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。     

函数波束形成声源识别性能分析及应用

函数波束形成声源识别算法能够有效克服传统波束形成存在的"主瓣"宽、"旁瓣"高且多等缺陷。基于传统波束形成及矩阵特征值分解理论,给出函数波束形成算法的理论推导。基于自主开发的算法程序进行单声源、不相干双声源的模拟仿真,结果表明:函数波束形成在识别单声源、不相干声源时均能有效地衰减旁瓣,提高识别分辨率,且能清晰地识别弱源;当声源不在聚焦网格点时,函数波束形成主瓣峰值输出随指数的增大而降低,出现失真的情况;传声器及测量通道频响失配情况对函数波束形成的成像影响很小。由函数波束形成峰值输出误差随指数的变化曲线,建议指数一般取16。进一步,不相干四声源的算例试验验证了算法的有效性及程序的正确性。对某汽车前围板的隔声薄弱环节识别中,除空调进风口及暖风机进出水管安装孔隔声薄弱环节以外,亦准确定位转向柱安装孔附近这一隔声薄弱位置,识别结果更全面,为进一步改进其隔声性能指明了方向。     

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。     

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。     

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。     

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。     

基于遗传算法的动态优化波叠加噪声源识别方法

针对现有声全息以及波束形成等方法中重建声场的虚假声源问题,提出一种利用遗传算法搜索声源位置的波叠加噪声源识别方法。该方法通过传声器阵列测量声音信号,基于时间延迟算法进行声源面的声压预估;选取预估声压峰值点作为等效源的初始位置;根据初始识别结果确定声源位置搜索的三维空间范围,以重建传声器声压误差函数作为位置评价指标,利用遗传算法动态地优化等效声源的空间位置,并实现声场的波叠加重构。对该方法进行仿真试验,得到的识别结果中旁瓣引起的虚假声源强度下降到真实声源的10%以下。试验结果表明利用该技术重建声场时,与传统的全息和阵列技术相比,可以有效消除虚假声源以及旁瓣效应,与静态波叠加方法相比,可以取得准确的声源位置和重建声压值。     

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...     

高性能波束形成声源识别方法研究综述

基于传声器阵列测量的波束形成声源识别技术广泛应用于军事、工业、环境等领域。围绕“空间分辨能力增强、寄生虚假声源抑制、定位定量精度提升、鲁棒稳健性能强化、声源识别功能完善”的目标,国内外学者开展了大量研究工作并取得了丰硕成果,反卷积波束形成、函数型波束形成和压缩波束形成三类典型高性能方法先后被提出。为帮助国内学者全面了解三类高性能波束形成方法并加以推广应用,系统阐述其核心思想,全面综述其重要研究进展,根据需要计算的阵列点传播函数的数目对反卷积波束形成进行科学分类,根据采用的网格点类型对压缩波束形成进行科学分类。综述同时涵盖适宜识别阵列前方局部区域内声源的平面传声器阵列和适宜360°全景识别声源的球面传声器阵列。     

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。     

基于二阶锥优化的抗干扰波束图设计（英文）

当信干比较低时,强干扰会通过波束图的旁瓣泄露影响弱目标的检测,因此需要对波束图进行优化设计。已有的Dolph-Chebyshev加权方法可以在给定的主瓣宽度下获得最低的旁瓣级,但是对于圆阵或其他非均匀线阵,需要根据阵型进行低旁瓣的波束图设计。本文提出的基于二阶锥优化方法,将波束优化问题转化为标准的凸优化数学问题,进而有范式可循,而且可以达到Dolph-Chebyshev加权的效果,同时解决了目标端射时旁瓣升高的问题。仿真验证了基于二阶锥优化的算法较常规算法能更好的识别弱目标。     

基于二阶锥优化的抗干扰波束图设计

当信干比较低时,强干扰会通过波束图的旁瓣泄露影响弱目标的检测,因此需要对波束图进行优化设计.已有的Dolph-Chebyshev加权方法可以在给定的主瓣宽度下获得最低的旁瓣级,但是对于圆阵或其他非均匀线阵,需要根据阵型进行低旁瓣的波束图设计.本文提出的基于二阶锥优化方法,将波束优化问题转化为标准的凸优化数学问题,进而有范式可循,而且可以达到Dolph-Chebyshev加权的效果,同时解决了目标端射时旁瓣升高的问题.仿真验证了基于二阶锥优化的算法较常规算法能更好的识别弱目标.     

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。     

快速迭代收缩阈值声源识别算法及其改进

近场声全息是一种主流的声学成像技术,在技术实践中可以有效实现声源定位。等效源法可用于修正声源不同数值模型的l_2范数正则化逆问题和l_1范数正则化逆问题。为了提高传统等效源法的分辨力,减少旁瓣"鬼影",提出了一种高阶波束形成改良快速迭代收缩阈值声源识别算法mIFISTESM-v,该方法是在改进的快速迭代收缩/阈值等效源法与高阶波束形成方法相结合的框架下发展得来。通过单声源定位和相干声源定位的分辨力分析的数值模拟以及实验验证了该方法的实用性,结果表明,所提出的方法能较好地达到声源识别及定位的效果,该方法所得主瓣区小于0.002。     

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。     

基于源强先验引导的正交匹配追踪声源识别算法

压缩感知理论的出现为采用较少的传声器实现高分辨率声源识别与定位，提供了理论可能和实现途径。因此越来越多的学者将压缩感知方法应用到声源识别领域当中。在已有的诸多压缩感知重构算法中，正交匹配追踪（Orthogonal matching pursuit，OMP）算法具有旁瓣小、分辨率较高、算法过程简单、计算速度快、易于硬件实现等优点，具有广泛的应用潜力。但是OMP算法在实际应用场合中表现出的对低频声源定位效果差，聚焦面网格密集划分时易出现定位偏差的缺点限制了算法的应用范围。为此，通过对OMP算法关键步骤的理论分析，找出OMP算法上述缺陷的理论来源，在此基础上提出一种基于源强先验引导的OMP声源定位算法，该方法在OMP原子筛选过程中引入了源强先验信息，可以较好地克服由相邻声源距离较近或分析频率较低时原子间相关性增强引起的原子选择错误，从而进一步提高了算法的声源定位准确率，拓宽了算法适用的频率范围，在实际中可实现宽频带声源的高分辨率识别与定位。     

基于HELS方法的噪声诊断技术研究

基于赫姆霍兹方程最小二乘法（HELS）的噪声诊断技术,将赫姆霍兹方程应用于噪声诊断技术中,把声场中声压转化为一组线性无关的独立函数的叠加,使用最小二乘法根据已知的较少噪声信号准确高效地重建声源表面的声压。建立基于非线性优化理论的新型HELS-PSO模型进行噪声源识别和声场重建研究,在实验室中以音箱作为模拟噪声源,通过实验进行验证。实验结果验证了该算法的有效性和高效性,表明新算法的求解精度较高。