程中，实时的采集 家电设备运行时的混合振动信号，即采集家电设备运行时发出的混合噪声信号。根据采集 到的混合振动信号得到混合振动信号的时域波形。
[0059] S102、将混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；
[0060] 将采集到的混合振动信号的时域波形输入到噪声模式匹配数据库中，所述的噪声 模式匹配数据库是预先构建得到的，在噪声模式匹配数据库中存储有表征家电设备各种噪 声模式的匹配原子。
[0061] S103、将混合振动信号的时域波形与噪声模式匹配数据库进行匹配分析；
[0062] 将采集到的混合振动信号的时域波形与噪声模式匹配数据库进行匹配分析，即分 析采集到的混合振动信号的时域波形中是否有与噪声模式匹配数据库相匹配的时域波形。
[0063] S104、输出与噪声模式匹配数据库匹配的匹配原子；
[0064] 当采集到的混合振动信号的时域波形中有与噪声模式匹配数据库相匹配的时域 波形时，表明此时家电设备在运行过程中产生了噪音，将于混合振动信号的时域波形相匹 配的匹配原子输出。
[0065] S105、依据匹配原子确定噪声源的模式。
[0066] 由于噪声模式匹配数据库中的每一个匹配原子代表一种噪声源，因此，根据输出 的匹配原子即可确定出此时家电设备的噪声源模式。
[0067] 综上所述，在上述实施例中，当需要对家电进行噪声源识别时，采集家电设备运行 时的混合振动信号，得到混合振动信号的时域波形，将得到的时域波形输入预先构建得到 的噪声模式匹配数据库进行匹配分析，根据匹配分析输出与噪声模式匹配数据库匹配的匹 配原子，最后依据得到的匹配原子确定噪声源的模式，操作简单，能够一次性的识别出家电 设备的多种噪声，提高了噪声源的识别效率和准确率。
[0068] 如图2所示，为本发明实施例二公开的一种噪声源识别方法，包括：
[0069] S201、采集家电设备运行时的混合振动信号，得到混合振动信号的时域波形；
[0070] 当需要对家电设备的噪声源进行识别时，在家电设备运行的过程中，实时的采集 家电设备运行时的混合振动信号，即采集家电设备运行时发出的混合噪声信号。根据采集 到的混合振动信号得到混合振动信号的时域波形。
[0071] S202、将混合振动信号的时域波形输入预先构建得到的噪声模式匹配数据库；
[0072] 将采集到的混合振动信号的时域波形输入到噪声模式匹配数据库中，所述的噪声 模式匹配数据库是预先构建得到的，在噪声模式匹配数据库中存储有表征家电设备各种噪 声模式的匹配原子。
[0073] S203、将混合振动信号的时域波形分别与噪声模式匹配数据库进行一阶匹配分 析；
[0074]将采集到的混合振动信号的时域波形与噪声模式匹配数据库进行一阶匹配分析， 即将混合振动信号的时域波形与噪声模式匹配数据库中的原子库进行求向量积，将向量积 大的作为最适合匹配原子。
[0075] S204、输出与所述噪声模式匹配数据库匹配的匹配原子；
[0076]当采集到的混合振动信号的时域波形中有与噪声模式匹配数据库相匹配的时域 波形时，表明此时家电设备在运行过程中产生了噪音，将于混合振动信号的时域波形相匹 配的匹配原子输出。
[0077] S205、依据所述匹配原子确定噪声源的模式。
[0078] 由于噪声模式匹配数据库中的每一个匹配原子代表一种噪声源，因此，根据输出 的匹配原子即可确定出此时家电设备的噪声源模式。
[0079] 综上所述，在上述实施例中，当需要对家电进行噪声源识别时，采集家电设备运行 时的混合振动信号，得到混合振动信号的时域波形，将得到的时域波形输入预先构建得到 的噪声模式匹配数据库进行一阶匹配分析，根据匹配分析输出与噪声模式匹配数据库匹配 的匹配原子，最后依据得到的匹配原子确定噪声源的模式，操作简单，能够一次性的识别出 家电设备的多种噪声，提高了噪声源的识别效率和准确率。
[0080] 具体的，在上述实施例中，构建噪声模式匹配数据库的其中一种实现方式如图3所 示，包括以下步骤：
[0081 ] S301、采集家电设备的异常噪声时域波形；
[0082]在家电设备运行的过程中，采集家电设备异常噪声的时域波形。以吸油烟机为例， 风机组件是吸油烟机的主要噪声源，风机组件包括电机、蜗壳、离心风叶等零部件。在吸油 烟机工作的过程中个，分别采集电机、蜗壳、离心风叶发出的异常噪声的时域波形。
[0083] S302、利用目标优化法对所述异常噪声时域波形进行学习优化；
[0084]以吸油烟机为例，对采集到的电机、蜗壳、离心风叶发出的异常噪声的时域波形分 别利用目标优化法进行学习优化，分别得到优化后的特征波形。
[0085] S303、将优化后的特征波形作为基原子模型，构造得到原子库；
[0086]将每个异常噪声的时域波形优化后得到的特征波形作为一个基原子模型，并得到 每个异常噪声的时域波形的原子库。以吸油烟机为例，将分别得到电机发出的异常噪声的 时域波形的原子库、蜗壳发出的异常噪声的时域波形的原子库和离心风叶发出的异常噪声 的时域波形的原子库。
[0087] S304、组合原子库得到所述噪声模式匹配数据库。
[0088] 将得到的所有异常噪声的时域波形的原子库进行组合，得到噪声模式匹配数据 库。
[0089] 具体的，上述的将优化后的特征波形作为基原子模型，构造得到原子库的具体实 现方式可以为:将优化后的特征波形作为基原子模型，将基原子模型平移得到具有类似特 征的原子，将得到的原子构造成原子库。
[0090] 具体的，上述的利用目标优化法对异常噪声时域波形进行学习优化的其中一种实 现方式如图4所示，包括以下步骤：
[0091] S401、从异常噪声时域波形中选取M个特征波形作为学习样本ai，并随机产生与学 习样本等长度的向量作为待优化波形a，其中，i = l，2，. . .，M，特征波形的长度为L;
[0092] 在利用目标优化法对异常噪声时域波形进行学习优化的初始化阶段，从异常噪声 时域波形中选取M个特征波形作为学习样本ai(i = l，2, . . .，M)，特征波形的长度均为L，并 随机产生与学习样本等长度的向量作为待优化波形a。
[0093] S402、对待优化波形a进行归一化处理；
[0094]对待优化波形a进行归一化处理得a'=a/I |a I 12,样本ai减去其在a'上的投影得到 残差ri = ai_Cpia'，计算所有残差的能量和E。
[0095] S403、对待优化波形a进行调整，使待优化波形a与学习样本ai接近；
[0096]为了使残差的能量和尽可能小，需要对待优化波形进行调整，使待优化波形尽可 能在总体上与学习样本接近。调整的方法是先建设在向量a'加一调整向量△ =P1J2...， Sd，计算调整后的残差能量和矿与调整前的残差能量和E的差值。要使差值达到最小，通过 计算差值对调整量S1的偏导并使之等于零，从而得到△值，如以下公式所示：
[0100] 进一步推导得：
[0101] Δ =RrJPmRrc表示以残差为列向量组成的矩阵与投影系数组成的列向量乘积， P。。表示投影系数向量的内积。
[0102] S404、更新