波束形成三维传声器阵列声源识别的改进方法

采用具有倾角的轮型阵列能消除平面阵列对其后方背景声源无抑制能力的缺点,降低对测试环境的要求。通过仿真计算获得了三维轮型传声器阵列波束形成指向图及典型最大旁瓣水平随阵列倾角的变化曲线,分析了阵列倾角对其声源识别性能的影响。在此基础上,提出了阵列多倾角测量声级平均的声源识别改进方法,三种类型声场声源识别的模拟计算结果表明：该方法在准确计算目标声源位置和幅值的同时,相比于一定倾角阵列的单次测量结果可以更有效地同时衰减阵列前方声波和背后背景噪声在聚焦方向上产生的旁瓣干扰,显著地提高了声源识别精度。     

基于广义逆波束形成的扩展性噪声源定位误差影响因素仿真研究

实现噪声控制的前提是正确识别出主要的噪声源,研究噪声源空间指向性对于噪声源的辨识和预测有重大意义。为提高复杂声源的分辨率,以单极子点源形成扩展性声源表征噪声源,引进广义逆波束形成算法对扩展性声源进行声源定位。通过仿真计算,分析了广义逆波束形成(Generalized Inverse Beamforming,GIB)算法中麦克风阵列阵元数、测量距离对定位效果的影响,系统比较了去自谱算法和GIB算法对点声源、扩展性声源(5个紧密相连的单极子点源)的分辨率。仿真表明:GIB算法中定位效果受阵元数目影响不大,相对提高了点声源的定位精度,而且能分辨出扩展性声源。     

改进的波束形成方法及其在运动声源定位中的应用研究

对行驶车辆辐射声场的阵列信号处理理论进行了应用性研究。参照空间域信号相关函数理论,提出基于相关函数的波束形成方法。通过系统仿真验证,利用该理论进行的空间信号扩展可以使信号接收阵列所需的传声器数目大幅降低,同时对声源定位结果精度影响不大。     

应用于传声器阵列定位校准的空间点声源声场拟合方法

介绍了一种用于传声器阵列声源定位精度校准的空间点声源声场模拟方法,并基于该方法设计了一套空间点声源模拟系统,完成了一个传声器阵列的定位位置精度校准。文章采用多通道点声源空间声场合成算法模拟了一个位于自由场空间的点声源,根据传声器阵列中每一个传声器的空间位置坐标,计算出传感器所处位置声场的动态声信号。通过耦合腔标准声源将对应的多通道电压信号输入被校准阵列系统,完成点声源的模拟。然后,该阵列运用波束形成算法进行声源定位,得出点声源的位置,并与模拟点声源的位置进行比对,实现对阵列定位准确性的校准。     

Beamforming方法的阵列研究及其在噪声源识别中的应用

在传统平面网格阵列基础上提出一种改进的三层立体分层网格阵列布局方法,并比较十字阵列、平面网格阵列在不同条件下的指向性,结果显示立体网格阵列的指向性在三者中是最好的。对于脉动球声源的识别仿真研究,验证了基于三层立体网格阵列的波束成形方法的可行性,可以有效地识别和定位噪声源。     

基于高阶矩阵函数的广义逆波束形成改进算法

广义逆波束形成是一种高效的声源识别定位方法,然而其计算稳健性易受随机噪声影响,阻碍了其声源识别动力学水平进一步提高。为改善广义逆波束形成声源识别方法的稳健性,基于高阶矩阵函数提出一种广义逆波束形成改进算法:定义了基于广义逆波束形成的正则化矩阵;对正则化矩阵与波束形成输出进行迭代运算;利用高阶矩阵函数对迭代求解所得广义逆波束形成输出的互谱进行优化。通过数值仿真详细分析了声源频率对波束形成矩阵函数阶次取值的影响,得到阶次的最优取值区间。最后通过数值模型和实验算例对单极子与相干声源进行定位识别,结果表明:改进算法在准确识别声源基础上能有效抑制旁瓣干扰,且具有更高的声源识别精度。     

基于压缩聚焦网格点的快速反卷积算法EI北大核心CSCD

为提升反卷积算法的计算效率,提出一种压缩聚焦网格点的快速反卷积算法。该算法基于函数波束形成的输出,根据设定的声源识别阈值,压缩参与反卷积算法循环的聚焦网格点数。算法融合了函数波束形成与相干声源图清晰算法CLEAN-SC(CLEAN based on spatial source coherence)的优点,可进一步提高多声源定位的空间分辨率,并有效降低算法计算时间。仿真和试验表明:所提算法对低于瑞利极限的不相干多声源具有良好的识别效果;试验中,与CLEAN-SC相比,所提算法的计算效率提升了约3.90倍。     

基于平面传声器阵列的声源定位系统

对阵列的特性进行了研究,并提出了一种优化的64阵元平面螺旋阵列。这种64阵元平面螺旋阵列的阵元分布在以阵列中心为轴心的8条螺旋上,并且具有较窄的主瓣宽度和较低的旁瓣级。基于这种优化的阵型,研制了一种声源定位系统。研究分析了该阵列的探测性能,并通过实验数据对该声源定位系统的性能指标作了验证和评估。利用波束形成算法进行声源定位,通过仿真和实验分析,证明了这种阵型优化的阵列在声源定位应用中的有效性。     

旋转叶片高频涡脱落噪声源的双阵列声成像试验研究

旋转叶片的涡脱落噪声是一类典型的指向性声源,但由于叶片的旋转尚无法准确测量旋转叶片涡流噪声的指向性。利用两个平面阵列在叶片旋转面的平行和垂直两个方向对声源进行了声成像试验研究。试验中选择不同的叶片旋转方位角位置对涡脱落气动噪声进行波束形成声成像,通过比较声源在叶片不同方位角以及不同阵列方向的声成像结果验证了旋转叶片涡脱落噪声的指向性,并且分析了不同的叶片旋转方位角对涡脱落噪声的影响。试验结果验证了双阵列声成像测量方案的可行性和有效性,成像结果的对比表明使用的NACA0012桨叶在2.5 kHz下的旋转气动噪声源为指向性声源。     

交叉层波束形成方法的发动机噪声源识别

发动机噪声源分布复杂,来源多,用人耳很难分辨,利用传声器阵列的噪声源识别技术可以为发动机噪声控制提供客观依据和指导。使用波束形成声源识别方法,对位于不同平面的多个声源进行了仿真识别,并研究了多维声源识别方法,使用交叉层法得到了声源定位的立体结果。结果显示,交叉层法可以有效消减或去除来自识别表面之外的声源在识别表面的虚假投影。最后,针对某发动机产品,使用平面传声器阵列对其上、前、左、右四个面分别进行一次变转速工况时域声压信号采集,使用互谱矩阵波束形成算法,得到各转速下发动机各表面的声源分布图像,并通过交叉层法得到了发动机表面声源的立体分布,准确将声源定位至发动机表面各部件。     

基于最优收缩的传声器阵列部分相干噪声去噪方法

传声器阵列信号的去噪问题对波束形成方法具有重大意义。在复杂干扰环境下,背景噪声的分布不再满足传统的互不相干假设,而更趋近于部分相干。文章研究了空间噪声的分布机理和部分相干噪声理论,并提出了一种在已知声源个数下的传声器阵列部分相干噪声的去噪方法：通过声源噪声的低秩假设以及部分相干噪声的稀疏假设,基于最优收缩方法（Opt-Shrink）迭代提取传声器阵列互谱矩阵的低秩部分,实现去噪的目的。通过仿真,验证了该方法在相干通道数为10和25时,可以获得明显的成像结果;而传统针对不相干噪声去噪的对角线移除方法（DiagonalRemoval,DR）在相干通道数较多时,声源定位结果较差。在强干扰低信噪比的声源定位实验中,该方法相对于对角线移除方法可以得到更好的去噪效果。     

三元组线列阵分裂波束目标方位跟踪方法

针对单线阵进行弱目标跟踪时容易受到强目标影响的问题,将三元组线列阵进行分裂波束定向,可提高对弱目标的方位跟踪能力。通过将三元组线列阵等分为两个三元组子阵,对两个三元组子阵分别进行心形波束形成,利用各自心形波束输出进行分裂波束处理得到目标方位。与常规单线阵分裂波束目标跟踪方法相比,该方法不但能给出跟踪目标的左右舷信息,同时提高了不同舷侧存在多目标时的目标跟踪能力。对海试数据的实际处理结果表明,三元组线列阵分裂波束定向时提高了对多目标的方位跟踪能力。     

基于传声器阵列的电泵噪声源识别研究

某型电泵的噪声较大,为了准确辨识出该型电泵的噪声源,得到其声场辐射特性,采用基于时域信号的"延迟与求和"的"波束成型"的阵列信号处理算法,建立了由29个传声器组成的" "字型平面传声器阵列,首先在实验室用音箱进行了声源辨识的验证和分析试验,然后分析某型电泵的辐射噪声,得到了电泵辐射噪声源的分布特性和频谱特性,分析了形成噪声的主要原因.     

低信噪比环境下语音识别的鲁棒性方法研究

针对噪声环境下语音识别率急剧下降的问题，提出了一种基于语音时频域稀疏性原理的改进最小方差无畸变响应波束形成与改进维纳滤波结合的算法。该算法首先利用麦克风阵列语音信号的空间信息，通过基于时频掩蔽的改进最小方差无畸变响应波束形成器，增强目标声源方向的语音信号，抑制其他方向噪声的干扰，然后再使用改进的维纳滤波器去除残留噪声并提高语音可懂度，对增强后的语音信号提取梅尔频率倒谱系数作为特征参数，使用隐马尔可夫模型搭建语音识别系统。实验结果表明，该方法能够有效提高低信噪比环境下的语音识别率，具有较好的鲁棒性。     

双微阵列语音增强算法在说话人识别中的应用

针对复杂噪声环境下识别性能显著降低的问题,提出一种用于说话人识别系统前端的双微阵列语音增强算法。该算法采用的是相干滤波和频域宽带最小方差无畸变响应波束形成器后置结合改进的维纳滤波器。其基本原理是首先求出双微麦克风阵列信号中两个相邻通道间的相干函数,再利用通道间信号的相干性来进行初始噪声抑制。其次,通过一个频域宽带最小方差无畸变响应(Minimum Variance Distortionless Response,MVDR)波束形成器保留目标声源方向的信号并抑制其他方向的信号干扰,再通过改进的维纳滤波器去除噪声残留提升语音质量。最后,使用梅尔频率倒谱系数(Mel Frequency Cepstral Coefficients,MFCC)和伽马通滤波器组频率倒谱系数(Gammatone Filter-bank Frequency Cepstral Coefficients,GFCC)对增强后的语音信号做特征参数提取并进行说话人识别。仿真过程采用声学人工头模拟双耳采集数据,实验结果表明,该语音增强算法在复杂噪声环境下能够获得较好的增强效果,能有效提升说话人识别系统的识别率。