一、运行方式：多级处理闭环系统
1. 噪声采集与预处理
通过麦克风阵列采集混合声音信号，结合逆运算模型分离各旋翼噪声源。
预处理包括降采样、去直流分量、时域归一化，减少环境干扰。
2. 特征提取与噪声识别
时频分析：采用梅尔滤波器转换声音频域，结合反梅尔滤波器增强旋翼特征频率的显著性。
智能识别：如基于灰狼优化算法（GWO）自动调整支持向量机（SVM）参数，分类旋翼噪声与背景噪声。
3. 噪声分离与重构
深度学习分离：UNet网络生成目标声音的掩膜，通过维纳滤波器迭代滤除无人机自噪声。
频域-时域转换：将去噪后的频域特征经傅里叶逆变换（IFFT）和加窗处理，输出纯净时域信号。
4. 控制反馈集成
处理后的信号输入飞控系统，用于状态估计或导航修正。
二、技术要点：核心方法与创新设计
1. 传感器阵列与逆声学模型
麦克风布局需精确匹配旋翼空间位置，利用距离衰减模型 $k_{ij} = D_{ij}/D_{ii} \cdot e^{-\alpha D_{ij}}$ 计算噪声传递系数，其中 $\alpha$ 为声波吸收系数。
难点：安装位置偏差会导致逆运算失效，需结合校准算法（如最小二乘定位）。
2. 时频分析与特征增强
梅尔域处理：梅尔频率 $F_{Mel} = 1127 \ln(1 + f_{Hz}/700)$ 更符合人耳感知，提升特征可分性。
多尺度分解：采用BEMD将噪声图像分解为IMF分量，保留高频关键信息（如太阳子午线）。
3. 深度学习分离技术
UNet结构通过编码-解码路径提取声音的深层特征，输出掩膜矩阵加权原始频谱，实现噪声抑制。
优势：适应非稳态噪声，但依赖大量标注数据训练。
4. 滤波优化算法
传统滤波：一阶低通滤波（LPF）简化公式 $V_{out}(n) = (1-\alpha)V_{out}(n-1) + \alpha V_{in}$，截止频率 $f_c$ 需匹配系统带宽。
智能优化：GWO算法动态更新SVM的惩罚参数 $C$ 与核函数参数 $g$，提升分类边界准确性。
表：传统滤波与智能优化方法对比
三、技术难点与挑战
1. 复杂噪声环境下的特征分离
无人机噪声与背景声频带重叠，传统频域滤波失效。需结合时频联合分析，但算法复杂度高。
2. 实时性要求与计算资源限制
UNet推理或GWO迭代需数秒，但飞控响应需毫秒级延迟。解决方案：
嵌入式硬件加速；
分层处理。
3. 非线性噪声建模困难
旋翼高速旋转引发跨音速激波，传统Fw-H方程无法求解四极子源非线性声场。
突破方向：基尔霍夫积分面离散法 + 非结构化重叠网格模拟激波传播。
4. 硬件集成与环境适应性
麦克风易受电磁干扰（如图传信号），需屏蔽设计与Wi-Fi频段避让；
高温导致传感器漂移，需主动散热（如O3天空端模块的金属散热设计）。
表：旋翼噪声特性与抑制技术难点
四、应用场景与系统优化方向
军用场景：需抑制噪声以提升隐蔽性，采用主动噪声控制结合旋翼设计优化。
民用场景：电网巡检无人机需滤除电机噪声以识别设备异响，依赖**高精度声纹识别**（如。
未来方向：
传感器融合：偏振光罗盘多尺度去噪结合声学导航；
材料创新：消音装置多级阻性设计降低排气噪声30 dB以上。
