |
4.2.2 排气噪声的频谱特性 |
4.3 BP 算法的泛化能力的提高 |
4.4 次级通道逆辨识 |
4.5 仿真及结果 |
4.6 实测汽车排气噪声的消除 |
4.7 本章小结 |
第五章 基于 BP 算法的发动机噪声反馈控制 |
5.1 IMC 系统的基本原理 |
5.2 IMC 系统的鲁棒性 |
5.2.1 鲁棒稳定性分析 |
5.2.2 鲁棒性能分析 |
5.3 基于 IMC 的发动机噪声 ANC |
5.3.1 系统结构 |
5.3.2 反馈滤波器设计 |
5.4 仿真结果 |
5.5 实测发动机噪声的消除 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录 |
攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
致谢 |
四、一种改善鲁棒性的噪声有源控制自适应神经网络方法(论文参考文献)
- [1]车内前反馈混合结构主动噪声控制系统与应用[D]. 梁超. 吉林大学, 2021(01)
- [2]非线性组合结构主动噪声控制方法研究[D]. 姜彦吉. 辽宁工程技术大学, 2020(01)
- [3]商用车车内主动降噪方法研究[D]. 葛鑫. 吉林大学, 2020(08)
- [4]有源噪声控制中自适应算法研究及在局部空间降噪的应用[D]. 韩宇菲. 哈尔滨工业大学, 2019(01)
- [5]基于前反馈混合结构的非线性主动噪声控制方法研究[D]. 罗磊. 哈尔滨工业大学, 2019(01)
- [6]基于DSP车内有源噪声控制系统实现以及实验研究[D]. 周振华. 广西科技大学, 2018(03)
- [7]中国汽车工程学术研究综述·2017[J]. 《中国公路学报》编辑部. 中国公路学报, 2017(06)
- [8]汽车内部噪声主动控制算法研究[D]. 刘锋. 北京理工大学, 2017(02)
- [9]基于蚁群BP神经网络的汽车排气噪声有源控制[J]. 张丽娟,徐兆坤. 电声技术, 2015(02)
- [10]基于神经网络算法的车辆噪声有源控制研究[D]. 张丽娟. 上海工程技术大学, 2014(08)