CN107765221B - 适用于识别相干和非相干声源的反卷积声源成像方法 - Google Patents

适用于识别相干和非相干声源的反卷积声源成像方法 Download PDF

Info

Publication number
CN107765221B
CN107765221B CN201710895561.6A CN201710895561A CN107765221B CN 107765221 B CN107765221 B CN 107765221B CN 201710895561 A CN201710895561 A CN 201710895561A CN 107765221 B CN107765221 B CN 107765221B
Authority
CN
China
Prior art keywords
sound source
sound
formula
algorithm
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710895561.6A
Other languages
English (en)
Other versions
CN107765221A (zh
Inventor
徐亮
尚俊超
胡鹏
毕传兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201710895561.6A priority Critical patent/CN107765221B/zh
Publication of CN107765221A publication Critical patent/CN107765221A/zh
Application granted granted Critical
Publication of CN107765221B publication Critical patent/CN107765221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种适用于相干和非相干声源的反卷积声源成像算法。利用传感器获得测量面的声压数据并作去噪处理，获得去噪声压数据；针对去噪声压数据采用延时求和算法计算聚焦面上各聚焦点处的延时求和输出；并利用声压Green函数和阵列导向矢量构建对应延时求和波束形成结果的新型点扩展函数矩阵，建立延时求和波束形成输出结果、声源源强分布以及新型点扩展函数矩阵之间的卷积关系。利用反卷积方法求解声源源强，从而实现噪声源的精确定位。本发明可同时适用于相干声源和非相干声源的识别，并有着较好的噪声鲁棒性，计算效率也远高于现有的可用于相干声源的反卷积声源成像方法。因此该算法具有更广泛的运用范围和实际意义。

Description

适用于识别相干和非相干声源的反卷积声源成像方法
技术领域
本发明涉及噪声源的识别和定位领域，更具体地说是一种适用于识别相干和非相干声源的反卷积声源成像方法。
背景技术
反卷积声源成像(DAMAS)是一种基于声阵列的高分辨率噪声源识别与定位方法，该方法基于空间声源的非相干假设，建立互谱成像波束形成输出结果与真实声源分布以及阵列点扩展函数(PSF)矩阵三者间的卷积关系，通过反卷积计算求解真实声源分布，从而消除非理想PSF对波束形成输出结果的影响，达到有效降低主瓣宽度和旁瓣水平，显著提高声源识别空间分辨率的目的。由于其空间分辨率可达常规波束形成技术的10倍以上，且通过算法中的互谱操作可以有效抑制传感器在流体中的自噪声，因此DAMAS在气动噪声领域获得了较为广泛的应用。目前已有的反卷积声源成像算法主要可以分为三类：第一类为Brooks等提出的传统DAMAS算法(Brooks T F,Humphreys W M 2006J.Sound.Vib.294856)，其利用互谱波束形成输出结果，声源分布以及PSF三者之间的卷积关系建立线性方程组，通过Gauss-seidel迭代解卷积，求解真实声源分布，从而获得具有高分辨率的噪声源识别结果。但由于该算法在构建线性方程组时需要计算聚焦面上所有网格点处的PSF，所需计算量很大，计算效率较低。第二类为基于快速Fourier变换(FFT)的DAMAS算法，包括Dougherty等提出的DAMAS2算法(Dougherty R.Extensions of DAMAS and Benefits andLimitations of Deconvolution in Beamforming[J].AIAA paper 05-2960,2005)与Ehrenfried等提出的FFT-NNLS算法(Ehrenfried K,Koop L.Comparison of IterativeDeconvolution Algorithms for the Mapping of Acoustic Sources[J].AIAA Journal,2012,45(7):1-19.)以及Lylloff等提出了FISTA-DAMAS算法(Lylloff O,Fernández-Grande E,Agerkvist F,et al.Improving the efficiency of deconvolutionalgorithms for sound source localization[J].The Journal of the AcousticalSociety of America,2015,138(1):172-180.)。这些算法的基本思想为：当测量阵列到声源的距离相比于测量阵列自身的孔径较大时或者聚焦面相对较小时，PSF具有近似平移不变性，因此可以利用FFT将声源分布与PSF矩阵的空域卷积转化为阵列中心点处PSF与声源分布在波数域的乘积，从而实现快速计算。这些算法由于仅需计算阵列中心点处的PSF，求解过程也可运用FFT实现，因此相对于传统DAMAS算法具有明显的效率优势。第三类为基于稀疏重构方法的反卷积声源成像算法，其基本原理是利用声源分布在空间中的稀疏性，采用压缩感知理论中的稀疏重构算法解卷积，从而获得声源分布的精确解。由于稀疏约束的引入限制了方程解空间的大小，确保了声源分布的空间稀疏性，因此此类算法可以获得更高的精度和分辨率。目前此类算法主要有Yardibi等提出的稀疏约束反卷积声源成像算法(SC-DAMAS)(Yardibi T,Li J,Stoica P,et al.Sparsity constrained deconvolutionapproaches for acoustic source mapping[J].Journal of the Acoustical Societyof America,2008,123(5):2631-2642)和Padois等提出的基于正交匹配追踪的反卷积声源成像算法(OMP-DAMAS)(Padois T,Berry A.Orthogonal matching pursuit applied tothe deconvolution approach for the mapping of acoustic sources inverseproblem[J].Journal of the Acoustical Society of America,2015,138(6):3678-3685.)。其中SC-DAMAS算法通过一个L1范数正则化过程解卷积，其结果具有很高的精度和空间分辨率，但由于L1范数正则化过程需要求解一个凸优化问题，其计算复杂度较高，因此该算法计算效率较低。OMP-DAMAS算法理论上仅需要进行声源个数次迭代就能获得精确解，因此计算效率相对较高，但由于计算过程中没有控制噪声误差的正则化处理过程，因此其结果精度受测量误差影响更大，精度和分辨率不及SC-DAMAS算法。
上述DAMAS算法虽然在精度、空间分辨率或计算效率方面上各有优势，但由于这些算法在理论推导过程中均基于非相干声源假设，忽略了声源信号互谱矩阵中的交叉项(声源信号互谱矩阵中的非主对角线元素)，从而导致上述算法仅对非相干声源有较好的识别效果，对于相干声源特别是交叉项能量较大的情况，算法的声源识别效果较差，出现伪峰和虚影，甚至完全失效。为此，Brooks等提出一种可适用于识别相干声源的反卷积声源成像算法(DAMAS-C)。该算法将声源信号互谱矩阵中的所有元素(包括交叉项)都作为待求未知数予以求解，这样无需忽略声源信号互谱矩阵中的交叉项也可求解出精确声源分布，从而避免了声源的非相干假设。然而交叉项的纳入大大增加了方程的未知数个数，因此导致矩阵方程的规模变得非常大，PSF矩阵的构建以及矩阵方程的求解过程使得该算法计算量很大，因此该算法的计算效率非常低。Brooks等也明确指出DAMAS-C计算非常耗时，实际中应预先用其他方法估计出相干声源所在的区域，然后在较小的聚焦区域中应用该方法。由此可见，由于DAMAS-C算法计算效率太低，在实际中并不实用。此外，Yardibi等提出了一种可以进行相干声源识别的稀疏约束协方差矩阵拟合算法(CMF-C)，该算法与DAMAS-C算法的思想相同，都是将声源信号互谱矩阵中的所有元素(包括交叉项)都作为待求未知数予以求解，只是反卷积计算过程是通过极小化协方差矩阵的拟合误差来实现的，因此虽然CMF-C算法在识别精度上略高于DAMAS-C算法，但在计算效率上与DAMAS-C算法相当，同样不太实用。
发明内容
本发明是为避免上述现有技术所存在的问题，提供一种适用于识别相干和非相干声源的反卷积声源成像方法，取消现有DAMAS算法中的互谱去噪过程，使本发明方法能够同时适用于相干和非相干声源的识别，同时简化声源源强分布的求解过程，提高计算效率。
本发明为解决技术问题采用如下技术方案：
本发明适用于识别相干和非相干声源的反卷积声源成像方法的特点是按如下步骤进行：
步骤a、在K个声源辐射形成的声场中呈阵列布置M个传感器，形成测量面W，采集获得各传感器检测得到的测量声压p；
步骤b、运用主成分分析方法对所述测量声压p进行去噪处理，获得去噪声压
Figure GDA0002627300540000031
步骤c、将声源计算平面离散成网格面，所述网格面为聚焦面T，在所述聚焦面T中包含有N个网格点，每个网格点为聚焦点，利用延时求和算法由式(1)计算获得各聚焦点处波束形成的输出量y(rn)，n＝1,2,3…N，rn表示第n个聚焦点的坐标向量：
Figure GDA0002627300540000032
其中，v(rn)＝[v1(rn)v2(rn)…vM(rn)]为导向矢量，v(rn)H为导向矢量v(rn)的共轭转置，
Figure GDA0002627300540000033
j为虚数单位，k为声波波数，k＝2πf/c，π为圆周率，f为声源频率，c为声速，rm表示第m个传感器的坐标向量；
步骤d、由式(2)计算获得聚焦面T上所有聚焦点的声源源强与延时求和波束形成的输出量y(rn)之间的传递函数组成的N维行向量w(rn)：
Figure GDA0002627300540000034
式(2)中，w(rn)＝[w(rn/r1)w(rn/r2)…w(rn/rN)]，w(rn/rn′)为延时求和波束形成的点扩展函数，n,n′＝1,2,3…N，N为聚焦网格点数，G为声压Green函数矩阵：
Figure GDA0002627300540000035
Figure GDA0002627300540000036
|rn-rm|表示第n个聚焦点到第m个传声器之间的距离；
因w(rn)为N维行向量，聚焦面上共有N个聚焦点，则由N个N维行向量w(rn)构成的N×N的矩阵W表达如式(3)，定义矩阵W为新型点扩展函数矩阵：
Figure GDA0002627300540000037
步骤e、建立如式(4)所示的矩阵方程：y＝Wq (4)
式(4)中，y为所有聚焦点处波束形成的输出量组成的N维已知列向量，q为N维的声源源强分布列向量；针对式(4)按如下反卷积过程求解获得N维的声源源强分布列向量q；
采用迭代收缩阈值算法，根据式(4)建立如式(5)所表达的目标方程：
Figure GDA0002627300540000041
式(5)中，||·||2表示L2范数，||·||1表示L1范数；λ为正则化参数；
依据求解获得的N维的声源源强分布列向量q的模进行声源的识别与定位。
本发明适用于识别相干和非相干声源的反卷积声源成像方法的特点也在于：所述步骤b中，对于测量声压p是按如下方式进行去噪处理获得去噪声压
Figure GDA0002627300540000042
步骤2.1、对所述测量声压p进行互谱获得互谱矩阵U：U＝ppH，pH为p的共轭转置；
步骤2.2、针对所述互谱矩阵U按式(6)进行特征值分解：
U＝SDSH (6)
S为特征向量组成的矩阵，SH为S的共轭转置，D是由特征值组成的对角矩阵：
Figure GDA0002627300540000043
其中，d1,d2…dN为互谱矩阵U的特征值，且d1≥d2≥…≥dN；
步骤2.3、根据主成分分析原理，D中大特征值对应的是声压中的主要成分，小特征值所对应的是声压中的噪声；依此，选择所有N个特征值中前L个较大的特征值，L<N；利用L个特征值以及L个特征值相对应的特征向量构造去噪声压
Figure GDA0002627300540000044
如式(7)：
Figure GDA0002627300540000045
式(7)中，d为由所选择的L个特征值组成的列向量，S′为所选择的L个特征值所对应的特征向量组成的矩阵。
本发明适用于识别相干和非相干声源的反卷积声源成像方法的特点也在于：所述正则化参数λ的取值为：
Figure GDA0002627300540000046
本发明适用于识别相干和非相干声源的反卷积声源成像方法的特点也在于：步骤2.3中，对于所述L个特征值按如下方式进行选取：将所有特征值从大到小排列，计算排列后的相邻特征值间的变化率，取变化率最大位置处之前的L个特征值。
与已有技术相比，本发明有益效果体现在：
1、本发明方法直接建立点扩展函数矩阵、延时求和输出量及声源源强分布之间的矩阵方程，解得声源源强分布，实现声源的识别与定位。由于取消了反卷积声源成像(DAMAS)算法中的互谱过程，避免了非相干声源的假设，能够同时适用相干声源和非相干声源的识别，应用范围更广。
2、本发明方法取消了互谱过程，但另一方面由于互谱过程是一个去噪过程，因此取消互谱过程将影响算法对噪声干扰的鲁棒性。为提高对噪声干扰的鲁棒性，本发明引入主成分分析方法进行去噪处理，从而使本算法具有较好的噪声鲁棒性。
3、本发明方法取消了互谱过程，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。使得本发明方法的计算效率远远高于可以用于相干声源识别的DAMAS-C算法。
附图说明
图1为波束形成技术声源识别示意图；
图2a是声源频率为2000Hz，本发明方法针对相干声源的定位效果示意图；
图2b是声源频率为2000Hz，SC-DAMAS方法针对相干声源的定位效果示意图；
图3a是声源频率为2500Hz，本发明方法针对相干声源的定位效果示意图；
图3b是声源频率为2500Hz，SC-DAMAS方法针对相干声源的定位效果示意图；
图4a是声源频率为3000Hz，本发明方法针对相干声源的定位效果示意图；
图4b是声源频率为3000Hz，SC-DAMAS方法针对相干声源的定位效果示意图；
图5a是声源频率为2000Hz，本发明方法针对非相干声源的定位效果示意图；
图5b是声源频率为2000Hz，SC-DAMAS方法针对非相干声源的定位效果示意图；
图6a是本发明方法在低信噪比条件下的相干声源识别实验。
图6b是SC-DAMAS算法在低信噪比条件下的相干声源识别实验。
表1为本发明方法与已有技术中DAMAS-C算法在同一环境下运行所需的时间；
具体实施方式
本实施例中适用于识别相干和非相干声源的反卷积声源成像方法是按如下步骤进行：
步骤a、根据图1所示模型，在K个声源辐射形成的声场中呈阵列布置M个传感器，形成测量面W，采集获得各传感器检测信号得到测量声压p，声源的个数K小于传感器的数量M，传感器为传声器。
步骤b、为了抑制传感器的自噪声对声源识别结果的影响，提高声源空间分辨率。运用主成分分析方法对所述测量声压p进行去噪处理，获得去噪声压
Figure GDA0002627300540000051
使本算法具有较好的噪声鲁棒性。
步骤c、根据图1所示模型，将声源计算平面离散成一网格面，网格面为聚焦面T，在聚焦面T中包含有N个网格点，每个网格点为聚焦点，利用延时求和算法由式(1)计算获得各聚焦点处波束形成的输出量y(rn)，n＝1,2,3…N，rn表示第n个聚焦点的坐标向量：
Figure GDA0002627300540000061
其中，v(rn)＝[v1(rn)v2(rn)…vM(rn)]为导向矢量，v(rn)H为导向矢量v(rn)的共轭转置，
Figure GDA0002627300540000062
j为虚数单位，k为声波波数，k＝2πf/c，π为圆周率，f为声源频率，c为声速，rm表示第m个传感器的坐标向量。
步骤d、由式(2)计算获得聚焦面T上所有聚焦点的声源源强与延时求和波束形成的输出量y(rn)之间的传递函数组成的N维行向量w(rn)：
Figure GDA0002627300540000063
式(2)中，w(rn)＝[w(rn/r1)w(rn/r2)…w(rn/rN)]，w(rn/rn′)为延时求和波束形成的点扩展函数，n,n′＝1,2,3…N，N为聚焦网格点数；将w(rn/rn′)看作为延时求和波束形成的点扩展函数，其物理意义是单位强度点声源的延时求和波束形成阵列响应输出，G为声压Green函数矩阵：
Figure GDA0002627300540000064
Figure GDA0002627300540000065
|rn-rm|表示第n个聚焦点到第m个传声器之间的距离；
因w(rn)为N维行向量，聚焦面上共有N个聚焦点，则由N个N维行向量w(rn)构成的N×N的矩阵W表达如式(3)，定义矩阵W为新型点扩展函数矩阵：
Figure GDA0002627300540000066
步骤e、建立如式(4)所示的矩阵方程：y＝Wq (4)
式(4)中，y为所有聚焦点处波束形成的输出量组成的N维已知列向量，q为N维的声源源强分布列向量；针对式(4)按如下反卷积过程求解获得N维的声源源强分布列向量q；
采用迭代收缩阈值算法(LASSO)根据式(4)建立如式(5)所表达的目标方程：
Figure GDA0002627300540000071
式(5)中，||·||2表示L2范数，||·||1表示L1范数；λ为正则化参数；
依据求解获得的N维的声源源强分布列向量q的模进行声源的识别与定位。
本实施例中，对于步骤b中的测量声压p是按如下方式进行去噪处理获得去噪声压
Figure GDA0002627300540000072
步骤2.1、对测量声压p进行互谱获得互谱矩阵U：U＝ppH，pH为p的共轭转置；
步骤2.2、针对互谱矩阵U按式(6)进行特征值分解：
U＝SDSH (6)
S为特征向量组成的矩阵，SH为S的共轭转置，D是由特征值组成的对角矩阵：
Figure GDA0002627300540000073
其中，d1,d2…dN为互谱矩阵U的特征值，且d1≥d2≥…≥dN；
正则化参数λ的取值为：
Figure GDA0002627300540000074
步骤2.3、根据主成分分析原理(Principal Component Analysis，PCA)，D中大特征值对应的是声压中的主要成分，小特征值所对应的是声压中的噪声；依此，选择所有N个特征值中前L个较大的特征值，L<N；利用L个特征值以及L个特征值相对应的特征向量构造去噪声压
Figure GDA0002627300540000075
如式(7)：
Figure GDA0002627300540000076
式(7)中，d是由所选择的特征值所组成的列向量，S′为所选择的特征值所对应的特征向量组成的矩阵；对于L个特征值按如下方式进行选取：将所有特征值从大到小排列，计算排列后的相邻特征值间的变化率，取变化率最大位置处之前的L个特征值。
去噪声压
Figure GDA0002627300540000077
的维数与测量声压p相一致，均为M×1的列向量，因此在去噪处理过程中虽然也包含互谱操作，但并不增加矩阵方程规模，也不降低算法计算效率。
仿真1，用于验证本发明方法相比SC-DAMAS算法能够更好地识别相干声源：
数值仿真中，测量面、聚焦面的分布如图1所示。假设空间中有两个等强度的相干点声源分别位于聚焦面上，声源坐标分别为：(-0.15,0)m、(0.1,0)m。
测量面W位于Z＝0m平面，W的平面尺寸为1mx1m，其上沿x轴、y轴均匀划分11x11个测量点，测量点间距为0.1m。
聚焦面T位于Z＝1m平面，T的平面尺寸也为1mx1m，并划分21x21个聚焦网格点，聚焦点间距为0.05m。
为使仿真与实际实施中存在测量噪声的情况更加一致，在输入测量声压中添加高斯白噪声，信噪比为20dB。
图2a、图3a、图4a展示了频率为2000Hz、2500Hz和3000Hz时本发明方法的声源识别的效果，图2b、图3b、图4b展示了频率为2000Hz、2500Hz和3000Hz时SC-DAMAS算法的声源识别的效果。声源识别结果的图像中‘+’表示真实声源点所在位置。
当频率为2000Hz时，如图2a所示，本发明方法识别出的峰值点与真实的相干声源所在位置精确重合，定位结果非常干净，没有伪峰和虚影，图2b中SC-DAMAS算法的声源识别图上尽管定位出来了两个相干声源，但在两个声源之间会出现一个峰值稍低的伪声源。这显然是由于仿真中的采用相干声源，不符合SC-DAMAS算法的非相干声源的假设，导致的问题。
当频率为2500Hz时，图3a所示本发明方法的声源识别图中峰值点与真实的相干声源所在位置精确重合，并且不存在其他的虚源，说明其精确定位出了相干声源的位置。图3b所示SC-DAMAS算法识别出的峰值点与真实的相干声源所在位置则没有重合，向左偏移了一个网格点，同时声源峰值势线也不如图3a集中，说明其空间分辨率也没有本发明方法高。
当频率为3000Hz时，图4a所示发明方法和图4b所示SC-DAMAS算法识别出的峰值点都与真实的相干声源所在位置精确重合，说明两种方法都准确定位出了相干声源的位置，这个结果符合所有DAMAS算法的规律，就是频率越高，DAMAS算法的定位精度越高，所以当频率为3000Hz高频率的时候，SC-DAMAS算法的定位精度高，相干声源对其定位精度的影响变小，因此频率为3000Hz时，SC-DAMAS算法也精确定位出了相干声源的位置。
本次仿真过程说明本发明方法比SC-DAMAS算法能够更好的识别相干声源。
仿真2，比较SC-DAMAS算法和本发明方法在非相干声源下的识别效果：
本发明方法是在SC-DAMAS算法的基础上发展而来。因此，本发明方法对非相干声源的识别效果应该与SC-DAMAS算法的识别效果相当，都对非相干声源有着较好的识别效果。本次仿真以数值说明这一情况：参数设定与仿真1类似，仅仅把声源换成了两个等强度的非相干声源。图5a和图5b是频率为2000Hz时，本发明方法与SC-DAMAS算法的声源识别的效果，当频率大于2000Hz时，两种算法的定位效果与2000Hz时类似，都能非常准确的定位出声源，因此本实施例中仅给出2000Hz时两种算法的定位效果。
由图5a和图5b看出，在频率为2000Hz时，两种算法都能非常准确的定位出非相干声源的位置，说明本发明方法对非相干声源的识别效果与SC-DAMAS算法相当，能够很好地识别非相干声源。
仿真3，验证本发明方法的鲁棒性：
本发明方法是为避免非相干声源假设取消了抑制噪声的互谱过程，转而通过主成分分析去噪过程来抑制噪声的影响，提高算法的鲁棒性。本实施例利用低信噪比条件下的相干声源识别实验来检验本发明方法对噪声的鲁棒性。仿真参数与仿真1中的参数基本相同，仅将测量面声压的信噪比降为5dB，图6a和图6b是频率为3000Hz，信噪比为5dB时，本发明方法与SC-DAMAS算法的声源识别结果。
图6a中声源识别效果与图4a中的声源识别效果对比可以看出，信噪比从20dB降到5dB时，本发明方法依旧能够准确定位声源；图6b中声源识别效果与图4b中的声源识别效果对比可以看出，信噪比从20dB降到5dB时，SC-DAMAS算法同样可以准确定位出声源；显然，本发明方法与SC-DAMAS算法对噪声的鲁棒性相当，都有着比较好的鲁棒性。
仿真4，本发明方法较之DAMAS-C算法是一种快速识别声源的反卷积声源成像算法：
利用数值仿真比较本发明方法与DAMAS-C算法的计算效率，在仿真中，频率为3000Hz，聚焦面分别划分为49、81、121、169、225个聚焦点，保持聚焦点间距为0.05m，其余仿真参数与仿真1中的仿真参数相同，并且DAMAS-C算法中的迭代次数为200次。表1为本发明方法与DAMAS-C算法在处理器CPU为Intel Core i7-5960x 3.00GHz、内存RAM为32.0GB的同一服务器上运行时，所需时间随聚焦点个数增加的变化情况。仿真中聚焦点个数最多只有225个的原因在于当聚焦点较多时，DAMAS-C算法的矩阵就非常大，需要很大的内存来存储，超出计算机的内存空间，使得算法无法运行，不能进行仿真研究。
表1
Figure GDA0002627300540000091
表1可见，DAMAS-C算法所需要的计算时间远远大于本发明方法所需要的时间(时间单位为秒)，例如：当聚焦点数为225时，DAMAS-C算法所需要的时间是本发明方法所需要的时间的1600倍之多。显然，说明本发明方法是一种快速识别相干声源的反卷积声源成像算法，其比DAMAS-C算法更有实际意义。

Claims (4)

1.一种适用于识别相干和非相干声源的反卷积声源成像方法，其特征是按如下步骤进行：
步骤a、在K个声源辐射形成的声场中呈阵列布置M个传感器，形成测量面W，采集获得各传感器检测得到的测量声压p；
步骤b、运用主成分分析方法对所述测量声压p进行去噪处理，获得去噪声压
Figure FDA0002627300530000011
步骤c、将声源计算平面离散成网格面，所述网格面为聚焦面T，在所述聚焦面T中包含有N个网格点，每个网格点为聚焦点，利用延时求和算法由式(1)计算获得各聚焦点处波束形成的输出量y(rn)，n＝1,2,3…N，rn表示第n个聚焦点的坐标向量：
Figure FDA0002627300530000012
其中，v(rn)＝[v1(rn) v2(rn)…vM(rn)]为导向矢量，v(rn)H为导向矢量v(rn)的共轭转置，
Figure FDA0002627300530000013
j为虚数单位，k为声波波数，k＝2πf/c，π为圆周率，f为声源频率，c为声速，rm表示第m个传感器的坐标向量；
步骤d、由式(2)计算获得聚焦面T上所有聚焦点的声源源强与延时求和波束形成的输出量y(rn)之间的传递函数组成的N维行向量w(rn)：
Figure FDA0002627300530000014
式(2)中，w(rn)＝[w(rn/r1)w(rn/r2)…w(rn/rN)]，w(rn/rn′)为延时求和波束形成的点扩展函数，n,n′＝1,2,3…N，N为聚焦网格点数，G为声压Green函数矩阵：
Figure FDA0002627300530000015
Figure FDA0002627300530000016
|rn-rm|表示第n个聚焦点到第m个传声器之间的距离；
因w(rn)为N维行向量，聚焦面上共有N个聚焦点，则由N个N维行向量w(rn)构成的N×N的矩阵W表达如式(3)，定义矩阵W为新型点扩展函数矩阵：
Figure FDA0002627300530000017
步骤e、建立如式(4)所示的矩阵方程：y＝Wq (4)
式(4)中，y为所有聚焦点处波束形成的输出量组成的N维已知列向量，q为N维的声源源强分布列向量；针对式(4)按如下反卷积过程求解获得N维的声源源强分布列向量q；
采用迭代收缩阈值算法，根据式(4)建立如式(5)所表达的目标方程：
Figure FDA0002627300530000021
式(5)中，||·||2表示L2范数，||·||1表示L1范数；λ为正则化参数；
依据求解获得的N维的声源源强分布列向量q的模进行声源的识别与定位。
2.根据权利要求1所述的适用于识别相干和非相干声源的反卷积声源成像方法，其特征是：所述步骤b中，对于测量声压p是按如下方式进行去噪处理获得去噪声压
Figure FDA0002627300530000022
步骤2.1、对所述测量声压p进行互谱获得互谱矩阵U：U＝ppH，pH为p的共轭转置；
步骤2.2、针对所述互谱矩阵U按式(6)进行特征值分解：
U＝SDSH (6)
S为特征向量组成的矩阵，SH为S的共轭转置，D是由特征值组成的对角矩阵：
Figure FDA0002627300530000023
其中，d1,d2…dN为互谱矩阵U的特征值，且d1≥d2≥…≥dN；
步骤2.3、根据主成分分析原理，D中大特征值对应的是声压中的主要成分，小特征值所对应的是声压中的噪声；依此，选择所有N个特征值中前L个较大的特征值，L<N；利用L个特征值以及L个特征值相对应的特征向量构造去噪声压
Figure FDA0002627300530000024
如式(7)：
Figure FDA0002627300530000025
式(7)中，d为由所选择的L个特征值组成的列向量，S′为所选择的L个特征值所对应的特征向量组成的矩阵。
3.根据权利要求2所述的适用于识别相干和非相干声源的反卷积声源成像方法，其特征是：所述正则化参数λ的取值为：
Figure FDA0002627300530000026
4.根据权利要求2所述的适用于识别相干和非相干声源的反卷积声源成像方法，其特征是：步骤2.3中，对于所述L个特征值按如下方式进行选取：将所有特征值从大到小排列，计算排列后的相邻特征值间的变化率，取变化率最大位置处之前的L个特征值。
CN201710895561.6A 2017-09-28 2017-09-28 适用于识别相干和非相干声源的反卷积声源成像方法 Active CN107765221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710895561.6A CN107765221B (zh) 2017-09-28 2017-09-28 适用于识别相干和非相干声源的反卷积声源成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710895561.6A CN107765221B (zh) 2017-09-28 2017-09-28 适用于识别相干和非相干声源的反卷积声源成像方法

Publications (2)

Publication Number Publication Date
CN107765221A CN107765221A (zh) 2018-03-06
CN107765221B true CN107765221B (zh) 2021-01-15

Family

ID=61267719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710895561.6A Active CN107765221B (zh) 2017-09-28 2017-09-28 适用于识别相干和非相干声源的反卷积声源成像方法

Country Status (1)

Country Link
CN (1) CN107765221B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109343003B (zh) * 2018-11-29 2022-11-11 重庆大学 一种快速迭代收缩波束形成声源识别方法
CN109631756B (zh) * 2018-12-06 2020-07-31 重庆大学 一种基于混合时频域的旋转声源识别方法
CN110850371B (zh) * 2019-11-28 2021-09-21 合肥工业大学 一种基于Green函数修正的高分辨率声源定位方法
CN111551943B (zh) * 2020-05-19 2022-07-12 中国科学院声学研究所 一种基于damas2的稀疏布阵高分辨三维声成像方法及系统
CN113051792B (zh) * 2021-03-09 2022-09-13 合肥工业大学 一种基于最小互相关原则的稀疏声学阵列设计方法
CN113466187B (zh) * 2021-04-12 2022-11-08 清华大学 对荧光各向异性进行偏振超分辨成像的系统及方法
CN113176536A (zh) * 2021-04-28 2021-07-27 江铃汽车股份有限公司 一种对噪声源进行快速精确定位的分步聚焦算法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100511205B1 (ko) * 2003-01-14 2005-08-31 한국과학기술원 음향 홀로그래피를 이용한 개별 음원의 음장 분리 방법
US8170234B2 (en) * 2005-05-10 2012-05-01 The United States of America by the Administrator of the National Aeronautics and Space Adminstration Deconvolution methods and systems for the mapping of acoustic sources from phased microphone arrays
US7783060B2 (en) * 2005-05-10 2010-08-24 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Deconvolution methods and systems for the mapping of acoustic sources from phased microphone arrays
CN105241544B (zh) * 2015-09-28 2018-08-21 南京航空航天大学 基于近场声阵列的转子噪声源识别方法
CN105785320A (zh) * 2016-04-29 2016-07-20 重庆大学 实心球阵列三维声源识别的函数型延迟求和方法
CN106124044B (zh) * 2016-06-24 2019-05-07 重庆大学 实心球声源识别低旁瓣超高分辨率声学图像快速获取方法
CN106443587B (zh) * 2016-11-18 2019-04-05 合肥工业大学 一种高分辨率的快速反卷积声源成像算法

Also Published As

Publication number Publication date
CN107765221A (zh) 2018-03-06

Similar Documents

Publication Publication Date Title
CN107765221B (zh) 适用于识别相干和非相干声源的反卷积声源成像方法
CN110109058B (zh) 一种平面阵列反卷积声源识别方法
CN109343003B (zh) 一种快速迭代收缩波束形成声源识别方法
JP6386556B2 (ja) 広周波数帯域音響ホログラフィ
Kujawski et al. A deep learning method for grid-free localization and quantification of sound sources
CN112180329A (zh) 一种基于阵元随机均匀分布球阵反卷积波束形成的汽车噪声源声成像方法
CN116148770B (zh) 基于阵列信号处理的声源定位方法、装置及系统
CN113176536A (zh) 一种对噪声源进行快速精确定位的分步聚焦算法
Zhou et al. 2-D deconvolved conventional beamforming for a planar array
CN115278496A (zh) 用于麦克风阵列测量的稀疏声源辨识方法、系统
Ravetta et al. Noise source localization and optimization of phased-array results
CN115452141B (zh) 一种非均匀声学成像方法
Bianchi et al. Deconvolution of plenacoustic images
CN109932682B (zh) 二维多快拍无网格压缩波束形成声源识别方法
Pham et al. A Noise-Robust Method with Smoothed ℓ1/ℓ2 Regularization for Sparse Moving-Source Mapping
CN109061594B (zh) 一种强杂波环境下基于子阵空时自适应处理的测角方法
CN108733913B (zh) 一种基于dwpso算法的眼科oct设备横向分辨率检测方法
Zamponi et al. Benchmark assessment of an improved Regularization technique for generalized inverse beamforming
CN113381793B (zh) 一种面向相干信源估计的无网格波达方向估计方法
Merino-Martınez et al. Three–dimensional acoustic imaging using asynchronous microphone array measurements
Tam et al. Estimation of source location and ground impedance using a hybrid multiple signal classification and Levenberg–Marquardt approach
CN115201821A (zh) 基于强目标成像对消的小目标检测方法
Hald Cross-spectral matrix denoising for beamforming in wind tunnels
CN111880167A (zh) 一种基于先随机后优化的波达方向估计方法
CN111965599A (zh) 二维动态网格压缩波束形成的声源识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant