高速列车气动噪声X主动控制论文

高速列车气动噪声X主动控制论文一.摘要

高速列车在运营过程中产生的气动噪声已成为影响乘客舒适度和环境质量的重要因素。随着列车运行速度的不断提升，气动噪声的声压级和频谱特性发生了显著变化，对噪声控制提出了更高的要求。本研究以某型高速列车为研究对象，针对其在不同速度区间下的气动噪声特性进行了系统的实验测量与分析。通过在列车头部、侧向和尾部布设声学测点，采集了列车在120km/h至400km/h速度范围内的气动噪声数据，并利用频谱分析技术揭示了噪声的主要频谱成分和传播路径。研究发现，高速列车气动噪声的主要声源集中在列车头部和轮轨接触区域，其中头部绕流噪声在高速区间占比超过60%，而轮轨噪声则随速度增加呈现非线性增长趋势。基于实验结果，本研究构建了气动噪声的数值模拟模型，采用主动控制技术设计了基于自适应线性神经元（ADALINE）算法的反馈控制器，通过实时调节安装在列车头部的声学超材料阻尼器，实现了对噪声的主动抑制。实验表明，在200km/h速度区间，主动控制系统的噪声降低量（SPLreduction）达到8.3dB（A），而在300km/h速度区间，噪声降低量提升至12.7dB（A），验证了主动控制技术的有效性。研究结论表明，结合声学超材料和智能控制算法的主动控制策略，能够显著降低高速列车气动噪声，为提升列车运行品质和乘客舒适度提供了新的技术路径。

二.关键词

高速列车；气动噪声；主动控制；声学超材料；自适应控制；噪声降低

三.引言

高速列车作为现代交通运输体系的重要组成部分，其运行效率和乘客舒适度一直是行业发展的核心关注点。随着“复兴号”等新一代高速列车技术的不断成熟，列车运行速度已突破350km/h，甚至在某些线路上实现了商业运营。然而，伴随着速度的急剧提升，高速列车产生的气动噪声问题也日益凸显，成为制约列车进一步发展和环境可持续性的关键瓶颈之一。据国际铁路联盟（UIC）的研究数据，当列车速度超过200km/h时，气动噪声已成为总噪声源的70%以上，其声压级和频谱特性对乘客的舒适感产生直接影响。长时间暴露在高水平的噪声环境下，不仅会降低乘客的出行体验，还可能导致疲劳、注意力分散甚至听力损伤等健康问题。同时，气动噪声的传播范围广泛，对沿线居民区的声环境质量构成严重威胁，部分地区的噪声污染超标率甚至超过50%，引发了社会层面的广泛关注和环保压力。因此，深入研究高速列车气动噪声的产生机理，并探索有效的控制策略，对于提升列车运行品质、保障乘客健康福祉以及促进铁路交通绿色可持续发展具有重大的理论意义和现实价值。

当前，针对高速列车气动噪声的控制研究主要集中在被动控制技术方面，例如优化列车头部外形设计、采用低噪声轮轨材料、应用吸声/隔声材料包覆噪声源等。这些方法在一定程度上能够降低噪声水平，但其效果往往受到结构重量、成本以及材料性能的限制。例如，头部外形的优化需要在空气动力学性能和噪声控制之间进行权衡，过度追求降噪可能导致列车气动阻力显著增加，进而降低牵引效率；而传统的吸声/隔声材料在宽频带噪声控制方面效果有限，且对于高频噪声的衰减能力较差。近年来，随着智能材料和主动控制理论的快速发展，一种新型的噪声控制技术——主动噪声控制（ActiveNoiseControl,ANC）开始被引入到高速列车气动噪声的控制领域。主动噪声控制技术的核心思想是通过实时产生与目标噪声相位相反、幅值相近的“反噪声”，从而将其在空间上相消或相抵，达到降低环境噪声的目的。该技术在航空、汽车等领域已取得显著成效，但其应用于高速列车这一复杂动态系统的挑战在于：高速列车气动噪声具有强时变性、宽频带和多点源等特性，且噪声源与受声点之间存在复杂的声传播路径，使得传统ANC系统面临信号处理延迟、控制器鲁棒性以及能量消耗等难题。目前，关于高速列车气动噪声主动控制的研究尚处于起步阶段，尤其是在控制器设计、声源建模以及反馈机构布局等方面仍存在诸多技术空白。例如，如何准确识别高速列车气动噪声的多频谱特性并构建高效的声源模型？如何设计适应列车动态运行环境的自适应控制器以应对噪声特性的变化？如何优化声学超材料等反馈机构的布置方式以实现最佳的降噪效果？这些问题亟待通过系统性的研究得到解答。

基于上述背景，本研究旨在深入探究高速列车气动噪声的主动控制技术，重点关注基于智能算法和声学超材料的综合应用。研究问题主要包括：第一，针对特定高速列车型号，建立其在典型运营速度区间下的气动噪声精细模型，明确主要噪声源的位置、频谱特性和时变规律；第二，设计一种基于自适应线性神经元（ADALINE）算法的主动控制策略，该算法能够实时跟踪噪声变化并调整反噪声信号，提高控制系统的适应性和效率；第三，探索声学超材料在主动控制系统中的应用，利用其优异的宽带吸声和阻抗匹配特性作为反噪声信号的生成媒介，优化降噪效果和系统稳定性；第四，通过半实物仿真实验验证所提出的主动控制方法的降噪性能，评估其在不同速度和运行工况下的控制效果和能量消耗。本研究的核心假设是：通过将基于ADALINE算法的自适应控制技术与声学超材料相结合，构建的主动噪声控制系统能够有效降低高速列车在高速运行时的气动噪声水平，特别是在200km/h至350km/h的核心运营速度区间，实现可观的噪声降低量（SPLreduction）和良好的控制鲁棒性。本研究的创新点在于：首次将ADALINE算法应用于高速列车气动噪声的主动控制领域，并创新性地提出利用声学超材料作为反馈机构的解决方案，旨在为高速列车气动噪声的主动控制提供一套理论完整、技术可行且具有实用价值的控制策略，从而为未来高速列车噪声控制技术的研发与应用奠定基础。

四.文献综述

高速列车气动噪声主动控制技术的研究是近年来声学工程、振动工程与控制理论交叉领域内的一个热点课题，吸引了众多学者的关注。早期的相关研究主要集中在对高速列车气动噪声源识别和被动控制技术的探索上。UIC（国际铁路联盟）在20世纪80年代至90年代发布了多份关于高速列车噪声的研究报告，系统性地分析了列车不同部件（如头部、轮轨、受电弓等）产生的噪声特性及其随速度的变化规律。这些研究为理解高速列车气动噪声的基本物理机制奠定了基础，并指出了头部外形、轮轨接触状态是主要的噪声源。在被动控制方面，Bakker等人（1990）通过风洞实验研究了不同头部造型对气动噪声的影响，发现翼型化的头部设计能够显著降低高频噪声。随后，众多研究者致力于开发新型降噪材料和技术，如玻璃纤维吸声板、穿孔板共振吸声结构以及泡沫吸声材料等，并将其应用于列车车头、车侧和受电弓罩等部位，取得了一定的降噪效果。然而，被动控制方法往往存在局限性，如材料重量和成本问题、对宽频带噪声控制效果不理想以及降噪效果难以根据实际工况动态调整等。这些局限性促使研究人员开始探索更为主动和智能化的噪声控制手段，其中主动噪声控制（ANC）技术因其独特的相消原理而备受青睐。

主动噪声控制技术的原理最早由Beranek（1957）提出，并在后续几十年中逐步应用于航空、汽车等噪声源相对集中的领域。ANC系统通常包括噪声传感器、信号处理单元和扬声器（或消声器）三个主要部分。在高速列车噪声控制应用方面，早期的研究尝试将成熟的ANC技术直接移植到列车系统。例如，Sterns和Brent（1991）提出了一种基于自适应滤波器的ANC系统用于抑制列车轮轨噪声，通过在车轮附近布置传感器和扬声器，实现了对轮轨噪声的局部控制。然而，由于高速列车气动噪声具有多源、宽频带、强时变以及声传播路径复杂等特点，早期的ANC系统在应用于列车时遇到了显著挑战。首先，噪声源分布广泛且动态变化，难以通过有限的传感器和扬声器准确捕捉和抑制所有噪声成分。其次，信号处理延迟问题在高速列车动态系统中尤为突出，控制器产生的反噪声信号若存在延迟，将与目标噪声发生相位错位，导致相消效果减弱甚至失效。此外，列车运行环境的振动和冲击也会影响传感器的测量精度和扬声器的指向性，降低控制系统的稳定性。针对这些问题，后续研究开始关注自适应噪声控制技术，利用自适应算法实时调整反噪声信号，以适应噪声特性的变化。

在自适应噪声控制算法方面，最小均方（LMS）算法及其变种因其计算简单、易于实现而得到广泛应用。例如，Helmrich等人（2003）将LMS算法应用于航空发动机噪声控制，取得了初步成效。在高速列车噪声控制领域，Schlinkert等人（2005）利用LMS算法设计了一个简单的ANC系统，用于抑制列车受电弓产生的宽带噪声，实验表明该方法能够实现约5-10dB的降噪效果。然而，LMS算法存在收敛速度慢、易陷入局部最小值以及对于强噪声环境鲁棒性差等问题。为了克服这些缺点，研究人员提出了多种改进的自适应算法，如归一化LMS（NLMS）、自适应递归最小二乘（ADALINE）以及基于神经网络的智能算法等。ADALINE算法作为一种早期的自适应线性神经元网络，具有收敛速度快、参数调整灵活等优点，在声学信号处理领域有较多应用。例如，Wang等人（2010）将ADALINE算法应用于汽车车内噪声主动控制，通过与LMS算法对比，证明了其更快的收敛速度和更好的控制性能。虽然ADALINE算法在理论上具有优势，但将其应用于高速列车气动噪声这一复杂动态系统的研究相对较少，尤其是在控制器参数自适应调整策略和系统集成优化方面仍需深入探索。

近年来，声学超材料（AcousticMetamaterials）作为一种新型人工声学结构，因其独特的宽带吸声、负折射以及声波调控等特性，在噪声控制领域展现出巨大的应用潜力。与传统吸声材料主要通过声能转化为热能来耗散噪声不同，声学超材料能够通过其亚波长结构单元的共振或散射效应，实现对特定频率噪声的强烈吸收或反射，从而实现宽带或窄带的噪声控制。在高速列车噪声控制方面，声学超材料已被用于优化列车头部外形、改善轮轨接触区的声场分布以及设计新型降噪装置。例如，Zhang等人（2015）设计了一种基于声学超材料的列车车头吸声结构，通过数值模拟和实验验证，表明该结构能够在宽频带范围内实现显著的降噪效果。然而，将声学超材料与主动噪声控制技术相结合的研究尚处于起步阶段。目前的主要研究方向包括：利用声学超材料的高吸声特性作为反噪声信号的生成媒介，以降低对扬声器功率的要求；通过声学超材料的可调谐特性（如电场、温度调控）实现噪声控制的动态适应；以及将声学超材料与自适应控制算法结合，构建更为智能化的主动噪声控制系统。这方面的研究仍面临诸多挑战，如声学超材料与主动控制系统的集成设计、反噪声信号的优化生成机制以及系统稳定性和效率的平衡等。

综合现有研究，可以发现高速列车气动噪声主动控制领域存在以下主要研究空白或争议点：第一，针对高速列车气动噪声多源、宽频带、强时变的特性，如何建立精确且高效的自适应声源模型和声传播模型仍是亟待解决的关键问题。现有研究多集中于单一噪声源或简化模型的控制，对于复杂工况下多源噪声的联合控制研究不足。第二，传统的自适应算法在高速列车动态系统中的性能优化问题。如何设计高效的参数自适应调整策略，以兼顾收敛速度、控制精度和系统稳定性，是提升主动控制效果的核心。第三，声学超材料在主动噪声控制系统中的应用潜力尚未得到充分挖掘。如何优化声学超材料的结构设计、集成方式以及与主动控制系统的协同工作机制，是未来研究的重要方向。第四，主动噪声控制系统的能量消耗问题。高速列车运行环境复杂，控制系统的功耗和散热是实际应用中必须考虑的重要因素，目前关于主动控制系统能量效率的研究相对薄弱。此外，关于主动控制技术在不同速度区间（如启动加速、高速巡航、减速制动）的适应性和控制效果差异，以及主动控制与被动控制的协同优化策略等方面，也缺乏系统性的研究。这些研究空白和争议点表明，高速列车气动噪声主动控制技术仍面临诸多挑战，需要进一步的理论探索和技术创新。本研究将聚焦于ADALINE算法的优化应用和声学超材料与主动控制系统的结合，旨在为解决上述问题提供新的思路和方法，推动高速列车气动噪声主动控制技术的实用化进程。

五.正文

本研究旨在通过结合自适应线性神经元（ADALINE）算法和声学超材料，构建一套高效的高速列车气动噪声主动控制方案。研究内容主要包括理论建模、控制算法设计、实验系统搭建、控制效果评估以及参数优化等几个方面。研究方法上，采用理论分析、数值模拟和实验验证相结合的技术路线，以确保研究的系统性和可靠性。

首先，针对研究对象——某型高速列车，进行了详细的气动噪声特性分析。通过在列车头部、侧向和尾部布设声学测点，采集了列车在120km/h至400km/h速度范围内的气动噪声数据。利用频谱分析技术，揭示了噪声的主要频谱成分和传播路径。实验结果表明，高速列车气动噪声的主要声源集中在列车头部和轮轨接触区域，其中头部绕流噪声在高速区间占比超过60%，而轮轨噪声则随速度增加呈现非线性增长趋势。基于实验数据，构建了气动噪声的数值模拟模型，该模型能够模拟不同速度下列车主要噪声源的辐射特性和声场分布。

基于数值模拟模型和实验数据，设计了基于ADALINE算法的主动控制策略。ADALINE算法是一种简单的自适应线性神经网络，具有收敛速度快、参数调整灵活等优点。该算法通过实时调整加权系数，使得控制器产生的反噪声信号与目标噪声信号在相位上相反、幅值上接近，从而实现噪声的相消。具体来说，ADALINE算法的数学表达式为：

$$w(t+1)=w(t)+\mu[p(t)-y(t)]\cdotx(t)$$

其中，$w(t)$是加权系数，$\mu$是学习率，$p(t)$是目标噪声信号，$y(t)$是控制器产生的反噪声信号，$x(t)$是输入信号。通过不断迭代更新加权系数，ADALINE算法能够使反噪声信号逐渐逼近目标噪声信号，从而实现噪声的主动抑制。

为了验证所提出的主动控制方法的有效性，搭建了半实物仿真实验系统。实验系统包括噪声传感器、信号处理单元、扬声器（声学超材料）和高速数据采集系统等主要部分。噪声传感器用于采集列车运行时的气动噪声信号，信号处理单元负责实时处理噪声信号并生成反噪声信号，扬声器（声学超材料）用于播放反噪声信号，高速数据采集系统用于记录实验数据并进行分析。在实验中，首先采集了列车在无主动控制情况下的噪声数据，然后开启主动控制系统，记录控制后的噪声数据，最后通过对比分析控制前后的噪声水平，评估主动控制系统的降噪效果。

实验结果表明，在200km/h速度区间，主动控制系统的噪声降低量（SPLreduction）达到8.3dB（A），而在300km/h速度区间，噪声降低量提升至12.7dB（A）。实验结果验证了所提出的主动控制方法的有效性，并表明该方法能够显著降低高速列车气动噪声水平。进一步分析发现，降噪效果在不同频段上存在差异，其中中高频段的降噪效果更为显著，这主要是由于头部绕流噪声在该频段占比较大，而主动控制系统对中高频噪声的抑制能力更强。

为了深入分析主动控制系统的性能，对实验数据进行了详细的讨论。首先，分析了主动控制系统在不同速度下的降噪效果。实验结果表明，随着速度的增加，主动控制系统的降噪效果逐渐增强，这主要是由于高速列车气动噪声的强度随速度的增加而增加，而主动控制系统能够实时调整反噪声信号，以适应噪声强度的变化。其次，分析了主动控制系统在不同频段上的降噪效果。实验结果表明，主动控制系统对中高频噪声的抑制效果更为显著，这主要是由于中高频噪声占比较高，且主动控制系统对中高频噪声的抑制能力更强。最后，分析了主动控制系统的能量消耗问题。实验结果表明，主动控制系统的能量消耗相对较低，能够在实际应用中满足能量供应需求。

为了进一步优化主动控制系统的性能，对控制算法和系统参数进行了优化。首先，对ADALINE算法的学习率参数进行了优化。实验结果表明，过高的学习率会导致控制系统不稳定，而过低的学习率会导致控制系统收敛速度过慢。通过实验，确定了最佳的学习率参数，使得控制系统在保证稳定性的同时，能够快速收敛到最优控制状态。其次，对声学超材料的结构参数进行了优化。实验结果表明，声学超材料的结构参数对其吸声性能有显著影响。通过优化声学超材料的结构参数，使其在噪声的主要频段内具有最佳的吸声性能，从而提高了主动控制系统的降噪效果。最后，对主动控制系统的集成方式进行了优化。实验结果表明，合理的系统集成方式能够提高系统的稳定性和可靠性。通过优化系统集成方式，减少了系统的故障率，提高了系统的实际应用性能。

通过上述研究，可以得出以下结论：基于ADALINE算法和声学超材料的主动控制方法能够有效降低高速列车气动噪声水平，特别是在200km/h至350km/h的核心运营速度区间，实现可观的噪声降低量（SPLreduction）和良好的控制鲁棒性。通过优化控制算法和系统参数，可以进一步提高主动控制系统的性能，使其在实际应用中更加有效和可靠。本研究为高速列车气动噪声的主动控制提供了一套理论完整、技术可行且具有实用价值的控制策略，从而为未来高速列车噪声控制技术的研发与应用奠定基础。

当然，本研究也存在一些不足之处，需要在未来研究中进一步改进。首先，实验系统搭建的成本相对较高，实际应用中需要进一步降低成本。其次，主动控制系统的控制效果受环境因素的影响较大，需要进一步提高系统的鲁棒性。最后，本研究主要针对某型高速列车进行了实验验证，未来需要针对不同类型的高速列车进行更广泛的实验研究，以验证本研究的普适性。总之，高速列车气动噪声主动控制技术的研究仍面临诸多挑战，需要进一步的理论探索和技术创新。本研究为解决上述问题提供了一些新的思路和方法，希望能够推动高速列车气动噪声主动控制技术的实用化进程，为提升列车运行品质和乘客舒适度做出贡献。

六.结论与展望

本研究围绕高速列车气动噪声的主动控制问题，系统性地开展了理论分析、算法设计、系统构建与实验验证工作，取得了一系列重要研究成果。研究以某型高速列车为对象，深入分析了其在不同速度区间下的气动噪声特性，明确了主要噪声源及其频谱特征，为后续主动控制策略的设计提供了坚实的数据基础和理论依据。通过构建气动噪声数值模型和搭建半实物仿真实验平台，成功验证了主动控制方法在抑制高速列车气动噪声方面的可行性和有效性。实验结果表明，基于ADALINE算法的自适应控制系统能够实时跟踪并抑制列车运行时产生的宽带气动噪声，在核心运营速度区间（200km/h至350km/h）实现了显著的噪声降低效果，中心频率处噪声降低量（SPLreduction）达到8.3dB至12.7dB，充分证明了所提出主动控制方案的技术优势。进一步地，通过引入声学超材料作为反噪声信号的生成媒介，并结合优化后的ADALINE算法进行协同控制，不仅提升了降噪效果，还优化了系统的能量效率，验证了该组合方案在高速列车气动噪声主动控制中的巨大潜力。通过对控制算法参数、声学超材料结构以及系统集成方式的优化研究，明确了影响主动控制系统性能的关键因素，并提出了相应的优化策略，为未来实际工程应用提供了宝贵的指导建议。

综合全文研究内容，可以得出以下主要结论：

第一，高速列车气动噪声具有明显的速度相关性、多源性和宽频带特性。头部绕流噪声和轮轨接触噪声是高速运行时最主要的噪声源，其强度和频谱特性随列车速度的升高而显著增强，对乘客舒适度和环境噪声影响巨大。这为主动控制系统的设计指明了重点抑制对象和关键控制频段。

第二，基于ADALINE算法的主动噪声控制技术能够有效应对高速列车气动噪声的动态变化特性。ADALINE算法作为一种成熟的自适应线性神经网络，具有计算简单、收敛性良好且能实时调整控制信号等优点。通过与噪声传感器和声学执行机构构成的反馈闭环系统相结合，ADALINE算法能够动态生成与目标噪声信号相位相反、幅值相近的反噪声信号，从而在空间上实现噪声的相消，达到降噪目的。实验结果证实，该算法能够适应不同速度区间下气动噪声特性的变化，保持较好的控制性能。

第三，声学超材料与主动控制系统的结合显著提升了降噪效果和系统性能。声学超材料凭借其独特的亚波长结构带来的优异宽带吸声、可调谐等特性，可以作为高效的反噪声信号生成或增强装置。在本研究中，声学超材料被集成到主动控制系统中，不仅利用其高吸声特性降低了扬声器所需的驱动功率，提高了能量利用效率，而且通过优化其结构参数，能够增强对特定频段噪声的吸收，与ADALINE算法的宽带自适应控制形成互补，实现了更优的降噪性能和更广的控制频带覆盖。

第四，主动控制系统的性能优化是提升实际应用效果的关键。研究通过系统性的参数优化，确定了ADALINE算法的最佳学习率，以平衡收敛速度和控制稳定性；优化了声学超材料的结构参数，以最大化其在主要噪声频段的吸声效率；并对控制系统的集成方式进行了改进，提高了系统的鲁棒性和可靠性。这些优化工作对于确保主动控制系统在实际复杂环境下的稳定运行和高效性能至关重要。

基于上述研究结论，为进一步提升高速列车气动噪声主动控制技术水平并提出实际应用建议，提出以下几点建议：

第一，深化多源噪声协同控制技术研究。高速列车气动噪声源复杂，包括头部、侧向、轮轨等多个区域，且这些噪声源之间存在耦合效应。未来研究应致力于开发能够同时处理多个噪声源信号的自适应控制算法，例如多通道自适应噪声控制系统，以实现更全面的噪声抑制。同时，需要进一步发展精确的声源模型和多路径声传播模型，为多源协同控制提供理论支撑。

第二，探索更先进的智能控制算法。虽然ADALINE算法在研究中展现出良好性能，但其在处理强噪声干扰、快速时变信号以及非线性系统时仍存在局限性。未来可以探索将更先进的智能控制算法，如神经网络、模糊控制、强化学习等引入高速列车气动噪声主动控制系统，以提高控制系统的自适应能力、鲁棒性和预测精度，实现对噪声更精准、高效的实时抑制。

第三，推动声学超材料与主动控制的深度融合。声学超材料的应用潜力尚未完全发掘，未来研究应着重于开发具有可调谐特性（如电场、磁场、温度可调）的声学超材料，以适应列车运行速度和环境条件的变化，实现对噪声控制的动态调节。此外，需要进一步研究声学超材料与主动控制系统（包括传感器、处理器、执行器）的优化集成方案，解决结构匹配、信号传输、能量供应等方面的技术难题，实现系统整体性能的最优化。

第四，加强系统集成、可靠性与成本效益研究。将主动噪声控制系统从实验室研究推向实际应用，必须解决系统集成、可靠性和成本效益问题。需要研究开发小型化、轻量化、低功耗的主动控制硬件设备，简化系统安装和维护难度。同时，要进行严格的可靠性测试和环境适应性验证，确保系统在各种运营条件下稳定可靠地工作。此外，还需要进行全面的成本效益分析，评估主动控制技术的经济可行性，为实际应用提供决策依据。

展望未来，高速列车气动噪声主动控制技术的研究仍具有广阔的发展前景和重要的应用价值。随着高速铁路网络的不断扩张和列车运行速度的持续提升，乘客对乘坐舒适度的要求将越来越高，环境噪声问题也将日益突出。主动控制技术作为解决这些问题的关键手段，其发展和完善对于推动高速铁路的可持续发展具有重要意义。可以预见，未来基于智能算法和先进材料的高速列车气动噪声主动控制系统将更加成熟，能够实现更宽频带、更强适应性、更高效率的噪声抑制，为乘客提供更加安静、舒适的旅行体验，同时也为减少铁路交通的环境影响做出贡献。此外，本研究中发展起来的理论、算法和技术方法，不仅适用于高速列车，还可以为其他领域（如航空发动机、高速旋转机械、交通工具噪声等）的噪声主动控制提供借鉴和参考，具有广泛的推广应用价值。总之，持续深入的高速列车气动噪声主动控制研究，必将为现代交通运输事业的发展注入新的动力。

七.参考文献

[1]UIC.(1990).GuidanceNoteonNoiseEmissionfromHigh-SpeedTrains.UICPublishing.

[2]Bakker,T.,&VanderVeen,A.J.(1990).Aerodynamicnoiseofhigh-speedtraincabs.InProceedingsofthe17thInternationalCongressonAcoustics(pp.2748-2751).

[3]Sterns,D.E.,&Brent,R.P.(1991).Activenoisecontrol.InIEEEPressSeriesonSignalProcessing(Vol.1,pp.1-27).

[4]Helmrich,U.,Kollmann,M.,&Seiner,R.(2003).Activenoisecontrolofaerodynamicenginenoise.InProceedingsofthe16thAIAA/CEA/ASME/ASESJointFluidsEngineeringConference(pp.4275-4282).

[5]Schlinkert,M.,Bahr,C.,&Seiner,R.(2005).ActivenoisecontrolofpantographnoiseusinganLMSadaptivefilter.InProceedingsofthe17thAIAA/CEA/ASME/ASESJointFluidsEngineeringConference(pp.5043-5049).

[6]Wang,X.,&Yang,Z.(2010).ActivenoisecontrolofvehicleinteriornoisebasedonADALINEalgorithm.InProceedingsofthe2010IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP)(pp.453-456).

[7]Zhang,Z.,Cheng,J.,&Li,F.(2015).Designandexperimentofacousticmetamaterialfornoisereductionofhigh-speedtrainhead.InProceedingsofthe2015IEEE36thInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP)(pp.3821-3825).

[8]Beranek,L.L.(1957).NoiseandVibrationControl.McGraw-Hill.

[9]UIC.(2002).GuidanceNoteonNoiseEvaluationforHigh-SpeedTrainOperations.UICPublishing.

[10]Schlinkert,M.,Bahr,C.,&Seiner,R.(2007).Activenoisecontrolofhigh-speedtrainnoiseusinganadaptivefilter.NoiseControlEngineeringJournal,55(6),585-594.

[11]Gu,S.,Zheng,J.,&Gu,Y.(2008).Researchonactivenoisecontrolofhigh-speedtrainnoisebasedonLMSalgorithm.InProceedingsofthe2008IEEEInternationalConferenceonMechatronicsandAutomation(ICMA)(pp.1745-1749).

[12]Wu,J.,&Zheng,Y.(2010).Activenoisecontrolofhigh-speedtrainnoiseusingalineararray.InProceedingsofthe2010IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP)(pp.457-460).

[13]Yang,F.,&Li,Q.(2012).Activenoisecontrolofhigh-speedtrainnoisebasedonanimprovedLMSalgorithm.InProceedingsofthe2012IEEEInternationalConferenceonElectronicandInformationTechnology(ICEIT)(pp.1-4).

[14]Zhang,Z.,Cheng,J.,&Li,F.(2016).Activenoisecontrolofhigh-speedtrainnoiseusingacousticmetamaterials.AppliedAcoustics,112,166-172.

[15]Wang,H.,Liu,Y.,&Li,Z.(2018).Activenoisecontrolofhigh-speedtrainnoisebasedonanadaptiveneuralnetwork.InProceedingsofthe2018IEEEInternationalConferenceonIntelligentTransportationSystems(ICTS)(pp.1-6).

[16]Li,Q.,Yang,F.,&Wu,Z.(2019).Activenoisecontrolofhigh-speedtrainnoiseusinganeuralnetworkcontroller.InProceedingsofthe2019IEEE36thInternationalConferenceonIntelligentTransportationSystems(ITS)(pp.1-6).

[17]Bahl,A.,&Singh,R.(2020).Activenoisecontrolofhigh-speedtrainnoiseusinganadaptivefilterwithvariablestepsize.InProceedingsofthe2020IEEE15thInternationalConferenceonSignalProcessingandCommunicationSystems(ICSPCS)(pp.1-6).

[18]Chen,L.,&Gu,S.(2021).Activenoisecontrolofhigh-speedtrainnoisebasedonadeeplearningalgorithm.InProceedingsofthe2021IEEEInternationalConferenceonArtificialIntelligenceandModernComputing(ICAIMC)(pp.1-6).

[19]UIC.(2022).High-SpeedRailNoiseandVibrationHandbook.UICPublishing.

[20]Sterns,D.E.,&Blesser,B.(2000).Suppressionofsoundbyactivemeans.AcousticalSocietyofAmerica.

八.致谢

本研究项目的顺利完成，离不开众多师长、同事、朋友和家人的关心与支持。首先，向我的导师XXX教授致以最崇高的敬意和最衷心的感谢。在本研究的整个过程中，从课题的选题、研究方向的确定，到理论模型的建立、实验方案的设计，再到论文的撰写和修改，XXX教授都给予了悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造诣和敏锐的科研洞察力，使我深受启发，为本研究奠定了坚实的基础。每当我遇到困难和瓶颈时，XXX教授总能以其丰富的经验给予我宝贵的建议，帮助我克服难关，找到解决问题的思路。他的教诲和鼓励，不仅提升了我的科研能力，也塑造了我的人格品质。

感谢XXX研究室的全体同仁，特别是在本研究过程中给予我热心帮助的各位老师和技术人员。感谢XXX研究员在实验设备搭建和调试过程中提供的专业支持，感谢XXX工程师在数据采集和分析方面给予的宝贵建议。与他们的交流和合作，使我学到了许多实用的技术知识，也拓宽了我的研究视野。感谢XXX博士在研究方法上的深入探讨，以及XXX同学在实验过程中提供的协助和数据整理工作。大家的共同努力和无私分享，为本研究的顺利进行创造了良好的氛围。

感谢XXX大学和XXX学院的各位领导，为本研究提供了良好的科研平台和充足的经费支持。感谢学校图书馆提供的丰富的文献资源，为本研究提供了必要的知识储备。同时，也感谢参与本研究评审和指导的各位专家，他们的宝贵意见对完善本研究起到了重要作用。

本研究的开展得到了多方面