1、2 经典谱估计2.1 周期图法周期图法又称直接法。它是从随机信号x(n)中截取N长的一段，把它视为能量有限x(n)真实功率谱的估计的抽样.周期图这一概念早在1899年就提出了，但由于点数Ｎ一般比较大，该方法的计算量过大而在当时无法使用。只是1965年FFT出现后，此法才变成谱估计的一个常用方法。周期图法包含了下列二条假设：1．认为随机序列是广义平稳且各态遍历的，可以用其一个样本x(n)中的一段来估计该随机序列的功率谱。这当然必然带来误差。2．由于对采用DFT，就默认在时域是周期的，以及在频域是周期的。这种方法把随机序列样本x(n)看成是截得一段的周期延拓，这也就是周期图法这个名字的来历。与相关法相比，相关法在求相关函数时将以外是数据全都看成零，因此相关法认为除外x(n)是全零序列，这种处理方法显然与周期图法不一样。但是，当相关法被引入基于FFT的快速相关后，相关法和周期图法开始融合。比我们发现：如果相关法中M=N，不加延迟窗，那么就和充（N-1）个零的周期图法一样了。简单地可以这样说：周期图法是M=N时相关法的特例。因此相关法和周期图法可结合使用。2.2 相关法谱估计（BT）这种方法以相关函数为媒介来计算功率谱，所以又叫间接法。它是1958年由Blackman和Tukey提出。这种方法的具体步骤是：第一步：从无限长随机序列x(n)中截取长度N的有限长序列列第二步：由N长序列求（2M-1）点的自相关函数序列。即(2-1)这里，m=-(M-1)…,-1,0,1…,M-1，MN，是双边序列，但是由自相关函数的偶对称性式，只要求出m=0,。。。,M-1的傅里叶变换，另一半也就知道了。第三步：由相关函数的傅式变换求功率谱。即(2-2)以上过程中经历了两次截断，一次是将x(n)截成N长，称为加数据窗，一次是将想x(n)截成（2M-1）长，称为加延迟窗。因此所得的功率谱仅是近似值，也叫谱估计，式中的代表估值。一般取M<<N，因为只有当M较小时，序列傅式变换的点数才较小，功率谱的计算量才不至于大到难以实现，而且谱估计质量也较好。因此，在FFT问世之前，相关法是最常用的谱估计方法。当FFT问世后，情况有所变化。因为截断后的可视作能量信号，由相关卷积定理可得(2-3)这就将相关化为线性卷积，而线性卷积又可以用快速卷积来实现。我们可对上式两边取（2N-1）点DFT，则有(2-4)于是将时域卷积变为频域乘积，用快速相关求的完整方案如下：1.对N长的充（N-1）个零，成为（2N-1）长的。2.求（2N-1）点的FFT，得。3.求。由DFT性质，是纯实的，满足共轭偶对称，而一定是实偶的，且以（2N-1）为周期。4.求（2N-1）点的IFFT：(2-5)这里是实偶的，m=-(N-1)...0...N-1。本来IFFT求和范围是0至2N-2，由于的实偶性与周期性，求和范围改为-（N-1）至（N-1）不影响计算结果。同理可将m的范围改为-（N-1）至（N-1）。上述的快速相关中，充零的目的是为了能用圆周卷积代替线性卷积，以便进一步采用快速卷积算法。快速相关输出是-（N-1）至（N-1）的2N-1点，加窗后截取的是-（M-1）至（M-1）的频段，最后作（2M-1）点FFT，得。我们注意到：如果数据点数与自相关序列点数相同即M=N，则（2N-1）点的IFFT后紧跟一个（2N-1）点的FFT，利用的对称性，FT运算框的计算式变为(2-6)由于N=M并假设窗形状是矩形的，第二次的截断就不需要了。比较式（3-5）和式（3-6），,正反傅氏变换可以抵消，直接得(2-7)为了实行基2FFT，也可将（2N-1）点换成2N点，这样做不影响结果的正确性。2.3 巴特利特(Bartlett)平均周期图的方法首先让我们来看一下为什么周期图经过某种平均(或平滑)后会使它的方差当时趋于零，达到一致估计的目的。如果是不相关的随机变量，每一个具有期望值，方差，则可以证明它们的数学平均的期望值等于，数学平均的方差等于，即：所以(2-8)由(2-8)可见，L个平均的方差比每个随机变量的单独方差小L倍。当，可达到一致谱估计的目的。因而降低估计量的方差的一种有效方法是将若干个独立估计值进行平均。把这种方法应用于谱估计通常归功于Bartlett。Bartlett平均周期图的方法是将序列分段求周期图再平均。设将分成L段，每段有M个样本，因而，第i段样本序列可写成第i段的周期图为如果很小，则可假定各段的周期图是互相独立的。对功率谱密度的概念的讨论，谱估计可定义为L段周期图的平均，即(2-9)于是它的期望值为(2-10)这里，因此Bartlett估计的期望值是真实谱与三角窗函数的卷积。由于三角窗函数不等于函数，所以Bartlett估计也是有偏估计即，但当时，。由于我们假定各段周期图是相互独立的，所以可按式(3-8)得到下式：(2-11)由此可见，随着L的增加是下降的，当时，。因此Bartlett估计是一致估计。比较式(2-10)的与式(2-1)的可见在二种情况的估计量的期望值都是真值与窗口函数的卷积形式，但后者将前者WB中N改为M，。因而使主瓣的宽度增大。由于主瓣的宽度愈窄愈接近函数，偏倚愈小。今式(2-10)中的主瓣宽度大于后式中的主瓣宽度，因而，而主瓣愈宽显然使分辨率愈差。因此Bias可用来说明谱的分辨率，Bias愈大说明谱分辨率愈差。一个固定的记录长度N，周期图分段的数目L愈大将使方差愈小，但M也愈小，因而使Bias愈大，谱分辨率变得愈差。因此Bartlett方法中Bias或谱分辨率和估计量的方差间是有互换关系的。M和N的选择一般是由对所研究的信号的预先了解来指导的。例如，如果我们知道谱有一个窄峰，同时如果分辨出这个峰是重要的，那么我们必须选择M足够大。又从方差的表达式我们可以确定谱估计的可接受的方差所要求的记录长度N=(LM)。由此可见Bartlett法使谱估计的方差减小是用增加Bias以及降低谱分辨率的代价换来的。实际上，当N一定时，Bias与Var的互换性是谱估计的一个固有特性。为了说明经平均后的周期图作为功率谱估计的实际效果，设有一零均值高斯分布的随机过程，其功率谱密度为这一功率谱密度是由一零值高斯分布单位方差的噪声序列通过一个其的滤波器形成的。为了简单设选用的矩形窗函数。其周期图的期望值(用表示)与真值均表示在图2.4中。它说明的周期图可以得到的Bias的情况。图2-2表示M=8分4段与16段二种情况平均后的周期图。显然L=4的方差比L=16的大。将L=16的曲线与图2.4的曲线比较可见在这种估计中误差的大部分起因于Bias而不是方差(因为二种情况均为，Bias相仿，误差也相仿)。M=16，L=2及8的周期图表示在图2-3。图2-3中L不同造成的影响也是明显的。但是这二个曲线的起伏都很大，因此有理由认为误差主要起因于方差。比较与M=16的周期图可见，M愈大(即§2.3中的N愈大)，将使周期图的起伏愈增快的结论，在这里也同样成立。比较图2-2与图2-3发现在这个例子中最好的选择是应用L=16，M=8的估计而不是L=8、M=16的估计，即宁可减小方差，牺牲Bias。在实际中，当然功率谱密度的真值是不知道的。但是谱的窗口函数以及关于功率谱密度的某些信息往往是预先知道的。通过改变M和L以及利用预先知道的情况，通常可以很好地进行选择。平均周期图的方法特别适合于应用FFT算法。因此在FFT出现以后这个方法比下面将要讨论的利用窗口函数的处理法用得更多。而在FFT出现以前主要是用窗口函数处理法平滑周期图。图2-1 与的特性图2-2 平滑后的周期图（每段取8个数据）图2-3 平均后的周期图(每段取16个数据)2.4 Welch法Welch提出了对Bartlett法的修正使更适合于用FFT进行计算。他主要提出二方面的修正，其一是选择适当的窗函数，并在周期图计算前直接加进法，这样得到的每一段的周期图为(2-12)这里为归一化因子，而Bartlett法每段的周期图为(2-13)这样加窗函数的优点是无论什么样的窗函数均可使谱估计非负。其二是在分段时，可使各段之间有重迭，这样将会使方差减小(当N与M一定时)。他建议可以重迭50％。3 经典谱估计方法编程与分析3.1 直接法直接法又称周期图法，它是把随机序列x(n)的N个观测数据视为一能量有限的序列，直接计算x(n)的离散傅立叶变换，得X(k)，然后再取其幅值的平方，并除以N，作为序列x(n)真实功率谱的估计。Matlab代码示例：clear;Fs=1000;%采样频率n=0:1/Fs:1;%产生含有噪声的序列改变n的取值范围观察图形的变换xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));window=boxcar(length(xn));%矩形窗nfft=1024;[Pxx,f]=periodogram(xn,window,nfft,Fs);%直接法plot(f,10*log10(Pxx));图3-1 周期图法中N=1000功率谱图3-2 周期图中N=100000功率谱图3-3 周期图当N=100功率谱随着采样点数的增加，该股集是渐进无骗的。从图中可以看出，采用周期突发估计得出的功率谱很不平滑，相应的估计协方差比较大。而且采用增加采样点的办法也不能吃周期图变得更加平滑，这是周期图法的缺点。周期图法得出的估计谱方差特性不好：当数据长度N太大时，扑线的起伏加剧；N太小时谱的分辨率又不好。对其改进的主要方法有二种，即平均和平滑，平均就是将截取的数据段再分成L个小段，分别计算功率谱后取功率谱的平均，这种方法使估计的方差减少，但偏差加大，分辨率下降。平滑是用一个适当的窗函数与算出的功率谱进行卷积，使谱线平滑。这种方法得出的谱估计是无偏的，方差也小，但分辨率下降。3.2 间接法间接法先由序列x(n)估计出自相关函数R(n)，然后对R(n)进行傅立叶变换，便得到x(n)的功率谱估计。Matlab代码示例：clear;Fs=1000;%采样频率n=0:1/Fs:1;%产生含有噪声的序列xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));nfft=1024;cxn=xcorr(xn,'unbiased');%计算序列的自相关函数CXk=fft(cxn,nfft);Pxx=abs(CXk);index=0:round(nfft/2-1);k=index*Fs/nfft;plot_Pxx=10*log10(Pxx(index+1));plot(k,plot_Pxx);图3-4 直接发功率谱图当M=N-1时,BT法与周期图法估计出的功率谱是一样的;当M<N-1时,BT法的偏差大于周期图法,在窗函数满足一定条件时是渐进无偏估计;方差小于周期图的方差;分辨率比周期图法低,与窗函数的选择有关。BT法的缺点在于当M→N时,的方差很大,使谱估计质量下降;由得到的不一定为正值,从而可能失去功率谱的物理意义。3.3 改进的直接法：对于直接法的功率谱估计，当数据长度N太大时，谱曲线起伏加剧，若N太小，谱的分辨率又不好，因此需要改进。3.3.1 Bartlett法对周期图法改进的思想是将信号分段进行估计，然后再将这些估计结果进行平均，从而减小估计的协方差，是功率谱图变得比直接法更平滑。增加分段数可以进一步减低估计的协方差，然而若每段中的数据点数太少，就会使估计的频率分辨率下降很多。从样本信号序列总点数一定的条件下，可以采用使分段相互重叠的方法来增加分段数，从而保持每段信号点数不变，这样就在保证频率分辨率的前提下进一步降低估计协方差。而一般的Bartlett法是通过降低分辨率来降低其方差的。Bartlett平均周期图的方法是将N点的有限长序列x(n)分段求周期图再平均。Matlab代码示例：clear；Fs=1000;n=0:1/Fs:1;xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));nfft=1024;window=boxcar(length(n));%矩形窗noverlap=0;%数据无重叠p=0.9;%置信概率[Pxx,Pxxc]=psd(xn,nfft,Fs,window,noverlap,p);index=0:round(nfft/2-1);k=index*Fs/nfft;plot_Pxx=10*log10(Pxx(index+1));plot_Pxxc=10*log10(Pxxc(index+1));figure(1)plot(k,plot_Pxx);pause;figure(2)plot(k,[plot_Pxxplot_Pxx-plot_Pxxcplot_Pxx+plot_Pxxc]);图3-5 bartlett法估计功率谱图3.3.2 Welch法现在比较常用的改进方法是Welch法，又叫加权交叠平均法，简记为WOSA法，这种方法以加窗（加权）求取平滑，以分段重叠求得平均，因此集平均与平滑的优点于一体，同时也不可避免带有两者的缺点，因此归根到底是一种折中。其主要步骤是：（1）将N长的数据段分成L个小段，每小段M点，相邻小段间交叠M/2点（即2:1分段）。因为L（M/2）+M/2=N,所以段数(3-1)（2）对各小段加同样的平滑窗后起傅氏变换（3-2）（3）用下式求各小段功率谱的平均（3-3）这里，代表窗函数平均功率，MU是M长窗函数的能量。Matlab代码示例：clear;Fs=1000;n=0:1/Fs:1;xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));nfft=1024;window=boxcar(100);%矩形窗window1=hamming(100);%海明窗window2=blackman(100);%blackman窗noverlap=20;range='half';[Pxx,f]=pwelch(xn,window,noverlap,nfft,Fs,range);[Pxx1,f]=pwelch(xn,window1,noverlap,nfft,Fs,range);[Pxx2,f]=pwelch(xn,window2,noverlap,nfft,Fs,range);plot_Pxx=10*log10(Pxx);plot_Pxx1=10*log10(Pxx1);plot_Pxx2=10*log10(Pxx2);figure(1)plot(f,plot_Pxx);pause;figure(2)plot(f,plot_Pxx1);pause;figure(3)plot(f,plot_Pxx2);图3-6 矩形窗图3-7 海明窗图3-8 blackman窗Welch法对Bartlett法进行了两方面的修正，一是选择适当的窗函数w(n)，并再周期图计算前直接加进去，加窗的优点是无论什么样的窗函数均可使谱估计非负。二是在分段时，可使各段之间有重叠，这样会使方差减小。不同窗函数的Welch谱估计在选择窗函数时，一般有如下要求：(1)窗口宽度M要远小于样本序列长度N，以排除不可靠的自相关值；(2)当平稳信号为实过程时，为保证平滑周期图和真是功率谱也是实偶函数，平滑窗函数必须是实偶对称的；(3)平滑窗函数应当在m=0出游峰值，并且m随绝对值增加而单调下降，使可靠的自相关值有较大的权值；(4)功率谱是频率的非负函数且周期图是非负的，因而要求窗函数的Fourier变换是非负的。仍以上述平稳随机信号为例,采样频率、采样点数、FFT点数、窗长度及重叠数据不变,窗函数采用矩形窗、Blackman窗、Hamming窗，仿真结果如图所示。由仿真结果可以看出：使用不同的窗函数谱估计的质量是不一样的，矩形窗的主瓣较窄，分辨率较好，但方差较大，噪声水平较高；而Blackman窗和Hamming窗的主瓣较宽，分辨率较低，但方差较小，噪声水平较低。因此，在进行谱分析时选择何种窗函数，要视具体情况而定。如果强调高分辨率，能精确读出主瓣频率，而不关心幅度的精度，例如测量震动物体的自震频率，可以选用主瓣宽度比较窄的矩形窗；对受到强干扰的窄带信号若干扰靠近信号，则可选用旁瓣幅度较小的窗函数，若离开通带较远，则可选用渐近线衰减速度比较快的窗函数。总之，要针对不同的信号和不同的处理目的来选择合适的窗函数，这样才能得到良好的效果。3.4经典谱估计方法的比较总结（1）周期图法和BT法的特点是离散性大，曲线粗糙，方差较大，但是分辨率较高；（2）Bartlett法和Welch法的收敛性较好，曲线平滑，方差较小，但是功率谱主瓣较宽，分辨率低，这是由于对随机序列加窗截断所引起的Gibbs效应造成的；（3）与Bartlett法相比，Welch法的估计曲线比较粗糙，但是分辨率较好，原因是Welch法中对数据进行截断时加的是Hanning窗，而在Bartlett法中使用的是矩形窗，相对于矩形窗，Hanning窗的主瓣包含更多的能量，因而使功率谱的主瓣较窄，分辨率较高。由上述理论分析及仿真实验可知，Welch法采用加窗交叠求功率谱，可以有效减小方差和偏差，一般情况下能接近一致估计的要求，因而得到广泛应用。同时还可以发现，对信号加不同的窗函数，谱估计的质量是不同的。在经典谱估计中,无论是周期图法还是其改进的方法,都存在着频率分辨率低、方差性能不好的问题，原因是谱估计时需要对数据加窗截断，用有限个数据或其自相关函数来估计无限个数据的功率谱，这其实是假定了窗以外的数据或自相关函数全为零，这种假定是不符合实际的，正是由于这些不符合实际的假设造成了经典谱估计分辨率较差。另外，经典谱估计的功率谱定义中既无求均值运算又无求极限运算，因而使得谱估计的方差性能较差，当数据很短时，这个问题更为突出。如何选取最佳窗函数、提高频谱分辨率，如何在短数据情况下提高信号谱估计质量，还需要进一步研究。4.现代谱估计现代功率谱估计即参数谱估计方法是通过观测数据估计参数模型再按照求参数模型输出功率的方法估计信号功率谱,主要是针对经典谱估计的分辨率低和方差性能不好等问题提出的。常用模型有ARMA模型、AR模型、MA模型,AR模型的正则方程是一组线性方程，而MA和ARMA模型是非线性方程。由于AR模型具有一系列良好的性能，因此被研究最多也得到最广泛的应用。本节将较为详细的讨论AR模型，并对MA和ARMA模型谱估计方法做简要的讨论。4.1 AR模型AR模型又称为自回归模型,是一个全极点的模型,可用如下差分方程来表示:（4-1）其中，p是AR模型的阶数，{}=l，2，…，p是p阶AR模型的参数．将该模型记为AR(p)，它的系统转移函数为(4-2)在功率谱估计中，若观测的数据x(n)是平稳随机过程，则该系统的输入w(n)也可认为是平稳的，因而根据线性系统对平稳随机信号的响应理论可得观测数据的功率谱为(4-3)由式可知，利用AR模型进行功率谱估计的实质是求解模型系数{}和的问题．将式(1)两端乘以x(n-m)求平均(数学期望)，可以求得观测数据的AR(p)模型参数与自相关函数的关系式为(4-4)可见，阶AR模型输出的相关函数具有递推的性质，因而选用AR模型进行谱估计只需较少的观测数据将式(4)写成矩阵形式得(4-5)上式就是著名的Yule-Walker(Y—W)方程．它表明，只要已知观测数据的自相关数，就能求出AR模型参数{}和，进而按式(3)求得信号功率谱的估值。另外，从AR模型的差分方程式可知，该模型的现在输出值是它本身过去值的回归，这与预测器存在着一定的相似性，它们之间有着非常密切的关系，即它们的系统函数互为倒数，也就是说预测误差滤波器就是AR信号模型H(z)的逆滤波器．因此通过预测误差滤波器优化设计使预测均方误差最小就可求得AR信号模型的最优参数，即P阶线性预测器的预测系数{}等于p阶AR模型的系数{}，其最小均方预测误差等于自噪声方差。因此，根据上述的Y-W方程以及AR模型与预测误差滤波器之间的关系，就可提取AR模型参数．目前主要有三种：Levinson-Durbin算法、Burg算法和Marple算法。这三种方法都可以用时间平均代替集合平均的最小平方准则推导得到。在本文中，我们主要采用TBurg法来估计信号的模型参数，因此主要介绍一下Burg法。Levinson-Durbin算法L-D递推算法是在满足前向预测均方误差最小的前提下，先求得观测数据的自相关函数，然后利用Y-W方程的递推性质求得模型参数，进而根据式(3)求得功率谱的估值．它是模型阶次逐次加大的一种算法，即先计算阶次m=l时的预测系数{}=和，再计算m=2时的，和按此依次计算到阶次m=p时的，，…及当满足精度要求时即可停止递推．递推公式为：(4-6)k=1,2,……m-1(4-7)其中（4-8）Burg算法Burg算法的基本思想是直接从观测的数据利用线性预测器的前向和后向预测的总均方误差之和为最小的准则来估计反射系数，进而通过L-D算法的递推公式求出AR模型优化参数．设观察到的N个数据为x(0),x(1)，…，x(N—1)，则具体算法如下：(1)取m=1,初始化：==x(n),n=0,1……N-1(2)计算反射系数：（3）计算滤波器系数及预测误差功率：k=1,2,……m-1(4)递推高一阶前、后向预测误差：把m更新为m+1，重复②～④直到满足要求。Marple算法Marple算法又称为不受约束的最小二乘法，它的主要思路是为了摆脱因采用递推运算对确定预测系数的约束，让每一预测系数(模型参数)的确定直接与前、后向预测的总的平方误差最小(最小二乘法)联系起来．即令总的平方误差最小．由上式可见，总的平方误差是系数的函数．若把对各预测系数而非单一地对=求导数，并令其为零，就可以得到一组线性方程．解此方程组所得的就是在最小平方误差准则下的最优预测系数．但由于方程组系数矩阵不是Toeplitz型，所以不能利用L—D算法求解．为了减少运算量，Marple提出一种格型结构的高效递推算法。4.1.1AR模型的稳定性及阶的确定AR(p)模型稳定的充分必要条件是H(z)的极点(即A(z)的根)都在单位圆内。稳定的AR(p)模型将具有以下的性质：(1)H(z)的全部极点或A(z)的所有根都在单位圆内。(2)自相关矩阵是正定的。(3)激励信号的方差(能量)随阶次的增加而递。(4)反射系数的模恒小于1。但是在实际应用中，levinson算法的已知数据(自相关值)是由来估计的，有限字长效应有可能造成大的误差，致使估计出来的AR(p)参数所构成的A(z)的根跑到单圆上或单位圆外，从而使模型失去稳定。在递推计算的过程中如果出现这种情况，将致，或|即停止递推计算。通常事先并不知道AR模型的阶。阶选得太低，功率谱受到的平滑太厉害，平滑后的谱已经分辨不出真实谱中的两个峰了。阶选的太高，固然会提高谱估计的分辨率，但同时会产生虚假的谱峰或谱的细节。一种简单而直观的确定AR模型的阶的方法，是不断增加模型的阶，同时观察预测误差功率，当其下降到最小时，对应的阶便可选定为模型的阶。但是预测误差功率(或AR模型激励源的方差)是随着阶次的增加而单调下降的，因此，很难确定降到什么程度才合适。另一方面，应该注意到，随着阶次增加，模型参数的数目亦增多了，谱估计的方差会变大(表现在虚假谱峰的出现)。因此，不能简单地依靠观察预测误差功率的下降来确定模型的阶。与此相应的另一种简单方法是观察各阶模型预测误差序列的周期图，当它很接近于平坦(白色谱)时即对应最佳的阶。4.2MA模型及功率谱估计MA模型是一个全零点模型，其功率谱不易体现信号中的峰值，即分辨率较低。从谱估计的角度来看，MA模型谱估计等效于经典谱估计中的自相关法，若单纯为了对一段有限长数据做谱估计，就没必要求解MA模型了。但在系统分析于辨识以及ARMA谱估计中都要用到MA模型，因此仍有必要讨论MA系数的求解方法。目前提出的方法主要有：1，谱分解法；2用高阶的AR模型来近似MA模型；3，最大似然法。以第二种方法为例讨论MA模型参数的提取。ⅰ有N点数据x（n）建立一个p阶的AR模型，p>>q，可用AR模型参数的计算方法求出p阶的AR系数，k=1,2…p；ⅱ利用，k=1,2…p进行线性预测，等效于一个q阶的AR模型，再一次利用AR系数的求解方法得到b（k），k=1,2，…，q。进而通过两次求AR系数可得MA模型的系数。4.3ARMA模型理论上可以证明，在一定条件下，ARMA和MA模型都可以用一个阶次足够大的AR模型来近似，所以在实际使用中我们用一个阶次比较高的AR模型代替ARMA模型来进行功率谱估计，避免了求解非线性方程组带来的困难。5现代谱估计的应用—基于AR模型的噪声源识别5.1.1研究背景在噪声治理实践中，常常需要鉴别多源噪声中各声源对总体噪声的贡献情况，以便有针对性地进行治理。但是，在大多数情况下。不允许或无法使噪声源设备单独运行。例如，油炉燃烧时必须供水，水泵噪声将与油炉燃烧噪声并存；发电厂中所有设备都不得随意停机等等。因此，迫切需要能够进行在线分析各声源发声情况的声源鉴别系统。本文就是针对上述问题提出的。使用现代信号分析方法处理采集到的仪器设备在运行过程中产生的噪声信号，实现对噪声源的识别。噪声已被公认为是与水质污染，大气污染并列的三大污染之一。在我们生活的环境中每个人都会受到各种噪声的干扰和影响。特别是在交通，工业生产和日常生活中，噪声更是无处不在。据全国统计，在反映环境污染的投诉中，关于噪声污染的人民来信和来访的件数逐年增加，已从1991年的2．78万件增加至1995年的3．90万件，增加了40％以上；而反映噪声污染问题的投诉占环境污染投诉的信访比例则从1991年25％增加到1995年的35．6％，五年中增加10个百分点。这一比例高居各类污染投诉的首位。由于环境噪声污染影响范围较大，近年来因噪声扰民引起的纠纷不断出现，其中以反映商业、饮食服务业和建筑施工场所噪声扰民居多。