典型因素对无网格压缩波束形成声源识别的影响

基于传声器阵列测量和压缩感知理论且将目标声源区域看作连续体处理的无网格压缩波束形成声源识别方法在军事、工业、环境等领域具有良好应用前景。采用蒙特卡罗数值模拟和验证试验探究声源相干性、声源最小分离、噪声干扰和数据快拍数目四个典型因素对声源识别性能的影响，结果表明：该方法适用于任意相干性声源和任意数据快拍数目；高概率获得准确结果的条件是声源足够分离(采用矩形阵列时，单数据快拍下，通常要求声源最小分离不小于■ , A 和 B 分别为矩形阵列的行数和列数)和噪声干扰不过强(单数据快拍下，通常要求信噪比优于 15 d B)；声源不完全相干时，增多数据快拍降低对声源分离和噪声干扰强度的要求，声源完全相干时，增多数据快拍仅降低对噪声干扰强度的要求。典型因素影响的揭示对无网格压缩波束形成方法的恰当运用及声源识别结果的正确分析具有重要指导意义。     

二维动态网格压缩波束形成声源识别方法

基于平面传声器阵列测量和固定网格的传统二维压缩波束形成通过建立阵列传声器测量声压信号和假想声源网格点未知源强之间的欠定线性方程组，基于主声源通常为稀疏分布这一事实，利用稀疏促进算法求解上述方程组从而获得声源波达方向和源强的准确估计，进而准确识别声源。然而，当声源波达方向与网格点不一致、即发生基不匹配时，性能会劣化。为克服该问题，提出二维动态网格压缩波束形成声源识别方法。定义网格坐标和源强分布矢量为变量并采用对数求和罚函数构建目标函数以促进解的稀疏性；基于优化最小化框架在目标函数的基础上构造合适的替代函数以降低优化复杂度；通过梯度下降法对替代函数进行迭代优化求解，从而使网格坐标和源强分布矢量逐渐收敛至真实值附近。仿真和试验均表明，相较于传统固定网格的二维压缩波束形成，该方法能够克服基不匹配问题、获得更高的定位精度和量化精度；该方法能够适用于传声器随机分布的平面阵列，且无需先验的信噪比（噪声干扰）及声源稀疏度等信息，即使在传声器数量较少的情况下也能得到低污染高分辨率的声源成像，保证了高精度的二维波达方向估计和源强量化。     

球谐函数波束形成声源识别扩展方法

球阵列波束形成是一种有效的三维空间声源识别技术,已有的球谐函数波束形成方法虽然能够准确定位声源,但无法定量声源的声学贡献,且声源识别结果受聚焦距离影响显著。通常,各声源对阵列中心处的声压贡献是声源排序评价的有效依据,为准确计算该声压贡献,提出球谐函数波束形成扩展方法,探究聚焦距离对计算准确性的影响规律。针对已知声源的模拟仿真结果表明,该方法不仅能够准确定位声源,而且能够准确计算声源声压贡献,3 000 Hz以下频段的最大误差不超过0.5 dB,3 000～6 000 Hz频段的最大误差不超过1.5 dB,且准确性几乎不受聚焦距离的影响。扬声器声源试验证明了模拟计算的正确性及该方法在实际应用中的有效性。     

基于反问题的正则化波束形成改进算法

基于反问题的正则化波束形成技术能以较高的计算效率得到稳健的声源识别结果。然而由于其正则化解中的正则化矩阵取决于低效的传统波束形成方法,使得基于反问题的正则化波束形成的声源识别结果精准度较低。为了在低信噪比环境下进一步提升其声源识别性能,基于Tikhonov正则化一般形式解提出一种双重迭代优化算法。该算法基于延时求和波束形成算法与互谱运算构造出新的正则化矩阵,并结合迭代方法对新正则化矩阵和波束输出进行优化,最终以较少的迭代步数经两次迭代运算有效提高了声源识别精度和稳定性。最后,通过数值仿真和实验算例,进一步验证了双重迭代优化算法的可行性和有效性。     

可用于相干声源的快速反卷积声源成像算法

提出一种可用于相干声源识别的快速反卷积声源成像算法（Fast deconvolution approach for the mapping of coherent acoustic sources,FC-DAMAS）。该算法去除了反卷积声源成像算法（Deconvolution approach for the mapping of acoustic sources,DAMAS）中的互谱过程,直接求解声源复数源强分布,从而避免了互谱操作导致的待求未知数个数的剧增,因此不再需要采用非相干声源假设来减少待求未知数,使该算法能够同时适用于相干和非相干声源的识别;其次,该算法在反卷积求解过程中采用了与稀疏约束反卷积声源成像算法（Sparsity constrained DAMAS,SC-DAMAS）类似的L1范数稀疏约束反卷积方法,使算法在相干和非相干声源的识别过程中均具有很高的计算精度和空间分辨率;此外,该算法中增加了对测量声压的主成分分析去噪过程,弥补了取消互谱去噪过程造成的算法鲁棒性下降,使算法具有与SC-DAMAS算法类似的噪声鲁棒性。与现有可用于相干声源识别的反卷积声源成像算法（Deconvolution approach for the coherent sources,DAMAS-C）相比,提出的FC-DAMAS算法大大降低了待求解的矩阵方程规模,使其计算效率得到了显著提升。通过数值仿真和实验验证了FC-DAMAS算法的优越性,结果表明所提出的FC-DAMAS算法在应用范围、声源识别性能和实用性方面都更具优势,更适于在实际工程中应用。     

基于互谱矩阵函数的多声源识别方法

为解决多声源识别中的混叠问题,提出一种基于互谱矩阵函数的多声源识别方法。首先,对与各峰值源相关的互谱矩阵进行特征值分解,并利用特征值和特征向量构造其函数;其次,在反卷积迭代过程中,将该函数用于计算移除各峰值源后的互谱矩阵函数和输出功率;最后,将与各峰值源相关的干净波束和剩余功率谱叠加,获得多声源的分布图像。仿真与实验结果表明,该算法的输出波束主瓣窄、旁瓣低,可有效提升传统反卷积算法的动态范围,实现多声源的高分辨率识别。     

基于声压贡献的球面阵波束形成声源识别滤波求和算法

运用实心球传声器阵列波束形成技术识别声源时,滤波求和算法提高了传统声压球谐函数角度分解算法的旁瓣抑制性能,但其采用声源强度作为输出,无法直接反映声源对目标接收者的声学贡献,且输出结果是否准确依赖于聚焦距离是否等于源到阵列中心的真实距离。针对此问题,以最小化最大旁瓣为目标,以声压贡献输出的主瓣峰值无畸变为约束条件,构建二阶锥规划优化模型,采用CVX凸优化求解器进行求解获取滤波参数,最终建立以声压贡献为输出的球面阵波束形成声源识别滤波求和算法。仿真及试验结果均表明,该算法实现了声源对目标接收者的声压贡献量化,且量化准确度几乎不受聚焦距离的影响,同时具有优秀的旁瓣抑制性能和良好的空间分辨率。     

弹性网正则化广义逆波束形成算法改进

广义逆波束形成凭借其空间分辨率高,抑制旁瓣能力强等优势得到广泛关注。为了提升一般广义逆波束形成的声源识别性能,基于弹性网正则化波束形成既能保证声源识别结果的稳健性又能体现声源信号的稀疏性。然而,在测量声源信号的过程中所产生的非相干噪声对声源结果产生不可避免的误差,为抑制测量过程的干扰噪声,结合对角降噪和特征值改进法重构波束形成正则化参数,提出了一种改进弹性网正则化的广义逆波束形成,以重构正则化参数区别干扰噪声和目标声源。进行了数值仿真和实验验证,结果表明该算法在中高频时主瓣宽度误差低于10 dB,且比弹性网正则化波束形成具有更高的空间分辨率以及稳健性,衰减旁瓣能力强。     

基于弹性网正则化的广义逆波束形成

广义逆波束形成是一种高效的声源识别方法。然而受限于较低的算法稳健性,使得其难以实现高精度的声源识别定位。为提高广义逆波束形成声源识别性能,结合弹性网正则化方法和广义逆理论提出一种基于弹性网正则化的广义逆波束形成。首先从广义逆理论出发介绍了特征向量求解以及阈值截断滤波过程,并结合弹性网正则化思想全面阐述了基于弹性网正则化的广义逆波束形成基本理论;其次建立了数值仿真模型,以单极子和多声源识为研究对象,对比其他波束形成算法详细分析了声源类型与频率等因素对其声源成像性能的影响。最后以单极子、不相干以及相干声源为研究对象进行实验分析,结果表明由于基于弹性网正则化的广义逆波束形成的波束输出解具有较强的稀疏性和稳健性,使得其相比传统广义逆波束形成,能更精准地识别定位声源。     

波束形成噪声源识别性能的仿真分析及应用

波束形成声源识别技术因具有在中高频的分辨率高的特点而被广泛应用于工程实际中。基于平面波和球面波的假设,以扇形轮阵列为例,进行了延时求和算法的单声源、多声源的声源识别性能仿真,结果表明:自主开发的算法程序是正确的,能够准确地识别单个及多个声源。进行了互功率谱及除自谱的互功率谱算法的声源识别性能仿真对比,结果表明:两种算法均可以准确定位声源,且除自谱的互功率谱算法可以有效地抑制旁瓣,提高了声源识别性能。为进一步验证算法程序的准确性,进行了工程试验,得到单一频率的声源成像图,开发了便于查看任意频带下数据结果的用户界面,同时与基于PULSE获得的声源成像结果进行对比,验证了算法程序的准确性。     

正交球面波Patch近场声全息

常规近场声全息(Near-field acoustic holography,NAH)中,为减小算法误差对结果的影响,要求全息测量孔径必须大于声源面积。由于要求的全息孔径较大,导致该技术测量工作异常繁琐以及在大尺寸结构上应用困难。为解决此问题,以全息声压近场外推为基础的Patch近场声全息技术(Patchnear-field acoustic holography,PNAH)发展起来。根据声场的球面波近似原理,提出正交球面波Patch近场声全息方法,该方法将振动体产生的声场等效近似为一系列不同阶次的正交球面波源产生的声场的线性叠加,通过这些正交球面波源的声辐射过程来实现全息面声压的近场外推,然后利用近场外推所得声压数据采用计算简便的快速傅里叶变换(Fast Fourier transform,FFT)方法实现全息重建。数值仿真结果表明,该方法在小全息孔径条件下取得良好效果,显著减小对全息孔径大小的要求,从而方便工程运用。     

非规则结构表面多声源近场声全息方法

为了提高非规则结构表面多声源声场的全息精度,提出基于目标深度识别与球面波叠加逼近的非规则表面多声源近场声全息方法。该方法使用声源空间深度识别理论,确定结构体上各声源的空间位置,在各声源处分别使用球面波的叠加描述空间声场分布,然后结合现有单原点球面波叠加近场声全息法重构声场。为了验证方法的可行性,首先使用所述方法和现有单原点球面波叠加声全息法,分别对径向脉动球与横向振动球组成的不同声场进行全息重构。结果表明,当声源集聚分布时,所述方法与现有方法均能有效全息重构声压分布,重构误差在5%以下;当声源离散分布时,现有方法失效,所述方法能够较准确地给出重构面的声压分布,主要频段内的全息重构误差小于20%。进一步的对比实验表明,在全息重构多扬声器非规则空间分布声场时,使用所述全息方法的重构误差平均下降14.08%,显著提升了多声源非规则空间分布声场的全息精度。     

宽带声源方位估计的多频稀疏贝叶斯学习改进算法

在对空气中未知的宽带声源的波达方向进行估计时,麦克风阵列的阵元间距很容易大于声信号半波长而出现栅瓣,严重影响估计效果。尽管多频带数据的使用在一定程度上可以抑制栅瓣产生,但目前的方法抑制效果比较一般而且计算效率不高。在稀疏贝叶斯学习基础上,提出了一种针对宽带声源方位估计的改进方法。这种方法将超先验引入到传统的多频稀疏贝叶斯估计模型中,然后同时利用声源信号在多个频带上具有的相同空间角度稀疏性并结合期望最大化算法重新推导了多频稀疏贝叶斯模型中各相关参数的迭代形式。与此同时,考虑到实际场景中的声源方位通常不位于稀疏网格上,离网格修复模型也被加入设计框架中,以解决该问题。为验证算法性能,开展了仿真实验和场地实验。结果表明,相比最近提出的基于l₁最小化的多频压缩感知方法和宽带的多频稀疏贝叶斯学习方法,提出方法能更好的利用宽带声源的多频特性以降低栅瓣的干扰,同时具有更高的估计精度和计算速度。在现场实验中,改进方法表现了优于其他先进方法的栅瓣抑制能力,声源方位估计误差可达0.09°,所需迭代收敛步数相比MF-SBL减少约50%。     

基于传递函数估计的近场声全息的噪声源识别

在近场声全息(NAH)声场测量中,噪声的存在使近场声全息重建精度降低,影响声场重建的实现。本文提出一种基于传递函数估计的双测量面NAH技术,首先采用双测量面对噪声源信号进行测量,然后基于传递函数法引入一种合理的传递函数估计,结合参考传声器信号来求解全息面复声压,最后利用前后测量面数据相位差异来求解格林函数,根据声场重建公式进行近场声全息声场重建。数值仿真及重建误差分析表明,存在测量噪声影响的情况下,本文提出的方法相比传递函数法NAH重建误差更小,能够更准确地识别声源位置并提高声全息重建精度。最后对某型拖拉机前端进行近场阵列扫描试验,验证基于传递函数估计的双测量面NAH的有效性。     

An improved stochastic subspace identification for operational modal analysis

An improved stochastic subspace identification algorithm is introduced to solve the low computational efficiency problem of the Data-driven stochastic subspace identification. Compared with the conventional algorithm, it needs much less cost of memory and computing time because it does not have a process of the QR decomposition of Hankel matrix. Model similarity index is proposed to measure the reliability of the modes obtained by the improved stochastic subspace identification. Furthermore, the stabilization diagram in combination with the modal similarity index is adopted to effectively indicate spurious modes resulting from noise and model redundancy. A criterion named the modal norm is introduced to indicate the dominating mode. A numerical example on the parameter estimation of a linear time-invariant system of 7 degrees of freedom and one experimental example on the parameter estimation of Chaotianmen bridge model in Chongqing are presented to demonstrate the efficacy of the method.