论文部分内容阅读
高速工况下,车内噪声信号具有随机性和波动性的特征。将一种基于经验模态分解(Empirical Mode Decomposition,EMD)和反向传输(Back Propagation,BP)神经网络的算法,用于重构车内乘员耳侧噪声信号。首先通过对车内乘员耳侧噪声贡献量分析,确定关键噪声源信号;其次对选择的噪声源信号进行EMD分解,得到有限个相对平稳的固有模态函数(Intrinsic ModeFunction,IMF)分量;然后采用极值点划分法,按各个分量的波动情况进行重新划分,将信号分量重构为高频、中频