随着社会经济的高速发展,人们对环境舒适度要求越来越高,尤其大型工矿企业,嘈杂环境声严重影响工作人员的身心健康,同时也严重影响设备寿命和使用效率。嘈杂环境声的有效治理已成为亟待解决的问题。嘈杂环境声是由多声源共同作用产生,每个声源声特征不同,对嘈杂环境声进行特征提取和识别是进行有效控制的前提和基础,而流形学习作为一种机器学习方法,是智能数据处理前端技术,能够高效快速挖掘数据特征信息,是新兴数据特征高效处理方法。为此,本文提出一种奇异值分解与局部线性嵌入联合的流形学习方法,通过奇异值分解高效提取有用声信息,分离背景噪声,提高嘈杂环境中声源特征提取速度和精确度,将机器学习用于噪声识别和噪声特征提取,并由特征识别器对该方法进行了理论验证,进一步应用该方法提取了制氧厂压缩机噪声特征。此外,本文选题得到国家自然科学基金(61671262、61871447)的资助。主要研究内容如下:(1)深入探讨了流形学习方法的原理、流形形成机理及流形的物理意义,明确了影响流形形成的关键因素及核心参数,分析了流形学习常用算法,并形成了流形学习流程。(2)详细研究了奇异值分解(SVD)过程、奇异值甄选依据和影响奇异值大小的关键因素,并应用SVD构建以短时傅里叶变换为基础的高维数据集,通过去除冗余信息和噪声分量提高了数据集的有效性。(3)研究了局部线性嵌入算法,找出了影响算法精度的关键因素即近邻点值及其确定,通过构造关联函数进行近邻点的最优选择,给出了自适应近邻选取原则,在保证流形结构精度同时,实现了近邻点值自动最优选取。(4)提出SVD-ALLE联合的流形学习方法。首先,对短时傅里叶变换为基础的高维数据集进行SVD去噪处理,其次应用自适应近邻LLE算法提取嘈杂环境中声源特征,联合实现高维数据处理和特征提取。(5)特征分类识别器即支持向量机(SVM)验证了该方法的理论有效性,并将其应用于制氧厂压缩机多声源耦合、强背景噪声、非线性噪声特征提取,分析结果进一步表明方法的可靠性。