1.一种声振载荷联合施加的试验装置，其特征在于，包括：两端加板密闭圆柱壳装置，通过弹性橡胶绳悬挂；所述圆柱壳装置内部有一个球型噪声激励源，由声传感器记录球型声源所施加的噪声激励大小，所述圆柱壳装置外部有一悬挂式振动台激振器，由振动传感器记录悬挂式振动台输入的振动激励；所述圆柱壳装置外表面和内表面布置有18个振动加速度传感器，用于测量机械结构在球型噪声源和悬挂式振动台联合激励下的振动响应；球型噪声激励源激励与悬挂式振动台激振器激励每次加载的时候位置和方向均固定不变，且

18个振动加速度传感器分布在圆柱壳内部的各个地方，能反映两端加板密闭圆柱壳装置系统的主要振动。

2.根据权利要求1所述的一种声振载荷联合施加的试验装置，其特征在于：所述独立的球型噪声激励源激励，有3种量级激励，而且量级逐渐增大；所述独立的悬挂式振动台激振器振动激励，有5种量级激励，而且量级逐渐增大；当噪声激励和振动激励联合加载时，噪声激励和振动激励互不相关，其载荷量级两两组合，形成了15种不同的量级；对声振试验装置分别加载15种不同量级的噪声激励和振动激励的联合激励，通过传感器分别测得振动激励的激振力，振动激励的激振加速度和声激励的激振声压，以及通过18个加速度传感器测得圆柱壳装置外表面和内表面的振动响应，并记录相应的试验结果数据，从而实现了模拟复杂的声振环境，用于载荷识别试验研究。

3.一种基于一元线性回归模型和传递函数最小二乘广义逆的不相关多源频域载荷识别方法，采用利用权利要求1和2所述的声振载荷联合施加的试验装置；其特征在于：该方法可根据测得的多个响应点的频域振动响应的自谱和多个载荷点到响应点传递函数模的平方的最小二乘广义逆，同时识别出多个不相关频域载荷源的大小；此最小二乘广义逆方法仅需测量载荷点到响应点传递函数模的平方和多个振动响应点的自谱，不需要测量相位，且能缓解矩阵求逆所出现的病态问题。

4.根据权利要求3所述的一种基于一元线性回归模型和传递函数最小二乘广义逆的不相关多源频域载荷识别方法，其特征在于：根据施加的联合激励以及测得的响应，可进行不相关多源载荷识别的理论推导；

步骤A1该系统有m个载荷激励输入fi(i＝1,…,m)，在该联合激励下，测得线性时不变系统的n个测点输出为yj(j＝1,…,n)；根据叠加原理，线性系统的每一个输出都可以由各个分立输入所引起的响应叠加而成，其输入各激励之间的互功率谱密度矩阵Sff(ω)与输出各响应间的互功率谱密度矩阵Syy(ω)的关系为：(1)式中h(u)是系统的单位脉冲响应矩阵,Cff(τ)∈Rm×m是输入的协方差函数矩阵，是系统频率特性矩阵， 是系统频率特性矩阵的共轭；式(1)给出了多输入/多输出情形下输出功率谱矩阵与输入功率谱矩阵之间的关系式；它显示了输入与输出功率谱关系的简明特点，正是频域分析法的优点所在；

步骤A2在实际情况中，m与n不相等，因此要求取载荷谱矩阵，须对频响函数矩阵求广义逆，则在频域中的载荷识别公式可表示为:(2)式的主要问题是用试验获得系统的复频响应函数矩阵H(ω)的工作量太大，而用有限元法来获得H(ω)又存在仿真建模与试验的误差问题；

步骤A3在m个输入载荷激励都是零均值的平稳随机过程，且在互不相关的情况下，m个输入载荷激励的协方差函数矩阵Cff(τ)∈Rm×m为对角阵，即： 其对应的输入功率谱矩阵Sff(ω)也为对角阵

此时，输出功率谱中主对角线上的任意一元素 满足：

(3)式写成矩阵后的形式为：

其中，|Hj,i(ω)|2是输入fi对响应yj的传递函数模的平方， 是待识别的载荷源fi的自功率谱， 是响应yj的自功率谱；

步骤A4记

(4)式可简写为：

1)当n>m，(4)式为超定方程，无对应的满足(2)式的解，它的最小二乘解为：

2)当n＝m,(4)式为正定方程，对应的满足(4)式的解唯一，其解为：

3)当n

为保证反演出载荷激励的精度，(4)式中应满足n>m，并将该问题转化为一个优化问题，目标是找一组m个不相关平稳载荷激励 使得系统的n个测点的响应能达到 为验证该方法的正确性和精度，识别出来的激励 可以与实际加载的激励 进行比较；

但是，(4)式本身是一个多目标优化问题，目标是找一组m个不相关平稳载荷激励使得在该组载荷激励作用下，系统的n个测点的响应 与 误差最小，在工程实践中，该问题需要转化成单目标优化问题，才能进行求解计算；

步骤A5对于(4)式，当n≥m时，在响应误差平方和最小的单目标优化准则下的解的为：步骤A6证明：在(4)式中，响应误差平方和的一半 为：

为了使J最小化，以 为参数，求J的梯度，可以得到(10)式：

为了使J最小化，使(10)式最后结果等于零，从而得到以下等式：

(11)式化简后得到最后的结果(8)式，证毕；

(8)式又叫(4)式的最小二乘广义逆；

步骤A5中，单优化目标准则为响应误差平方和最小。

5.一种基于改进的正则化方法的不相关多源频域载荷识别方法，利用权利要求1和2所述的声振载荷联合施加的试验装置，；其特征在于：该方法可根据测得的多个响应点的频域振动响应和多个载荷点到响应点传递函数模的平方的正则化方法，同时识别出多个不相关频域源的大小；此改进的正则化方法，对应的每一个频率都存在最佳的正则化参数，从而解决了条件数较大时矩阵求逆的病态问题，提高了固有频率处多个不相关频域载荷源的识别精度。

6.根据权利要求5所述的一种基于改进的正则化方法的不相关多源频域载荷识别方法，其特征在于：采用一种基于改进的正则化方法的不相关多源频域载荷识别方法，具体步骤如下：步骤B1根据权利4中的公式(4)，当n≥m时，在正则化最小二乘代价函数下的解为：在(12)式中λ(ω)≥0称为正则化参数；

步骤B2证明：由于正则化最小二乘代价函数为：

为了使J最小化，以 为参数，求J的梯度，可以得到(14)式：

为了使J最小化，使(14)式最后结果等于零，从而得到以下等式：

求解得到最后的结果(12)式，证毕；

步骤B3对每一个频率选择最佳的正则化参数，选择正则化参数的原则是：使得所识别的多个载荷源的最大相对误差最小，公式(16)如下：所述步骤B2中，正则化参数选择原则：所识别的多个载荷源的最大相对误差最小。

7.一种基于多输入多输出支持向量机的不相关多源载荷的频域识别方法，利用权利要求1和2所述的一种声振载荷联合施加的试验装置；其特征在于：本发明的学习训练集是以多组多个测点响应作为输入-多源载荷作为输出所构成；通过训练集进行学习之后，多输入多输出支持向量机算法可以根据多点频域响应信号的自谱识别不相关多源频域载荷的自谱，在圆柱壳识别噪声源和振动源的实验中表明这种新的方法不需要获得传递函数，比传统的最小二乘广义逆载荷识别方法有更高的精度，且基本上满足±3db的精度要求。

8.根据权利要求7所述的一种基于多输入多输出支持向量回归机的不相关多源载荷的频域识别方法，其特征在于：采用一种基于多输入多输出支持向量机的不相关多源载荷的频域识别方法，具体步骤如下：步骤C1无论系统是线性或非线性的，当多源动态随机载荷是不相关的，载荷和响应的关系可视为一个回归模型，形式如下：Syy(ω)＝G(ω,Sff(ω))  (17)

对于公式(17)，不相关多源动态随机载荷识别问题也可以被描述为以下的形式：Sff(ω)＝G′(ω,Syy(ω))  (18)

对于每一个频率，公式(18)中的函数可能都是不一样；

步骤C2设有n个样本(x1,y1),(x2,y2),…,(xn,yn)，其中xi∈Rd，yi∈Rm，构造支持向量回归机模型的决策函数可表示为：fi(x,w)＝+bi  (19)

步骤C3根据Vapnik的结构风险最小化准则，支持向量机回归问题转化为下述优化问题：然而，在此约束条件下，由于该优化问题并不一定有解存在；

步骤C4引入松弛变量 和 以保证解的存在性，则优化问题可以写为：

步骤C5引入Lagrange函数：

步骤C6该Lagrange函数L的极值应该满足：

步骤C7将公式(23)代入到公式(22)，优化问题的对偶形式如下所示：步骤C8采用核函数来计算特征空间的内积：

K(xj,xk)＝<Φ(xj),Φ(xk)>＝ΦT(xj)Φ(xk)  (25)步骤 由优化问题式(24)解出，bi由KKT条件求出

并且得到回归函数如下所示：

所述步骤C1中，对于每一个频率，公式(18)中的函数可能都是不一样；

基于多输入多输出支持向量回归机的不相关多源动态载荷频域识别模型，认为多个响应点的频域振动响应与多个不相关多源频域载荷激励之间是一种非线性关系。

9.如权利要求7所述的一种基于多输入多输出支持向量机的不相关多源载荷的频域识别方法，对于训练集和测试集合的组装，其特征在于：使用留一法来测试权利要求7所述的一种基于多输入多输出回归支持向量回归机识别的声振载荷激励的效果，具体步骤如下：步骤D1以多个响应测点的频域振动响应作为系统输入，多个不相关频域载荷源作为系统输出，构成多组多输入多输出回归支持向量机的学习训练集；对于每一个频率，公式(18)中的函数都是不一样的，因此要为每个频率下的载荷识别建立一个多输入多输出支持向量机；根据声振试验，对于独立的球型噪声激励源激励，有3种量级激励，而且量级逐渐增大；

对于独立的悬挂式振动台激振器振动激励，有5种量级激励，而且量级逐渐增大；当噪声激励和振动激励联合加载时，噪声激励和振动激励的量级两两组合，形成了15种不同的量级，故声振激励联合加载共15组数据；选择其中的一组数据作为测试集，剩下的14组作为多输入多输出回归支持向量机的学习训练集，使用留一法来测试多输入多输出回归支持向量机识别的声振载荷激励的效果；

步骤D2为了使得到的结果更准确，使得训练样本位于支持向量机核函数的有效作用区间内，将数据进行归一化处理，待训练完毕后再将识别的数据复原至原数据区间，即在进入多输入多输出支持向量机前设置预处理结构；

步骤D3由于激励和响应之间的传递函数是一种非线性函数，所以在多输入多输出支持向量机中选用径向基核函数来建立识别模型，因此在多输入多输出支持向量机学习的过程中采用RBF核函数，而对其主要参数的选取采取的是十字交叉验证法来寻优，此时主要参数的选取值为：gam＝[1927.1443,125.0163]，sig2＝[108.4657,78.8673]；

步骤D4将训练集的输入和输出加载到多输入多输出支持向量机模型中，通过选用的径向基核函数和参数对训练集进行训练，训练集通过学习之后，得到一个回归函数，再将测试集的输入作为回归函数的输入，得到预测值，此预测值为多输入多输出支持向量机识别的噪声激励和振动激励；

所述步骤D1中，使用留一法来测试多输入多输出回归支持向量回归机识别的声振载荷激励的效果。