在这里，您可以浏览最新的技术背景资料，深入了解声学与振动领域的各类专业知识。无论您是刚接触这个领域的初学者，还是经验丰富的专业人士，我们丰富的资源都将助您一臂之力。通过我们的资料库，您将获取关于最新研究成果、行业趋势、技术应用以及实际案例的全面信息，为您的项目和研究提供坚实的支持。探索声学与振动领域的奥秘，提升您的专业技能和知识水平，尽在我们的知识中心。浏览更多技术背景资料，了解更多关于声学的各类专业知识。

声学基础知识

本章介绍了声波在空气中的传播，展示了声压的变化和空气粒子的运动关系。通过图示比较了传播波与驻波的异同，强调了驻波的固定节点与极值位置。还简要说明了波的色散现象，并通过模拟对比了有无色散介质中高斯脉冲波的传播情况。>>阅读全文

声学材料的分类，纤维材料（如玻璃纤维和毛毡）、泡沫和蜂窝状材料（如聚合物泡沫）、以及颗粒材料（由较大颗粒或回收材料制成）。此外，还介绍了一类用于覆盖层和穿孔板的材料，这些材料通常具有特定的穿孔图案和厚度，用于特定声学应用。>>阅读全文

用于预测流体相行为的模型中所使用的“声学”参数数量可以在1到8之间变化（对于各向同性材料而言）。其中三个参数：静态空气流阻、开放孔隙率和动态扭曲的高频限制，可以直接测量，而通过表征技术可以估计其他参数。>>阅读全文

在1956年，M. A. Biot 写了两篇文章 [Bio56a, Bio56b]，提出了一种理论公式，用于描述饱和流体的各向同性多孔介质内的弹性波传播。这项工作的一个关键结果是存在三种波动：两种压缩波和一种剪切波。>>阅读全文

ISO 9053:1991（方法A）和 ISO 9053-1:2018 描述了一种直接测量与渗透率 k0 相关的静态气流阻抗 σ 的技术，其中 σ=η/k0，其中 η 是空气的动力粘度。
在国际单位制中，σ的量纲为 N.s.m⁻⁴。>>阅读全文

Wilson’s model（威尔逊模型）通常指的是用于描述和预测多相流体或颗粒系统中相行为的理论模型。Wilson模型常用于计算混合物的活度系数，帮助预测液体混合物在不同条件下的行为。>>阅读全文

在大量对孔隙率接近 1.00 的纤维材料进行的测量中，Delany 和 Bazley [DB70] 提出了这类材料的复波数 k（在 [DB70] 中为 γ/j ）和特征阻抗 Zc 的经验表达式。>>阅读全文

在 2016 年至 2019 年期间，Horoshenkov 及其同事为具有接近对数正态分布的孔隙大小的材料开发了一个包含 3 个参数的模型。这三个参数分别是：开放孔隙率 ϕ，中位孔径 s¯以及孔径标准差 σs，这三个可测参数直接与均匀多孔结构的形态相关。>>阅读全文

Johnson-Champoux-Allard模型基于Johnson、Koplik和Dashen的研究，用于描述多孔介质内的粘滞惯性耗散效应。而Champoux和Allard的工作则用于描述热耗散效应。>>阅读全文

声学测试与分析

在现代工程和建筑设计中，材料的声学特性是至关重要的。无论是为了提高建筑物的隔音效果，还是优化汽车内部的噪声控制，准确测量材料的吸声系数等声学参量都扮演着关键角色。阻抗管作为一种精密的声学测量工具，广泛应用于材料声学性能的测试。本文将详细探讨两种常用的材料吸声系数测量方法：驻波比法和传递函数法。>>阅读全文

在开始测量之前，首先要准备所需的设备和材料，如图1所示，包括阻抗管、四个麦克风、音频分析系统以及待测的声学材料样品。阻抗管是一根一端开口、另一端连接声源的管道，其内部表面必须光滑，以减少声音的反射和吸收。麦克风需要安装在阻抗管的特定位置，以确保准确捕捉到通过样品的声波。>>阅读全文

在声学和音频设备测试领域，准确测量系统的脉冲响应是一项基础而关键的任务。本文介绍一种新型的测量技术——正弦扫频结合幅度调制方案，为同时获取线性脉冲响应和谐波失真提供了一种高效的手段。>>阅读更多

在声音测量领域，A计权（A-weighting）是最常用的一种频率加权方法，它源于国际标准IEC 61672:2003。>>阅读全文

在麦克风阵列技术中，波束形成用于提高特定方向上的信号增益，抑制噪声和干扰。根据声源距离的远近，波束形成可以分为近场和远场两种类型，其设计依据波源与麦克风阵列的距离及其对方向向量的影响有所不同。>>阅读全文

吸声尖劈声学应用领域扮演着重要的角色，他们可以减少回响和混响、控制声音扩散，从而改善声学环境并提高声音品质。合理使用吸声尖劈可以显著提升声音的表现力和听众的听觉体验。>>阅读更多

机器听觉与人工智能

随机森林是一种集成学习算法，其基本思想是通过构建多个决策树，然后将这些树的结果进行投票（分类）或平均（回归）来得到最终的预测结果。随机森林结合了多个决策树的预测，利用多数投票机制或均值计算提高模型的准确性和鲁棒性。>>阅读全文

在机器学习领域，传统模型如支持向量机（SVM）、决策树和朴素贝叶斯等，尽管相比深度学习模型在某些复杂任务中的表现略显不足，但由于其理论基础扎实、参数较少且对数据规模的要求较低，仍然在许多应用场景中广泛使用。本文将以支持向量机（SVM）为例，详细阐述其原理及其在声学音频领域的具体应用。>>阅读全文

卷积神经网络由 Yann LeCun 等人提出，是一种包含可学习卷积核的神经网络模 型，起源于二十世纪八九十年代，目前已广泛运用于图像分类、目标检测、语音识别等 众多领域，成为许多网络模型构建的基础，是深度学习中具有代表性的网络之一。>>阅读全文

长短期记忆网络（Long Short-Term Memory, LSTM）是一种特定类型的递归神经网络（Recurrent Neural Network, RNN），专为解决标准RNN在处理长序列数据时面临的梯度消失问题而设计。自提出以来，LSTM 因其卓越的时间序列处理能力，广泛应用于自然语言处理、语音识别、音频分类等领域。本文将详细介绍 LSTM 的原理、优缺点、适用场景，并探讨其在声学音频领域的应用及现状成果。>>阅读全文

音频测试技术

在声学中，最重要的指标之一被称为声压级（SPL）。为什么我们使用压力来衡量？我们知道声波有两个组成部分：压力和速度，但相比之下，压力比速度更容易测量，这也是为什么压力成为测量声波强度的常用单位。此外，人耳对压力的感知也有一定的范围，这个范围从20微帕斯卡（帕斯卡是国际通用的压力单位）到20帕斯卡不等。>>阅读全文

如果你经常待在音频领域，那么你可能已经听说过频率响应这个术语。它可以出现在各种讨论中，例如耳机和扬声器、DAC和放大器以及房间声学等各个方面，无论你是否熟悉这个话题，这里都会告诉你关于频率响应的一切。>>阅读全文

今天，我想简要介绍一下扬声器中产生的三种主要失真类型，它们的含义，以及如何解读失真结果。这里将讨论两种类型的失真——线性失真和非线性失真（谐波失真和互调失真）。>>阅读全文

扬声器的失真是令人不悦的。然而，失真的类型和水平会极大地影响感知到的烦扰程度。此外，识别失真的类型还可以帮助确定扬声器中导致失真的机制或多种机制。“擦音和嗡嗡声”就是一种特别令人烦恼的失真类型，并且非常难以测量。通过测量来确定问题的原因则更加困难。理解为什么这种类型的失真如此令人烦恼以及如何测量它，对于在生产线上正确测试扬声器至关重要。>>阅读全文

快速傅里叶变换（FFT）在音频与声学测量领域扮演着至关重要的角色，能够将时间域信号转换为频率域，从而揭示信号的频率特性。>>阅读全文