CN111239690A - 一种用于球面传声器阵列的噪声源识别方法及相关装置 - Google Patents
一种用于球面传声器阵列的噪声源识别方法及相关装置 Download PDFInfo
- Publication number
- CN111239690A CN111239690A CN202010136612.9A CN202010136612A CN111239690A CN 111239690 A CN111239690 A CN 111239690A CN 202010136612 A CN202010136612 A CN 202010136612A CN 111239690 A CN111239690 A CN 111239690A
- Authority
- CN
- China
- Prior art keywords
- noise source
- microphone array
- spherical
- vector
- spherical microphone
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本申请公开了一种用于球面传声器阵列的噪声源识别方法及相关装置,其中方法包括:包括:S1、构建球面传声器阵列接收噪声源信号时的感知矩阵H;S2、当所述噪声源信号稀疏,且所述球面传声器阵列上的传声器数量小于所述噪声源信号的数量时,根据所述感知矩阵H,构建所述球面传声器阵列对应的压缩感知模型,S3、根据恢复稀疏性算法,求解所述压缩感知模型中向量x的最优解,得到所述噪声源信号的源强,以进行噪声源识别,解决了现有用球面传声器阵列进行噪声源识别时,识别准确率低的技术问题。
Description
技术领域
本申请涉及噪声源识别技术领域,尤其涉及一种用于球面传声器阵列的噪声源识别方法及相关装置。
背景技术
球面传声器阵列灵活度高、衍射作用强且能全方位识别噪声源,在噪声源识别领域得到广泛应用。
现有球面传声器阵列中的噪声源识别时采用自适应重加权同伦(AdaptiveReweighting Homotopy,ARH)恢复稀疏性算法,该方法对相干噪声源和不相干噪声源均适用。但该方法在实际计算的过程中均需用到信噪比,但是在实际应用中信噪比难以估计准确,导致现有通过球面传声器阵列进行噪声源识别时,识别准确率较低。
发明内容
有鉴于此,本申请提供了一种用于球面传声器阵列的噪声源识别方法及相关装置,解决了现有用球面传声器阵列进行噪声源识别时,识别准确率低的技术问题。
本申请第一方面提供了一种用于球面传声器阵列的噪声源识别方法,包括:
S1、构建球面传声器阵列接收噪声源信号时的感知矩阵H;
S2、当所述噪声源信号稀疏,且所述球面传声器阵列上的传声器数量小于所述噪声源信号的数量时,根据所述感知矩阵H,构建所述球面传声器阵列对应的压缩感知模型,其中,所述压缩感知模型为:
式中,x=[x1,x2,…,xI]T,上标“T”表示转置,xi为第i个聚焦点的噪声源的源强,I为聚焦点总数,||·||2为范数,||·||0为范数,H=[h1,h2,…,hI]为维的感知矩阵,p☆为球面传声器阵列上传声器处的声压向量;
S3、根据恢复稀疏性算法,求解所述压缩感知模型中向量x的最优解,得到所述噪声源信号的源强,以进行噪声源识别,其中所述求解时的表达式为:
可选地,所述根据恢复稀疏性算法求解所述压缩感知模型的最优解,得到所述噪声源的源强包括:
将向量ω中的元素ωi初始化为定值,将向量x初始化为零向量;
基于恢复稀疏性算法,对所述压缩感知模型中的向量x进行迭代求解,其中,所述恢复稀疏性算法中支撑集中的权重ωieΓ趋近于0。
可选地,所述感知矩阵H具体为:H=[h1,h2,…hi…hI],其中hi为:
式中,为球谐函数,n与m分别为球谐函数的阶与次,“*”为复共轭,Rn(kri,ka)为径向函数, 为虚数单位,jn为第一类球贝塞尔函数,为第二类球汉克尔函数,j′n为jn的导数,为的导数,k为波数k=2πf/c,f为频率,c为声速,r1为为球面传声器阵列中聚焦点i与原点之间的距离,a为球面传声器阵列的半径。
本申请第二方面提供了一种用于球面传声器阵列的噪声源识别装置,包括:
第一构建单元,用于构建球面传声器阵列接收噪声源信号时的感知矩阵H;
第二构建单元,用于当所述噪声源信号稀疏,且所述球面传声器阵列上的传声器数量小于所述噪声源信号的数量时,根据所述感知矩阵H,构建所述球面传声器阵列对应的压缩感知模型,其中,所述压缩感知模型为:
式中,x=[x1,x2,…,xI]T,上标“T”表示转置,xi为第i个聚焦点的噪声源的源强,I为聚焦点总数,||·||2为范数,||·||0为范数,H=[h1,h2,…,hI]为维的感知矩阵,p☆为球面传声器阵列上传声器处的声压向量;
求解单元,用于根据恢复稀疏性算法,求解所述压缩感知模型中向量x的最优解,得到所述噪声源信号的源强,以进行噪声源识别,其中所述求解时的表达式为:
可选地,所述求解单元包括:
初始化子单元,用于将向量ω中的元素ωi初始化为定值,将向量x初始化为零向量;
迭代子单元,用于基于恢复稀疏性算法,对所述压缩感知模型中的向量x进行迭代求解,其中,所述恢复稀疏性算法中支撑集中的权重ωieΓ趋近于0。
可选地,所述感知矩阵H具体为:H=[h1,h2,...hi...hI],其中hi为:
式中,为球谐函数,n与m分别为球谐函数的阶与次,“*”为复共轭,Rn(kri,ka)为径向函数, 为虚数单位,jn为第一类球贝塞尔函数,为第二类球汉克尔函数,j′n为jn的导数,为的导数,k为波数k=2πf/c,f为频率,c为声速,r1为为球面传声器阵列中聚焦点i与原点之间的距离,a为球面传声器阵列的半径。
本申请第三方面提供了一种用于球面传声器阵列的噪声源识别设备,包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的用于球面传声器阵列的噪声源识别方法。
本申请第四方面提供了一种存储介质,所述存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的用于球面传声器阵列的噪声源识别方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种用于球面传声器阵列的噪声源识别方法,包括:S1、构建球面传声器阵列接收噪声源信号时的感知矩阵H;S2、当所述噪声源信号稀疏,且所述球面传声器阵列上的传声器数量小于所述噪声源信号的数量时,根据所述感知矩阵H,构建所述球面传声器阵列对应的压缩感知模型,S3、根据恢复稀疏性算法,求解所述压缩感知模型中向量x的最优解,得到所述噪声源信号的源强,以进行噪声源识别。本申请中,结合压缩感知算法和恢复稀疏算法对噪声源进行源强计算,进一步的可以进行噪声源的识别,传统压缩感知算法中,范数最小化算法中使用信噪比,信噪比的估计会显著影响识别精度,本申请中利用恢复稀疏算法进行求解时,弱化了噪声源识别时对信噪比的需求,提高了噪声源识别的准确度,从而解决了现有用球面传声器阵列进行噪声源识别时,识别准确率低的技术问题。
附图说明
图1为本申请实施例中一种用于球面传声器阵列的噪声源识别方法的实施例一的流程示意图;
图2为本申请实施例中一种用于球面传声器阵列的噪声源识别方法的应用例的流程示意图;
图3为本申请实施例中一种用于球面传声器阵列的噪声源识别装置的实施例的结构示意图;
图4为刚性球阵列以及原点位于阵列中心的球坐标系;
图5为在频率为2000Hz时不同信噪比估计下的成像云图;
图6为重建声压信号与真实声压信号之间的标准差随频率变化的曲线图;
图7为在频率为2000Hz时识别强、弱源的成像云图。
具体实施方式
本申请实施例提供了一种用于球面传声器阵列的噪声源识别方法及相关装置,解决了现有用球面传声器阵列进行噪声源识别时,识别准确率低的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请第一方面提供了一种用于球面传声器阵列的噪声源识别方法。
请参阅图1,本申请实施例中一种用于球面传声器阵列的噪声源识别方法的第一实施例的流程示意图,包括:
步骤101、构建球面传声器阵列接收噪声源信号时的感知矩阵H。
需要说明的是,感知矩阵H具体为:H=[h1,h2,...hi...hI],其中hi为:
式中,为球谐函数,n与m分别为球谐函数的阶与次,“*”为复共轭,Rn(kri,ka)为径向函数, 为虚数单位,jn为第一类球贝塞尔函数,为第二类球汉克尔函数,j′n为jn的导数,为的导数,k为波数k=2πf/c,f为频率,c为声速,r1为为球面传声器阵列中聚焦点i与原点之间的距离,a为球面传声器阵列的半径。
步骤102、当噪声源信号稀疏,且球面传声器阵列上的传声器数量小于噪声源信号的数量时,根据感知矩阵H,构建球面传声器阵列对应的压缩感知模型。
需要说明的是,压缩感知模型为:
式中,x=[x1,x2,…,xI]T,上标“T”表示转置,xi为第i个聚焦点的噪声源的源强,I为聚焦点总数,||·||2为范数,||·||0为范数,H=[h1,h2,…,hI]为维的感知矩阵,p☆为球面传声器阵列上传声器处的声压向量;Subject to为专用数学函数,表示使得……满足……的意思,ε表示极限范围,专用数学函数。
步骤103、根据恢复稀疏性算法,求解压缩感知模型中向量x的最优解,得到噪声源信号的源强,以进行噪声源识别,
需要说明的是,利用恢复稀疏性算法求解时的表达式为:
本实施例中用于球面传声器阵列的噪声源识别方法,包括:S1、构建球面传声器阵列接收噪声源信号时的感知矩阵H;S2、当噪声源信号稀疏,且球面传声器阵列上的传声器数量小于噪声源信号的数量时,根据感知矩阵H,构建球面传声器阵列对应的压缩感知模型,S3、根据恢复稀疏性算法,求解压缩感知模型中向量x的最优解,得到噪声源信号的源强,以进行噪声源识别。本申请中,结合压缩感知算法和恢复稀疏算法对噪声源进行源强计算,进一步的可以进行噪声源的识别,传统压缩感知算法中,范数最小化算法中使用信噪比,信噪比的估计会显著影响识别精度,本申请中利用恢复稀疏算法进行求解时,弱化了噪声源识别时对信噪比的需求,提高了噪声源识别的准确度,从而解决了现有用球面传声器阵列进行噪声源识别时,识别准确率低的技术问题。
以上为本申请实施例提供的一种用于球面传声器阵列的噪声源识别方法的第一实施例,以下为本申请实施例提供的一种用于球面传声器阵列的噪声源识别方法的应用例。
请参阅图2,本申请实施例中一种用于球面传声器阵列的噪声源识别方法的应用例的流程示意图,包括:
步骤201、构建球面传声器阵列的感知矩阵。
如图4所示为本应用例中的球面传声器阵列对应的模型,该球面传声器阵列的中心位于球坐标系O-xyz的原点上,且半径为a,则该球面传声器阵列所对应的声场中任意一点的坐标(图中的五角星所表示的点)为(r,Ω)。其中,r为该点与原点之间的距离,θ与分别为仰角与方向角。
图4中,“·”代表球面传声器阵列上的传声器,其中第q(q=1,2,…,Q)个传声器的位置坐标为(a,Ωq),Q为传声器总数。
步骤202、将噪声源面离散成I个聚焦点。
假设噪声源落在这些聚焦点上,其中第i(i=1,2,…,I)个聚焦点的位置坐标为(ri,Ωi)。
对应的第q个传声器处接受到的声压信号p(a,Ωq):
式(1)中,xi为位于第i个聚焦点的噪声源的源强,I为聚焦点总数,为球谐函数,“*”表示复共轭,n与m分别为球谐函数的阶与次,Rn(kri,ka)为径向函数,且 为虚数单位,jn为第一类球贝塞尔函数,为第二类球汉克尔函数,j'n为jn的导数,为的导数,k为波数k=2πf/c,f为频率,c为声速。
x=[x1,x2,…,xI]T,则传声器处的声压向量为p=[p1,p2,…,pQ]T,上标“T”表示转置,则有如下线性方程组:
p=Hx (2)
式(2)中,H为感知矩阵,H=[h1,h2,…hi…hI],其中hi为:
步骤203、当噪声源信号稀疏,且球面传声器阵列上的传声器数量小于噪声源信号的数量时,根据感知矩阵H,构建球面传声器阵列对应的压缩感知模型。
当存在噪声干扰时,传声器处的声压向量p☆为:
p☆=Hx+n (4)
步骤204、根据恢复稀疏性算法,求解压缩感知模型中向量x的最优解,得到噪声源信号的源强,以进行噪声源识别。
将(5)式中的压缩感知模型用如下公式(6)的恢复稀疏性算法(也即ARH算法)进行迭代求解,求解式(6)的最优解,以期精确恢复向量x。
其中,W=diag(ω),diag(·)表示形成以括号内向量的元素为对角线元素的对角矩阵,ω=[ω1,ω2,…,ωI],是由I个权重ωi组成的向量,绝对值大于0。需要说明的是,ARH算法的一次迭代为:在第l次迭代过程中,基于前一次(l-1)的支撑集Γ(l-1)确定x(l)的前进方向寻找断点,计算x(l)支撑集Γ(l)对应的元素的前进步长δ(l)并自动搜索更新支撑集Γ(l),同时非支撑集也作相应更新。可以理解的是,对于支撑集上的元素,当x(l-1)变化至x(l),支撑集上的权重将沿着路径δ∈[0,1]。一般地,只需经过很少次迭代,x便可达到最优解。
进行迭代求解的具体步骤如下:
①初始化
将x所有元素对应的ωi初始化成同一个较大值,以确保(6)式的解接近于0。已有的方法是对于ω中所有元素,取并将满足前式的索引i作为支撑集的元素,非支撑集为支撑集Γ(0)的补集。将残差η初始化为麦克风采集的信号。
为保证重建信号的精度,要求在迭代过程中,相较于非支撑集上的权重,支撑集上的权重ωi∈Γ应该以更快的收缩速度缩减至一个更小的值。为提高支撑集上权重ωi∈Γ的收敛速度,应使趋近于0,则迭代后残差最小。且取微小值时能优化下一次选入支撑集的元素,这是因为被选入支撑集的元素参与后续运算进而影响重建结果,若元素选择不恰当,重建的信号将与真实值有很大偏差。因此本实施例中,ζ取10-6。
③方向:
满足式(6)最优解的必要条件是:
④寻找断点并计算步长δ
若支撑集中对应的某个元素变为0或非支撑集中对应的某个元素变为非零值,我们称这种情况为出现了断点,无法获得最优解,此时需要改变支撑集与非支撑集元素,才能进行下一次迭代计算。
min+(·)表示取括号内所有元素中的最小正数。
对于第二种情况:通过调整非支撑集元素对应的权重使方程的解仍为最优解,基于这种假设,通常将δ+设为1。所以计算步长为:
⑤改变支撑集与非支撑集的元素
对于第一种断点出现的情况,需要将相应元素的下标移出支撑集,对于第二种情况,要将对应的元素下标添加到支撑集中,即:
⑥更新残差η
η=||Hx-p☆||2 (14)。
以上为本申请实施例提供的一种用于球面传声器阵列的噪声源识别方法的应用例,以下为本申请实施例提供的一种用于球面传声器阵列的噪声源识别方法的具体应用算例。
信噪比的选择会影响声源识别性能,但现实中准确估计信噪比往往是困难的。为检验不准确的信噪比对ARH算法的影响,采用三声源进行仿真,声源信息列于表1中。
表1三个声源的基本参数
用于模拟麦克风采集信号时的信噪比设置为25dB,将用于计算噪声控制参数的信噪比分别设为10dB、25dB以及40dB,成像云图如图5所示,三条线重合在一起。结果表明:ARH算法可准确量化声源强度,究其原因是由于在计算过程中摒除噪声信息,无论过估计或欠估计信噪比,其声源识别性能都不受信噪比的影响。
为检验ARH算法在信噪比估计不准的条件下识别不同频率声源时的性能,采用ARH算法识别表1中的3个声源,并使声源频率从2000Hz变化至6000Hz,用于模拟麦克风采集信号时的信噪比仍为25dB,图6是ARH算法在信噪比估计为10dB、25dB与40dB时,重建的声压信号S与真实声压信号Se之间的标准差随频率变化的曲线图。图6中显示,在2000Hz-6000Hz频率段内,ARH算法仍能准确量化声源。
为讨论ARH算法识别弱声源的能力,采用ARH算法识别强度具有明显差异的三个声源,声源参数在表2中给出,信噪比设为25dB。声源成像云图动态显示范围设置为30dB,仿真结果如图7所示:ARH算法能将弱声源及两个强声源准确定位。此外,ARH算法进行一次运算的时间约为0.3s。
表2三个声源的基本参数
仿真结果表明:ARH算法能够以较高的空间分辨率定位三维空间里的声源,具有以下优势:
ARH算法无需信噪比先验知识,亦可准确识别声源;
ARH算法对低信噪比适应性好;
ARH算法识别弱源的精度高;
ARH算法计算效率高。
以上为本申请实施例提供的一种用于球面传声器阵列的噪声源识别方法的应用算例,以下为本申请实施例提供的一种用于球面传声器阵列的噪声源识别装置的实施例。
本申实施例提供了一种用于球面传声器阵列的噪声源识别装置,请参阅图3,具体包括:
第一构建单元301,用于构建球面传声器阵列接收噪声源信号时的感知矩阵H;
第二构建单元302,用于当噪声源信号稀疏,且球面传声器阵列上的传声器数量小于噪声源信号的数量时,根据感知矩阵H,构建球面传声器阵列对应的压缩感知模型,其中,压缩感知模型为:
式中,x=[x1,x2,…,xI]T,上标“T”表示转置,xi为第i个聚焦点的噪声源的源强,I为聚焦点总数,||·||2为范数,||·||0为范数,H=[h1,h2,…,hI]为维的感知矩阵,p☆为球面传声器阵列上传声器处的声压向量;
求解单元303,用于根据恢复稀疏性算法,求解压缩感知模型中向量x的最优解,得到噪声源信号的源强,以进行噪声源识别,其中求解时的表达式为:
可选地,求解单元303包括:
初始化子单元3031,用于将向量ω中的元素ωi初始化为定值,将向量x初始化为零向量;
迭代子单元3032,用于基于恢复稀疏性算法,对压缩感知模型中的向量x进行迭代求解,其中,恢复稀疏性算法中支撑集中的权重ωi∈Γ趋近于0。
可选地,感知矩阵H具体为:H=[h1,h2,...hi...hI],其中,其中hi为:
式中,为球谐函数,n与m分别为球谐函数的阶与次,“*”为复共轭,Rn(kri,ka)为径向函数, 为虚数单位,jn为第一类球贝塞尔函数,为第二类球汉克尔函数,j′n为jn的导数,为的导数,k为波数k=2πf/c,f为频率,c为声速,r1为为球面传声器阵列中聚焦点i与原点之间的距离,a为球面传声器阵列的半径。
本申请实施例还提供了一种用于球面传声器阵列的噪声源识别设备,包括处理器以及存储器;存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行实施例中所描述的用于球面传声器阵列的噪声源识别方法。
本申请实施例还提供了一种存储介质,存储介质用于存储程序代码,程序代码用于执行实施例中所描述的用于球面传声器阵列的噪声源识别方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种用于球面传声器阵列的噪声源识别方法,其特征在于,包括:
S1、构建球面传声器阵列接收噪声源信号时的感知矩阵H;
S2、当所述噪声源信号稀疏,且所述球面传声器阵列上的传声器数量小于所述噪声源信号的数量时,根据所述感知矩阵H,构建所述球面传声器阵列对应的压缩感知模型,其中,所述压缩感知模型为:
式中,x=[x1,x2,…,xI]T,上标“T”表示转置,xi为第i个聚焦点的噪声源的源强,I为聚焦点总数,||·||2为l2范数,||·||0为l0范数,H=[h1,h2,…,hI]为维的感知矩阵,为球面传声器阵列上传声器处的声压向量;
S3、根据恢复稀疏性算法,求解所述压缩感知模型中向量x的最优解,得到所述噪声源信号的源强,以进行噪声源识别,其中所述求解时的表达式为:
2.根据权利要求1所述的用于球面传声器阵列的噪声源识别方法,其特征在于,所述根据恢复稀疏性算法求解所述压缩感知模型的最优解,得到所述噪声源的源强包括:
将向量ω中的元素ωi初始化为定值,将向量x初始化为零向量;
基于恢复稀疏性算法,对所述压缩感知模型中的向量x进行迭代求解,其中,所述恢复稀疏性算法中支撑集中的权重ωi∈Γ趋近于0。
4.一种用于球面传声器阵列的噪声源识别装置,其特征在于,包括:
第一构建单元,用于构建球面传声器阵列接收噪声源信号时的感知矩阵H;
第二构建单元,用于当所述噪声源信号稀疏,且所述球面传声器阵列上的传声器数量小于所述噪声源信号的数量时,根据所述感知矩阵H,构建所述球面传声器阵列对应的压缩感知模型,其中,所述压缩感知模型为:
式中,x=[x1,x2,…,xI]T,上标“T”表示转置,xi为第i个聚焦点的噪声源的源强,I为聚焦点总数,||·||2为l2范数,||·||0为l0范数,H=[h1,h2,…,hI]为维的感知矩阵,为球面传声器阵列上传声器处的声压向量;
求解单元,用于根据恢复稀疏性算法,求解所述压缩感知模型中向量x的最优解,得到所述噪声源信号的源强,以进行噪声源识别,其中所述求解时的表达式为:
5.根据权利要求4所述的用于球面传声器阵列的噪声源识别装置,其特征在于,所述求解单元包括:
初始化子单元,用于将向量ω中的元素ωi初始化为定值,将向量x初始化为零向量;
迭代子单元,用于基于恢复稀疏性算法,对所述压缩感知模型中的向量x进行迭代求解,其中,所述恢复稀疏性算法中支撑集中的权重ωi∈Γ趋近于0。
7.一种用于球面传声器阵列的噪声源识别设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1至3中任一项所述的用于球面传声器阵列的噪声源识别方法。
8.一种存储介质,其特征在于,所述存储介质用于存储程序代码,所述程序代码用于执行权利要求1至3中任一项所述的用于球面传声器阵列的噪声源识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136612.9A CN111239690B (zh) | 2020-03-02 | 2020-03-02 | 一种用于球面传声器阵列的噪声源识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136612.9A CN111239690B (zh) | 2020-03-02 | 2020-03-02 | 一种用于球面传声器阵列的噪声源识别方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111239690A true CN111239690A (zh) | 2020-06-05 |
CN111239690B CN111239690B (zh) | 2022-03-15 |
Family
ID=70880163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010136612.9A Active CN111239690B (zh) | 2020-03-02 | 2020-03-02 | 一种用于球面传声器阵列的噪声源识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239690B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101172641B1 (ko) * | 2011-07-04 | 2012-08-08 | 한국과학기술원 | 결합 희소성을 갖는 압축된 센싱을 위한 방법 및 장치 |
CN103957011A (zh) * | 2014-04-11 | 2014-07-30 | 西安理工大学 | 基于阈值收缩迭代的压缩感知含噪信号的恢复方法 |
CN105866740A (zh) * | 2016-05-23 | 2016-08-17 | 江苏科技大学 | 一种基于压缩感知的水声匹配场定位方法 |
CN106125041A (zh) * | 2016-07-26 | 2016-11-16 | 清华大学 | 基于子空间加权稀疏恢复的宽带信号源定位方法 |
CN106130563A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 一种基于压缩感知信号的阈值收缩迭代差分重构方法 |
CN108226866A (zh) * | 2017-12-13 | 2018-06-29 | 贵州航天计量测试技术研究所 | 基于球谐函数展开的非共形面变换噪声源的定位方法 |
CN108802687A (zh) * | 2018-06-25 | 2018-11-13 | 大连大学 | 混响房间内分布式麦克风阵列多声源定位方法 |
-
2020
- 2020-03-02 CN CN202010136612.9A patent/CN111239690B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101172641B1 (ko) * | 2011-07-04 | 2012-08-08 | 한국과학기술원 | 결합 희소성을 갖는 압축된 센싱을 위한 방법 및 장치 |
CN103957011A (zh) * | 2014-04-11 | 2014-07-30 | 西安理工大学 | 基于阈值收缩迭代的压缩感知含噪信号的恢复方法 |
CN105866740A (zh) * | 2016-05-23 | 2016-08-17 | 江苏科技大学 | 一种基于压缩感知的水声匹配场定位方法 |
CN106130563A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 一种基于压缩感知信号的阈值收缩迭代差分重构方法 |
CN106125041A (zh) * | 2016-07-26 | 2016-11-16 | 清华大学 | 基于子空间加权稀疏恢复的宽带信号源定位方法 |
CN108226866A (zh) * | 2017-12-13 | 2018-06-29 | 贵州航天计量测试技术研究所 | 基于球谐函数展开的非共形面变换噪声源的定位方法 |
CN108802687A (zh) * | 2018-06-25 | 2018-11-13 | 大连大学 | 混响房间内分布式麦克风阵列多声源定位方法 |
Non-Patent Citations (4)
Title |
---|
JIYUAN CHEN等: "High-Resolution ISAR Imaging With Sparse Aperture VFM Waveforms Under Low SNR Condition", 《IEEE ACCESS》 * |
YOTAM PELED: "LINEARLY CONSTRAINED MINIMUM VARIANCE METHOD FOR SPHERICAL", 《2011 JOINT WORKSHOP ON HANDS-FREE SPEECH COMMUNICATION AND MICROPHONE ARRAYS》 * |
尚俊超: "基于压缩感知的噪声源识别方法研究", 《中国优秀硕士学位论文全文数据库》 * |
褚志刚等: "基于声压贡献的球面阵波束形成声源", 《机械工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111239690B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10607358B2 (en) | Ear shape analysis method, ear shape analysis device, and ear shape model generation method | |
US10304244B2 (en) | Motion capture and character synthesis | |
US20190095780A1 (en) | Method and apparatus for generating neural network structure, electronic device, and storage medium | |
Dorfan et al. | Tree-based recursive expectation-maximization algorithm for localization of acoustic sources | |
CN107202976B (zh) | 低复杂度的分布式麦克风阵列声源定位系统 | |
CN113238189A (zh) | 基于阵列测量和稀疏先验信息的声源辨识方法、系统 | |
CN110663081B (zh) | 基于网格偏移方法的联合宽带源定位和获取 | |
CN109343003B (zh) | 一种快速迭代收缩波束形成声源识别方法 | |
CN110927669A (zh) | 一种用于无线声传感器网络的cs多声源定位方法及系统 | |
Zhang et al. | An RCB-like steering vector estimation method based on interference matrix reduction | |
CN109870669A (zh) | 一种二维多快拍无网格压缩波束形成声源识别方法 | |
Damiano et al. | Soundfield reconstruction in reverberant rooms based on compressive sensing and image-source models of early reflections | |
CN113593596B (zh) | 一种基于子阵划分的鲁棒自适应波束形成定向拾音方法 | |
CN111239690B (zh) | 一种用于球面传声器阵列的噪声源识别方法及相关装置 | |
Chen et al. | Sound field estimation around a rigid sphere with physics-informed neural network | |
Koyama et al. | Sound field decomposition in reverberant environment using sparse and low-rank signal models | |
Demanet et al. | Gabor wavelets on the sphere | |
Gilquin et al. | Iterative positioning of microphone arrays for acoustic imaging | |
CN113721191B (zh) | 自适应栅格化提升矩阵补全性能的信号源定位方法和系统 | |
CN113740802B (zh) | 以自适应噪声估计进行矩阵补全的信号源定位方法和系统 | |
Tang et al. | Efficient energy-based orthogonal matching pursuit algorithm for multiple sound source localization with unknown source count | |
Woźniak et al. | Self-localization of distributed microphone arrays using directional statistics with DoA estimation reliability | |
Canclini et al. | Distributed 3D source localization from 2D DOA measurements using multiple linear arrays | |
Wang et al. | Distributed Multiple Speaker Tracking Based on Unscented Particle Filter and Data Association in Microphone Array Networks | |
CN116482602B (zh) | 一种基于无线电波的无人机定位方法及定位系统 |
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 |