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。     

传声器阵列函数反卷积声源成像算法研究

反卷积声源成像算法具有较高的空间分辨率,但动态范围不理想导致成像结果中存在虚假声源。 针对此问题,提出函 数反卷积声源成像算法,利用函数波束形成算法改进成像性能,通过对反卷积声源成像算法中的点扩散函数进行幂次运算,建 立函数波束形成输出功率、升幂点扩散函数与声源分布之间的线性关系,形成函数反卷积声源成像算法方程组;进一步采用正 约束的高斯-赛德尔迭代方法,求解声源分布信息。 对单声源和非相干声源仿真与实验表明,与函数波束形成、反卷积声源成 像算法相比,所提出算法可有效改善成像分辨率及动态范围。 根据声学中心覆盖面积随幂指数的变化关系,建议算法中幂指数 取值范围为 6~ 14。     

基于函数广义逆波束形成的声源识别

广义逆波束形成是一种基于传声器阵列的高效声源识别技术。然而面对复杂声源,受限于较差的旁瓣抑制能力以及较低的动态显示范围,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的动力学水平,结合函数波束形成,提出一种函数广义逆波束形成方法。从广义逆波束形成与矩阵函数分析出发,全面阐述函数广义逆波束形成基本理论,详细分析不同声源类型和测量误差等因素对其声源成像性能的影响,得到阶次数的最佳取值应用范围。通过数值仿真模型和试验算例进行声源成像仿真,结果表明,函数广义逆波束形成,在保证准确识别声源强度与声源方位的基础上,通过增加阶次数能成倍提高波束旁瓣抑制能力,从而保证其拥有更高的空间分辨率能更精准定位声源。     

基于稀疏贝叶斯学习的压缩球波束形成声源识别方法

基于实心球传声器阵列的压缩球波束形成具有声学成像全景、适宜中远距离测量而易于布置等优势,在汽车、飞机等噪声源识别领域具有广阔应用前景。新近提出的基于稀疏贝叶斯学习(Sparse Bayesian learning, SBL)的压缩球波束形成能够获得良好的低频声源识别性能,但由于其采用了第二类最大似然估计(Maximum type-Ⅱ likelihood estimation, MLE-Ⅱ)进而需要估计声源稀疏度,且抗噪声干扰能力和计算效率也有待提升,推广应用受限。为此,首先将压缩球波束形成数学模型求解问题转化为SBL框架下的源强分布最大后验(Maximum a posterior,MAP)估计问题,并采用期望最大化优化算法(Expectation maximization, EM)加以求解,提出无需稀疏度估计的MAP-EM压缩球波束形成方法;在此基础上,将多快拍复声压矩阵输入转换为多快拍平均的声压互谱矩阵输入,并基于互谱矩阵对角重构降噪建立了抗噪声干扰能力增强的EMAP-EM(Enhanced MAP-EM, EMAP-EM)压缩球波束形成方法。仿真和试验均表明,提出的MAP-EM和...     

反卷积DAMAS2波束形成声源识别研究

反卷积DAMAS2波束形成方法能有效消除旁瓣、提高分辨率和阵列的动力学水平。基于数值模拟的声源识别成像图及标准差曲线探究其结果随声源类型、信号频率、迭代次数的变化规律,结果表明:反卷积DAMAS2波束形成在识别单声源、不相干声源、相干声源时均可有效消除旁瓣、提高分辨率;频率越高,迭代次数越多,分辨率越好;声源识别准确度随迭代次数的增加呈"L"形变化,转折点对应迭代次数约为100;综合考虑计算准确度和效率,推荐100为优选迭代次数。上述结论对反卷积DAMAS2波束形成技术的运用具有指导意义。进一步,基于开发的声源识别软件进行的单扬声器、不相干双扬声器、相干双扬声器的声源识别试验验证了该方法的有效性及开发软件的正确性。     

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。     

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。     

互谱波束形成声源识别中的传声器阵列布局研究

基于传声器阵列的波束形成算法是噪声源识别的重要方法之一.在对基于互谱的波束形成基本原理和几种常见阵列指向性研究的基础上,提出了随机三圆环阵列布局.针对现实中多为宽带信号,基于宽带信号用互谱波束形成方法对几种阵列进行了仿真比较.结果表明随机三圆环阵列可以得到很好的识别效果,并且可以减少传声器的个数,降低成本.     

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。     

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。     

Generalized inverse beamforming with optimized regularization strategy

A promising recent development on acoustic source localization and source strength estimation is the generalized inverse beamforming, which is based on the microphone array cross-spectral matrix eigenstructure. This method presents several advantages over the conventional beamforming, including a higher accuracy on the source center localization and strength estimation even with distributed coherent sources. This paper aims to improve the strength estimation of the generalized inverse beamforming method with an automated regularization factor definition. Also in this work, a virtual target grid is introduced, and source mapping and strength estimation are obtained disregarding, as much as possible, the reflections influence. Two simple problems are used to compare the generalized inverse performance with fixed regularization factor to performance obtained using the optimized regularization strategy. Numerical and experimental data are used, and two other strength estimation methods are also evaluated for reference.     

一种基于矢量传感器阵的盲波束形成方法研究

本文针对水声环境和信号的特点，提出了一种基于矢量传感器阵的盲波束形成算法。首先建立了矢量传感器阵列接收信号模型，然后推导了基于矢量传感器阵列的波束形成最优权矢量的表达式。在此基础上，定义了接收信号的四阶累积量，进而盲估计了矢量传感器阵列的方向向量，实现了盲波束形成。该方法利用高阶累积量可消除高斯噪声干扰这一特性，有效地实现了基于矢量传感器阵列的盲波束形成。仿真实验验证了该方法的有效性和正确性。     

双五元十字阵被动声定位融合算法及性能分析

为了提高被动声测量的准确度和克服声源目标空间方位模糊的问题,提出了双五元十字阵被动声定位融合算法。首先设计了一种双五元十字阵传声器阵列模型,依据模型定义了声源点象限判断准则;然后根据被动声定位原理推导了单一五元十字阵的声源点坐标计算公式,根据俯仰角度正弦值作为加权系数,构造了双五元十字阵被动声定位融合算法模型;最后对该模型测距和测向的精度进行了理论分析,给出了时延估计误差、俯仰角以及方位角与双五元十字阵定位性能的关系。理论分析和仿真实验结果表明,该算法克服了声源目标空间方位模糊的问题、减小了时延估计误差对测距测向性能的影响。本文算法能够更加准确地测量出声源点的位置信息。     

压缩感知声源定位方法研究*

目前声源定位主要采用波束形成算法与麦克风阵列相结合的方法。常规波束形成(Conventional beamforming, CBF)方法存在以下缺陷：① 空间分辨率受限于瑞利限;② 动态响应范围受旁瓣的影响。高级波束形成算法则存在着计算时间过长、会出现负声源或假声源等缺陷。提出一种基于麦克风阵列与压缩感知正交匹配追踪(Orthogonal matching pursuit, OMP)算法的声源定位方法。在不同频率下通过数值仿真方法将压缩感知OMP算法与CBF算法及压缩感知基追踪(Basis pursuit, BP)算法的声源定位结果进行对比。结果表明：① 与CBF算法相比,压缩感知算法显著提高定位结果的分辨率;② 当声源频率为 1 000 Hz时,测量矩阵的等距约束性常数(Restricted isometry constant, RIC)远高于FOUCART边界限,不满足等距约束性条件(Restricted isometry property, RIP),压缩感知OMP算法仍能定位出主要声源的位置,而压缩感知BP算法无法对主要声源进行定位。通过数值仿真方法对不同信噪比(Signal to noise ratio, SNR)及不同声源间距下压缩感知OMP算法和CBF算法声源定位的结果进行对比。结果表明：① 当SNR为零时,压缩感知OMP算法能对主要的声源信号进行定位,而CBF算法无法对主要声源进行定位;② 在声源频率为5 000 Hz时,OMP算法的空间分辨率为0.074 m,突破了瑞利限约束。通过试验对所提出的声源定位方法的可行性进行验证。     

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。     

基于听觉仿生和压缩感知的助听器声源定位方法

在声源定位方面,由于麦克风阵列利于评估麦克风对间的声源定位参数,因此其性能比单麦克风优越.但是当麦克风对间距过小时,获得足够的定位参数信息变得非常困难.针对这个问题,在研究奥米亚棕蝇听觉系统定位机制的基础上,提出采用差分微麦克风信号构建包含声源信息的信号模型.同时为了减低计算量,采用多通道联合压缩感知(compressed sensing,CS)进行声源采样.根据构建的CS模型,采用自适应次梯度投影算法重构包含声源信息向量,通过评估重构信号的能量峰值获得声源位置.理论分析和仿真结果表明,该方法同其他声源定位算法相比,具有定位精度高、抗噪声鲁棒性强,计算量小等优点.     

Acoustic source localization in a reverberant environment by average beamforming

This paper presents a strategy for the application of acoustic beamforming to locate noise sources in a reverberant field.In the hypothesis of stationary phenomena, the average amplitude and standard deviation of the output of beamforming, obtained from different array locations, are calculated.The standard deviation, normalized by the maximum value, can be used for beamforming output weighting, so as to enhance the source contribution, which is space invariant, and to attenuate the mirrors and sidelobe peaks, whose spatial position changes with changes in array position.The availability of microphone signals acquired when moving the array to a different position also allows a super-array to be obtained, i.e. an array obtained considering all the data as coming from a unique array. In this way, the capability of the averaging procedure to reject mirrors effects and disturbances is combined with high resolution beamforming for application in reverberant fields. These improvements are extended to the entire frequency range, since the procedure is not greatly affected by signal wavelength.