待优化波形，得到新的优化波形向量；
[0103] 通过公式，=&'+&=1^。/?。。得到新的优化波形向量，1^。表示以学习样本为列向 量组成的矩阵与投影系数组成的列向量乘积。
[0104] S405、重复S402~S404,直至残差能量和无变化，得到优化后的特征波形。
[0105] 如图5所示，为本发明实施例一公开的一种噪声源识别系统，包括：
[0106] 第一采集单元501，用于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；
[0107] 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，通过第一采 集单元501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。
[0108] 输入单元502,用于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；
[0109] 通过输入单元502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。
[0110] 匹配分析单元503,用于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；
[0111] 通过匹配分析单元503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。
[0112] 第一输出单元504,用于输出与所述噪声模式匹配数据库匹配的匹配原子；
[0113] 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，通过第一输出单元504将与混合振动 信号的时域波形相匹配的匹配原子输出。
[0114] 确定单元505,用于依据所述匹配原子确定噪声源的模式。
[0115] 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，通过确定 单元505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。
[0116] 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。
[0117] 如图6所示，为本发明实施例二公开的一种噪声源识别系统，包括：
[0118] 第一采集单元601，用于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；
[0119] 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，通过第一采 集单元601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。
[0120] 输入单元602,用于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；
[0121] 通过输入单元602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。
[0122] 匹配分析单元603,用于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；
[0123] 通过匹配分析单元603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。
[0124] 第一输出单元604,用于输出与所述噪声模式匹配数据库匹配的匹配原子；
[0125] 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，通过第一输出单元604将于混合振动 信号的时域波形相匹配的匹配原子输出。
[0126] 确定单元605，用于依据所述匹配原子确定噪声源的模式。
[0127] 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，通过确定 单元605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。
[0128] 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。
[0129] 具体的，在上述实施例中，构建噪声模式匹配数据库的系统如图7所示，包括：
[0130]第二采集单元701，用于采集家电设备的异常噪声时域波形；
[0131] 在家电设备运行的过程中，通过第二采集单元701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。
[0132] 学习优化单元702,用于利用目标优化法对所述异常噪声时域波形进行学习优化；
[0133] 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。
[0134] 构造单元703，用于将优化后的特征波形作为基原子模型，构造得到原子库；
[0135] 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。
[0136] 组合单元704，用于组合原子库得到所述噪声模式匹配数据库。
[0137] 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。
[0138] 具体的，上述的将优化后的特征波形作为基原子模型，构造单元构造得到原子库 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。
[0139] 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系统如图8 所示，包括：
[0140]初始化单元801，用于从所述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;
[0141] 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, . .