摘要
本发明公开了一种基于VMD‑ESN的气动噪声时间序列预测方法，涉及流体力学噪声预测技术领域，首先，通过声压传感器实时采集气动噪声信号；其次，采用VMD对原始噪声信号进行自适应频域分解，通过约束变分优化框架得到多个正交窄带本征模态函数，有效分离涡脱落谐波与湍流脉动特征，抑制频谱混叠；随后，将各IMF输入至ESN，利用神经网络稀疏连接的动态储备池对模态时序演化规律进行高维映射，并通过岭回归算法训练输出层权重矩阵；最后，线性叠加各模态预测结果，生成完整的气动噪声时间序列。本发明无需依赖高分辨率网格迭代计算，而是通过VMD信号自适应分解与ESN机器学习动态建模的协同机制，在长时程内实现了对气动噪声时间序列的准确预测，计算效率大大提升。
