电子产品世界

 

　　下面是我们用于模式生成和识别的系统框图。 由于飞机起飞噪声的起点和止点都为零且时间长度有限，我们因此认为它属于非平稳瞬态信号。 如图8所示，大部分的信号能量低于2kHz。 在这种情况下，我们注意到背景噪音在信号两端更为强烈，因为飞机产生的噪声覆盖了背景噪音的中间部分。　　

 

　　我们观察发现，对于所有的飞机噪音，典型的幅度谱值为0到5000Hz。 我们选择使用11025Hz的采样频率，将24秒内采集的样本数量减少至264600个。 对于其他飞机噪音分析，建议选择25kS/s的采样频率和D-、C-和A-加权滤波器。

　　降低频谱分辨率

　　由于幅度谱有132300次谐波，这会导致处理过程非常复杂，因此我们决定降低频谱分辨率。 此外，我们只对收集有关频谱形式的数据感兴趣。

　　我们提出了以下假设：

• 任何降低频谱分辨率的方法都会在测量飞机噪音的最初和最后时间段内引入一个容忍度。 例如，在飞机起飞后开始采集为时24秒的数据，然后将前馈神经网络训练为一个噪音模式。 在运行时，如果采集到的起飞噪声为第5秒至24秒，并且降低频谱分辨率的话，那么前5秒钟的位移对于频谱形式的影响就会非常小。
• 中值滤波器(移动平均滤波器)创建了一个飞机起飞噪声频谱的典型形式。
• 在保留X率的基础上对平均频谱进行降频，保留了飞机起飞噪音的频谱形式。

　　结论

　　我们的10节点系统成功地测量了墨西哥国际机场飞机起飞时产生的噪音。 该系统创造了许多不同类型的频谱分析，并获得了最常用的dB(A)或dB(C)表示形式的统计指标，用于噪声测量。 我们可以存储系统收集到的数据，随后再执行更深入的分析，通过噪音来确定潜在的健康危险，并知晓噪音水平在全天的波动情况。

　　在未来，我们想要在分割原始信号后运用这项技术，测量所得结果的差异。 我们还计划测试新的参数来创建神经网络。

关键词： NI Wi-Fi 3G