CN112526451B - 基于麦克风阵列成像的压缩波束形成及系统 - Google Patents
基于麦克风阵列成像的压缩波束形成及系统 Download PDFInfo
- Publication number
- CN112526451B CN112526451B CN202011179418.5A CN202011179418A CN112526451B CN 112526451 B CN112526451 B CN 112526451B CN 202011179418 A CN202011179418 A CN 202011179418A CN 112526451 B CN112526451 B CN 112526451B
- Authority
- CN
- China
- Prior art keywords
- acoustic
- sound source
- signal
- microphone array
- representing
- 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
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 58
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000006835 compression Effects 0.000 claims abstract description 16
- 238000007906 compression Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000005236 sound signal Effects 0.000 claims description 19
- 230000008447 perception Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明提供一种基于麦克风阵列成像的压缩波束形成方法及系统,其中的方法包括:根据目标声源信息和待处理麦克风阵列中各传感器的方位信息,建立声学逆问题模型;基于声学逆问题模型对声信号进行信号分割处理,并提取分割处理后的声信号的频率分量,以获取与麦克风对应的信号分量;在声学逆问题模型中引入广义最小最大凹惩罚函数,获取与信号分量对应的压缩波束形成的最优化问题;初始化最优化问题的结果向量,并迭代求解最优化问题,获取与目标声源对应的压缩波束形成结果;根据压缩波束形成结果生成与压缩波束对应的声像。利用上述发明能够在低频、低信噪比的环境下具有较好的鲁棒性,能够提高声像的空间分辨率,增强声源强度估计的准确性。
Description
技术领域
本发明涉及阵列信号处理技术领域,更为具体地,涉及一种基于麦克风阵列成像的压缩波束形成方法及系统。
背景技术
随着阵列信号处理技术的迅速发展,麦克风阵列在结构健康监测、振动噪声测试、语音定位跟踪等领域得到了广泛应用并取得了良好效果,相比于传统的单传感器声学测量手段,采用麦克风阵列能够生成声像,声像比一维声信号中包含更多有效信息,如方位、源强度等,在多源同时存在的环境下也能有效地分辨出不同的声源,而无需采用盲源分离等传统的辅助方法。波束形成是一种阵列信号处理技术,通过对阵列接收到的信号进行空域滤波,在特定方向形成虚拟波束,从而增强对该方向信号的探测能力,抑制其他方向存在的干扰信号。波束形成是麦克风阵列、雷达系统等提取待测目标信息的关键技术,通过采用合适的波束形成算法,能够使得由全向传感器组成的阵列聚焦于期望方向,进而获得被测目标的空域信息,麦克风阵列的声成像结果与所采用的波束形成方法密切相关。
传统的延时-求和波束形成方法诞生于20世纪60年代(Williams J R.Fast Beam-Forming Algorithm[J].The Journal of the Acoustical Society of America,1968,44(5):1454-1455.),该方法对事先划分的声源重建网格进行逐节点扫描,根据理想介质中声传播规律推测声源可能存在的空间位置,因此其结果准确性受到声源数量的影响,当声源数目不唯一时,求得的声源幅值会出现严重误差,且其存在空间分辨率低、旁瓣干扰强等不足。为了克服延时-求和波束形成的不足,多种自适应波束形成方法被相继提出,包括最小方差无畸变响应波束形成(Capon J.High-resolution frequency-wavenumber spectrumanalysis[J].Proceedings of the IEEE,1969,57(8):1408-1418.)、线性约束最小方差波束形成(Frost O L.An algorithm for linearly constrained adaptive arrayprocessing[J].Proceedings of the IEEE,1972,60(8):926-935.)等,虽然这些方法能够进一步提高麦克风阵列在声源辨识过程中的准确性,改善由于旁瓣存在带来的能量泄漏问题,但阵列的空间分辨率始终受到瑞利限的限制,上述传统方法均无法突破这一限制。
目前,压缩波束形成是一种近年来被广泛关注的新型波束形成策略。在许多情况下,声源的空域特征、频域特征、时频域特征等具有稀疏的结构特征,该特性提供了有效的声源先验信息,有助于对声场进行精确的重构与还原,因此通过建立扫描点与阵列中各麦克风之间的声传播模型,并施加一定的稀疏约束求解声学逆问题,就能利用有限数量的麦克风获得更多有关声源的有效信息,相比于上述传统方法,压缩波束形成能够进一步提高声像的空间分辨率,突破瑞利限的限制。根据压缩感知相关理论,稀疏约束以向量的0范数表示,在最优化问题中,以0范数作为优化目标函数的正则项能够得到更稀疏的结果,从而对应声源的稀疏结构特征。然而,0范数具有非光滑的函数特性,存在不可微区间,因此难以对带有0范数约束的声场重建问题进行直接求解。
为了克服这一问题,需要放松声学逆问题中的假设条件,对该问题进行近似求解,正交匹配追踪(专利公告号CN107247251A)和基追踪(专利公告号CN104306023A)是目前最常用的两种近似计算方法,二者在阵列压缩波束形成方面均得到了一定的应用。其中,正交匹配追踪采用贪婪算法对声场重建的逆问题进行近似求解,生成声像的准确性受到所测信号信噪比的影响,且贪婪算法十分容易陷入局部最优解,为进一步提高声像的空间分辨率带来困难,生成结果的可靠性也难以保证;基追踪是一种松弛算法,将优化问题约束表达式中具有非凸性的0范数放松为具有凸性的1范数,进而可利用凸优化算法对放松后的近似优化问题进行求解,得到原始非凸问题的近似解,受制于0范数和1范数的固有差异,由基追踪生成的声像存在对声源强度估计不足的缺陷,尤其在低频、低信噪比条件下的误差较大,难以准确重构声源的真实信息。
因此,现有的麦克风阵列压缩波束形成方法在近似求解过程中对原始非凸问题的近似程度较低,所得结果的可靠性差,导致声像的空间分辨率仍存在不足,且对声源强度的估计不够准确,不能完全满足结构健康监测、噪声源追踪等实际工程应用的需要。
发明内容
鉴于上述问题,本发明的目的是提供一种基于麦克风阵列成像的压缩波束形成方法及系统,以解决目前现有的麦克风阵列压缩波束形成方法在近似求解过程中对原始非凸问题的近似程度较低,所得结果可靠性差等问题。
本发明提供的基于麦克风阵列成像的压缩波束形成方法,包括:根据目标声源信息和待处理麦克风阵列中各传感器的方位信息,建立待处理麦克风阵列中各麦克风所接收到的声信号与目标声源信息之间的声学逆问题模型;基于声学逆问题模型对声信号进行信号分割处理,并提取分割处理后的声信号的频率分量,以获取与麦克风对应的信号分量;在声学逆问题模型中引入广义最小最大凹惩罚函数,获取与信号分量对应的压缩波束形成的最优化问题;初始化最优化问题的结果向量,并迭代求解最优化问题,直至最优化问题收敛在预设范围内,获取与目标声源对应的压缩波束形成结果;根据压缩波束形成结果生成与压缩波束对应的声像。
此外,优选的技术方案是,声学逆问题模型的建立过程包括:根据目标声源信息确定与目标声源信息对应的预期声源位置;根据预期声源位置确定重建平面,并将重建平面划分为第一预设个数的声源重建网格点;根据传感器的方位信息确定待处理麦克风阵列中各麦克风的方位信息,并获取位于声源重建网格点处的麦克风所接收到的声信号;基于声信号与目标声源之间的位置关系,在频域建立声信号与目标声源之间的声学逆问题模型。
此外,优选的技术方案是,获取与麦克风对应的信号分量的过程包括:设定快拍长度和信号交叠分割率;基于快拍长度和信号交叠分割率对声信号进行分段处理,分段后的声信号表示为P=[P1,P2,...PK],其中K表示声信号的分段数量,Pk表示分段后的声信号;通过快速傅里叶变换将分段处理后的声信号由时域转换至频域,并提取与预设目标频率相关的信号分量;其中,目标频率信号分量表示为pk。
此外,优选的技术方案是,声信号的表达公式为:
其中,rsj(j=1,2,...,N)表示重建网格点的坐标,N表示重建网格点的个数,ri(i=1,2,...,M)表示麦克风的坐标,M表示麦克风阵列中麦克风的个数,qj表示目标声源的强度,表示目标声源的波数,c表示声速,ωjt表示角速度与时间乘积,/>表示虚数单位。
此外,优选的技术方案是,声学逆问题模型的表达公式为:
pk=Gqk+nk
其中,pk(k=1,2,3…,K)表示分段处理后提取的与所述预设目标频率相关的声信号分量,k表示所述声信号的分段数量,pk=[pk1(f),pk2(f),...,pkM(f)]T,qk表示目标声源,qk=[qk1(f),qk2(f),...,qkN(f)]T,nk表示噪声向量,G表示感知矩阵,G的表达式如下所示:
其中,rsj(j=1,2,...,N)表示重建网格点的坐标,N表示重建网格点的个数,ri(i=1,2,...,M)表示麦克风的坐标,M表示麦克风阵列中麦克风的个数,qj表示目标声源的强度,表示目标声源的波数,c表示声速,ωjt表示角速度与时间乘积,/>表示虚数单位。
此外,优选的技术方案是,最优化问题的表达公式为:
其中,ψB(qk)表示广义最小最大凹惩罚函数,ψB(qk)=||qk||1-SB(qk),表示广义Huber函数,B和v表示Huber函数的参数,λ表示正则化参数,pk=[pk1(f),pk2(f),...,pkM(f)]T,qk表示目标声源,qk=[qk1(f),qk2(f),...qkN(f)]T,G表示感知矩阵。
此外,优选的技术方案是,初始化最优化问题的结果向量的过程包括:构建矩阵并选择正则化参数λ>0和凸性平衡参数0≤γ≤1,使得GTG-λBTB矩阵为半正定矩阵,其中G表示感知矩阵;由感知矩阵G计算步长常数/>根据步长常数确定迭代步长/>初始化结果变量/>初始化相邻迭代步间的相对误差/>初始化计数变量l=0,并设定迭代收敛条件。
此外,优选的技术方案是,迭代求解最优化问题的过程包括:获取最优化问题的中间变量;基于中间变量更新结果变量;获取相邻迭代步间的相对误差,并重复执行中间变量和结果变量的获取及变更过程,直至相对误差小于预设值,完成分段处理后的一段声信号的压缩波束形成问题求解。
此外,优选的技术方案是,迭代求解分段处理后的所有声信号的最优化问题;基于分段处理后的所有声信号的最优化问题,获取与目标声源对应的强度信息;基于强度信息生成与压缩波束对应的声像结果。
根据本发明的另一方面,提供一种基于麦克风阵列成像的压缩波束形成系统,包括:声学逆问题模型建立单元,用于根据目标声源信息和待处理麦克风阵列中各传感器的方位信息,建立待处理麦克风阵列中各麦克风所接收到的声信号与目标声源信息之间的声学逆问题模型;信号分量获取单元,用于基于声学逆问题模型对声信号进行信号分割处理,并提取分割处理后的声信号的频率分量,获取与麦克风对应的信号分量;最优化问题获取单元,用于在声学逆问题模型中引入广义最小最大凹惩罚函数,获取与信号分量对应的压缩波束形成的最优化问题;结果生成单元,用于初始化最优化问题的结果向量,并迭代求解最优化问题,直至最优化问题收敛在预设范围内,获取与目标声源对应的压缩波束形成结果;声像生成单元,用于根据压缩波束形成结果生成与压缩波束对应的声像。
利用上述基于麦克风阵列成像的压缩波束形成方法及系统,采用广义最小最大凹惩罚函数施加稀疏约束,对于原始声学逆问题的近似程度更高,从而能够得到更高的空间分辨率,在低频、低信噪比环境下的鲁棒性好,保留了惩罚函数的非凸性,在凹凸性质上与原始声学逆问题中的稀疏约束保持一致,对结果向量中声源幅值的估计更准确,优化问题的求解过程更容易实现。
为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的基于麦克风阵列成像的压缩波束形成方法的流程图;
图2为根据本发明实施例的目标声源的幅值误差与现有技术的对比图。
图3为根据本发明实施例的距离为0.1m的两个目标声源成像的结果图;
图4为根据现有技术对距离为0.1m的两个目标声源成像的结果图;
图5为根据本发明实施例的基于麦克风阵列成像的压缩波束形成系统的逻辑框图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中,为了便于描述一个或多个实施例,公知的结构和设备以方框图的形式示出。
为详细描述本发明实施例的基于麦克风阵列成像的压缩波束形成方法及系统,以下将结合附图对本发明的具体实施例进行详细描述。
图1示出了根据本发明实施例的基于麦克风阵列成像的压缩波束形成方法的流程。
如图1所示,本发明实施例的基于麦克风阵列成像的压缩波束形成方法主要包括以下步骤:
S110:根据目标声源信息和待处理麦克风阵列中各传感器的方位信息,建立待处理麦克风阵列中各麦克风所接收到的声信号与目标声源信息之间的声学逆问题模型。
具体地,声学逆问题模型的建立过程进一步包括:
步骤一:根据目标声源信息确定与目标声源信息对应的预期声源位置;
步骤二:根据预期声源位置确定重建平面,并将重建平面划分为第一预设个数的声源重建网格点;
步骤三:根据传感器的方位信息确定待处理麦克风阵列中各麦克风的方位信息,并获取位于声源重建网格点处的麦克风所接收到的声信号;
步骤四:基于声信号与目标声源之间的位置关系,在频域建立声信号与目标声源之间的声学逆问题模型。
其中,可根据目标声源的频率、预期位置和麦克风阵列中各麦克风的传感器的位置,基于导向量构建感知矩阵,进而建立麦克风接收信号p和目标声源q之间的声学逆向问题模型。
具体地,声信号的表达公式为:
其中,rsj(j=1,2,...,N)表示重建网格点的坐标,N表示重建网格点的个数,ri(i=1,2,...,M)表示麦克风的坐标,M表示麦克风阵列中麦克风的个数,qj表示目标声源的强度,表示目标声源的波数,c表示声速,ωjt表示角速度与时间乘积,/>表示虚数单位。
对应的声学逆问题模型的表达公式为:
pk=Gqk+nk
其中,pk(k=1,2,3…,K)表示分段处理后提取的与所述预设目标频率相关的声信号分量,k表示所述声信号的分段数量,pk=[pk1(f),pk2(f),...,pkM(f)]T,qk表示目标声源,qk=[qk1(f),qk2(f),...,qkN(f)]T,nk表示噪声向量,G表示感知矩阵,G的表达式如下所示:
其中,rsj(j=1,2,...,N)表示重建网格点的坐标,N表示重建网格点的个数,ri(i=1,2,...,M)表示麦克风的坐标,M表示麦克风阵列中麦克风的个数,qj表示目标声源的强度,表示目标声源的波数,c表示声速,ωjt表示角速度与时间乘积,/>表示虚数单位。
S120:基于声学逆问题模型对声信号进行信号分割处理,并提取分割处理后的声信号的频率分量,以获取与麦克风对应的信号分量。
其中,获取与麦克风对应的信号分量的过程包括:
步骤一:设定快拍长度和信号交叠分割率;基于快拍长度和信号交叠分割率对声信号进行分段处理;
步骤二:通过快速傅里叶变换将分段处理后的声信号由时域转换至频域,并提取与预设目标频率相关的信号分量pk(k=1,2,...,K)。
S130:在声学逆问题模型中引入广义最小最大凹惩罚函数,获取与信号分量对应的压缩波束形成的最优化问题。
其中,最优化问题的表达公式为:
其中,ψB(qk)表示广义最小最大凹惩罚函数,ψB(qk)=||qk||1-SB(qk),表示广义Huber函数,B和v表示Huber函数的参数,λ表示正则化参数,pk=[pk1(f),pk2(f),...,pkM(f)]T,q表示目标声源,qk=[qk1(f),qk2(f),...qkN(f)]T,G表示感知矩阵。
S140:初始化最优化问题的结果向量,并迭代求解最优化问题,直至最优化问题收敛在预设范围内,获取与目标声源对应的压缩波束形成结果。
S150:根据压缩波束形成结果,生成与压缩波束对应的声像。
具体地,初始化最优化问题的结果向量的过程包括:构建矩阵并选择正则化参数λ>0和凸性平衡参数0≤γ≤1,使得GTG-λBTB矩阵为半正定矩阵,其中G表示感知矩阵;由感知矩阵G计算步长常数/>根据步长常数确定迭代步长初始化结果变量/>初始化相邻迭代步间的相对误差/>初始化计数变量l=0,并设定迭代收敛条件进行参数求解。
另外,迭代求解最优化问题的参数的过程包括:获取最优化问题的中间变量;基于中间变量更新结果变量;获取相邻迭代步间的相对误差,并重复执行中间变量和结果变量的获取及变更过程,直至相对误差小于预设值,完成分段处理后的一段声信号的最优化问题。然后,迭代求解分段处理后的所有声信号的最优化问题;基于分段处理后的所有声信号的最优化问题,获取与目标声源对应的压缩波束形成结果或声源强度信息;基于压缩波束形成结果生成与压缩波束对应的声像结果。
具体地,(1)计算中间变量:
(2)更新结果变量:
其中,表示软阈值函数。
(3)计算相邻迭代步间的相对误差如果/>则返回步骤(1)并循环执行上述各步骤,否则停止当前待待,并保存当前结果/>并进入下一段声信号的求解计算。
其中,10-4表示相对误差的预设值,该预设值可根据需求进行设定。
(4)直至所有声信号均计算完毕,输出压缩波束形成的结果Q=[q1,q2,...,qK],并据此生成与所述目标声源信号对应的声像。
在本发明的一个具体实施方式中,设定第一仿真条件:麦克风阵列为均匀圆阵,共包含56个全向麦克风,两个频率为3000Hz的目标声源相距0.3m,且声源平面距离阵列平面距离为0.5米,在距离阵列平面0.5m处建立尺寸为0.4m×0.4m的声源重建平面声源重建平面,均匀划分为1681个重建网格点,为麦克风阵列接收到的信号添加高斯白噪声,信噪比为15dB。
针对上述第一仿真条件,利用本发明的基于麦克风阵列成像的压缩波束形成方法进行处理后的仿真结果,以及采用现有技术进行处理后的结果对比如图2所示。
具体地,在图2中实线表示根据本发明基于麦克风阵列成像的压缩波束形成方法在迭代求解过程中声像幅值误差的变化情况,五角星代表满足收敛条件的迭代步,虚线和点划线分别表示延时-求和波束形成、基追踪压缩波束形成所得声像的幅值误差,分别以CB和IR-CS表示,横坐标为迭代次数,纵坐标为声像的幅值误差指标(magnitude errorindex,MEI),用以描述对目标声源强度的估计准确性,其定义为:
其中qactual是目标声源的真实强度,qcomputed是波束形成结果构成的声像中声源的强度,q(i)是向量q的第i个元素,S是声源总数。
从图2中可以看出,本发明最终得到的声像幅值误差小于延时-求和波束形成、基追踪压缩波束形成所得结果的幅值误差,说明本发明能够改善现有压缩波束形成方法对声源强度估计不足的问题,提高麦克风阵列声成像的准确性,对结果向量中声源幅值的估计更准确。另外,在频率和信噪比均较低的条件下本发明也能保证声成像的准确性,且能够以较快的速度收敛,体现了低频、低信噪比环境下本发明的鲁棒性。
在本发明的另一具体实施方式中,设定第二仿真条件:麦克风阵列为均匀圆阵,共包含56个全向麦克风,两个频率为3000Hz的声源相距0.1m,且声源平面距离阵列平面距离为0.5米,在距离阵列平面0.5m处建立尺寸为0.4m×0.4m的声源重建平面,均匀划分为1681个重建网格点,为麦克风阵列接收到的信号添加高斯白噪声,信噪比为15dB。
对应上述第二仿真条件,利用本发明的基于麦克风阵列成像的压缩波束形成方法的仿真结果如图3(距离为0.1m的两个目标声源成像的结果图)所示,采用基追踪压缩波束形成得到的声像结果如图4所示,其中的矩形框为声源真实位置,声压级(sound pressurelevel,SPL)定义为:
其中,p为待测声压,pref=2×10-5Pa为参考声压。
为了便于对结果进行对比,声像中小于最大幅值10dB的结果被忽略,从图3和图4中可以看出,在声源距离缩小到0.1m的条件下,本发明仍然能准确定位到声源所在的位置,并区分出了两个声源的存在,而在同样的仿真条件下,基追踪压缩波束形成已无法定位到声源的真实位置,并在其他位置产生了若干错误结果,说明本发明与现有技术相比,使得麦克风阵列声成像的空间分辨率进一步提高。
与上述基于麦克风阵列成像的压缩波束形成方法相对应,本发明还提供一种基于麦克风阵列成像的压缩波束形成系统。
具体地,图5示出了根据本发明实施例的基于麦克风阵列成像的压缩波束形成系统的逻辑图。
如图5所示,本发明实施例的基于麦克风阵列成像的压缩波束形成系统100包括以下单元:
声学逆问题模型建立单元101,用于根据目标声源信息和待处理麦克风阵列中各传感器的方位信息,建立待处理麦克风阵列中各麦克风所接收到的声信号与目标声源信息之间的声学逆问题模型;
信号分量获取单元102,用于基于声学逆问题模型对声信号进行信号分割处理,提取分割处理后的声信号的频率分量,获取与麦克风对应的信号分量;
最优化问题获取单元103,用于在声学逆问题模型中引入广义最小最大凹惩罚函数,获取与信号分量对应的压缩波束形成的最优化问题;
结果生成单元104,用于初始化最优化问题的结果向量,并迭代求解最优化问题,直至最优化问题收敛在预设范围内,获取与目标声源对应的压缩波束形成结果;
声像生成单元105,用于根据压缩波束形成结果生成与压缩波束对应的声像。
需要说明的是,基于麦克风阵列成像的压缩波束形成系统的实施例可参考方法实施例中的描述,此处不再一一赘述。
利用上述本发明提供的基于麦克风阵列成像的压缩波束形成方法及系统,具有以下优点:
1、采用广义最小最大凹惩罚函数施加稀疏约束,对于原始声学逆问题的近似程度更高,从而能够得到更高的空间分辨率,在低频、低信噪比的环境下的鲁棒性好;
2、保留了惩罚函数的非凸性,在凹凸性质上与原始声学逆问题中的稀疏约束保持一致,对结果向量中声源幅值的估计更准确;
3、能够通过合理选择求解参数保证优化目标函数的凸性,优化问题的求解过程更容易实现,能够避免陷入局部最优解。
如上参照附图以示例的方式描述根据本发明的基于麦克风阵列成像的压缩波束形成方法及系统。但是,本领域技术人员应当理解,对于上述本发明所提出的基于麦克风阵列成像的压缩波束形成方法及系统,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (9)
1.一种基于麦克风阵列成像的压缩波束形成方法,其特征在于,包括:
根据目标声源信息和待处理麦克风阵列中各传感器的方位信息,建立所述待处理麦克风阵列中各麦克风所接收到的声信号与所述目标声源信息之间的声学逆问题模型;
基于所述声学逆问题模型对所述声信号进行信号分段处理,并提取分段处理后的声信号的频率分量,以获取与所述麦克风对应的信号分量;
在所述声学逆问题模型中引入广义最小最大凹惩罚函数,获取与所述信号分量对应的压缩波束形成的最优化问题;
初始化所述最优化问题的结果向量,并迭代求解所述最优化问题,直至所述最优化问题收敛在预设范围内,获取与所述目标声源对应的压缩波束形成结果;
根据所述压缩波束形成结果生成与所述压缩波束对应的声像;
所述声学逆问题模型的建立过程包括:
根据所述目标声源信息确定与所述目标声源信息对应的预期声源位置;
根据预期声源位置确定重建平面,并将所述重建平面划分为第一预设个数的声源重建网格点;
其中,所述最优化问题的表达公式为:
其中,ψB(qk)表示所述广义最小最大凹惩罚函数,ψB(qk)=||qk||1-SB(qk),表示广义Huber函数,B和v表示所述Huber函数的参数,pk,k=1,2,3…,K表示分段处理后提取的与预设目标频率相关的声信号分量,K表示所述声信号的分段数量,vk表示第k段声信号的Huber函数的参数,λ表示正则化参数,pk=[pk1(f),pk2(f),...,pkM(f)]T,qk表示所述目标声源,qk=[qk1(f),qk2(f),...,qkN(f)]T,N表示重建网格点的个数,M表示所述麦克风阵列中麦克风的个数,G表示感知矩阵。
2.如权利要求1所述的基于麦克风阵列成像的压缩波束形成方法,其特征在于,所述声学逆问题模型的建立过程还包括:
根据所述传感器的方位信息确定所述待处理麦克风阵列中各麦克风的方位信息,并获取所述各麦克风接收到的声信号;
基于所述声信号与所述目标声源之间的位置关系,在频域建立所述声信号与所述目标声源之间的声学逆问题模型。
3.如权利要求2所述的基于麦克风阵列成像的压缩波束形成方法,其特征在于,所述获取与所述麦克风对应的信号分量的过程包括:
设定快拍长度和信号交叠分割率;
基于所述快拍长度和所述信号交叠分割率对所述声信号进行分段处理,分段后的声信号表示为P=[P1,P2,...PK],其中K表示所述声信号的分段数量,Pk表示分段后的声信号;
通过快速傅里叶变换将分段处理后的声信号由时域转换至频域,并提取与预设目标频率相关的信号分量;其中,所述信号分量表示为pk。
4.如权利要求2所述的基于麦克风阵列成像的压缩波束形成方法,其特征在于,所述声信号的表达公式为:
其中,rsj,j=1,2,...,N表示所述重建网格点的坐标,N表示所述重建网格点的个数,ri,i=1,2,...,M表示所述麦克风的坐标,M表示所述麦克风阵列中麦克风的个数,qj表示所述目标声源的强度,表示所述目标声源的波数,c表示声速,ωjt表示角速度与时间乘积,/>表示虚数单位。
5.如权利要求3所述的基于麦克风阵列成像的压缩波束形成方法,其特征在于,所述声学逆问题模型的表达公式为:
pk=Gqk+nk
其中,pk,k=1,2,3…,K表示所述分段处理后提取的与所述预设目标频率相关的声信号分量,K表示所述声信号的分段数量,pk=[pk1(f),pk2(f),...,pkM(f)]T,qk表示所述目标声源,qk=[qk1(f),qk2(f),...,qkN(f)]T,nk表示噪声向量,G表示感知矩阵,G的表达式如下所示:
其中,rsj,j=1,2,...,N表示所述重建网格点的坐标,N表示所述重建网格点的个数,ri,i=1,2,...,M表示所述麦克风的坐标,M表示所述麦克风阵列中麦克风的个数,qj表示所述目标声源的强度,表示所述目标声源的波数,c表示声速,ωjt表示角速度与时间乘积,/>表示虚数单位。
6.如权利要求3所述的基于麦克风阵列成像的压缩波束形成方法,其特征在于,所述初始化所述最优化问题的结果向量的过程包括:
构建矩阵并选择正则化参数λ>0和凸性平衡参数0≤γ≤1,使得GTG-λBTB矩阵为半正定矩阵,其中G表示感知矩阵;
由所述感知矩阵G计算步长常数根据所述步长常数确定迭代步长/>
初始化所述结果变量初始化相邻迭代步间的相对误差初始化计数变量l=0,并设定迭代收敛条件。
7.如权利要求6所述的基于麦克风阵列成像的压缩波束形成方法,其特征在于,所述迭代求解所述最优化问题的过程包括:
获取所述最优化问题的中间变量;
基于所述中间变量更新所述结果变量;
获取相邻迭代步间的相对误差,并重复执行所述中间变量和所述结果变量的获取及变更过程,直至所述相对误差小于预设值,完成所述分段处理后的一段声信号的压缩波束形成问题求解。
8.如权利要求7所述的基于麦克风阵列成像的压缩波束形成方法,其特征在于,
迭代求解所述分段处理后的所有声信号的最优化问题;
基于所述分段处理后的所有声信号的最优化问题,获取与所述目标声源对应的强度信息;
基于所述强度信息生成与所述压缩波束对应的声像结果。
9.一种基于麦克风阵列成像的压缩波束形成系统,其特征在于,包括:
声学逆问题模型建立单元,用于根据目标声源信息和待处理麦克风阵列中各传感器的方位信息,建立所述待处理麦克风阵列中各麦克风所接收到的声信号与所述目标声源信息之间的声学逆问题模型;
信号分量获取单元,用于基于所述声学逆问题模型对所述声信号进行信号分段处理,并提取分段处理后的声信号的频率分量,以获取与所述麦克风对应的信号分量;
最优化问题获取单元,用于在所述声学逆问题模型中引入广义最小最大凹惩罚函数,获取与所述信号分量对应的压缩波束形成的最优化问题;
结果生成单元,用于初始化所述最优化问题的结果向量,并迭代求解所述最优化问题,直至所述最优化问题收敛在预设范围内,获取与所述目标声源对应的压缩波束形成结果;
声像生成单元,用于根据所述压缩波束形成结果生成与所述压缩波束对应的声像;
所述声学逆问题模型的建立过程包括:
根据所述目标声源信息确定与所述目标声源信息对应的预期声源位置;
根据预期声源位置确定重建平面,并将所述重建平面划分为第一预设个数的声源重建网格点;
其中,所述最优化问题的表达公式为:
其中,ψB(qk)表示所述广义最小最大凹惩罚函数,ψB(qk)=||qk||1-SB(qk),表示广义Huber函数,B和v表示所述Huber函数的参数,pk,k=1,2,3…,K表示分段处理后提取的与预设目标频率相关的声信号分量,K表示所述声信号的分段数量,vk表示第k段声信号的Huber函数的参数,λ表示正则化参数,N表示重建网格点的个数,M表示所述麦克风阵列中麦克风的个数,pk=[pk1(f),pk2(f),...,pkM(f)]T,qk表示所述目标声源,qk=[qk1(f),qk2(f),...,qkN(f)]T,G表示感知矩阵。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179418.5A CN112526451B (zh) | 2020-10-29 | 2020-10-29 | 基于麦克风阵列成像的压缩波束形成及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179418.5A CN112526451B (zh) | 2020-10-29 | 2020-10-29 | 基于麦克风阵列成像的压缩波束形成及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112526451A CN112526451A (zh) | 2021-03-19 |
CN112526451B true CN112526451B (zh) | 2024-04-19 |
Family
ID=74979105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011179418.5A Active CN112526451B (zh) | 2020-10-29 | 2020-10-29 | 基于麦克风阵列成像的压缩波束形成及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112526451B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238189B (zh) * | 2021-05-24 | 2023-03-10 | 清华大学 | 基于阵列测量和稀疏先验信息的声源辨识方法、系统 |
CN113409814B (zh) * | 2021-06-02 | 2022-09-20 | 国家石油天然气管网集团有限公司西气东输分公司 | 一种天然气站场设备运行智能监测方法及系统 |
CN113598785B (zh) * | 2021-08-31 | 2022-02-18 | 山东省人工智能研究院 | 基于小波域稀疏特性的心电信号去噪方法 |
CN115267673B (zh) * | 2022-03-07 | 2024-05-07 | 清华大学 | 考虑重建网格偏移的稀疏声源成像方法、系统 |
CN115278496A (zh) * | 2022-03-07 | 2022-11-01 | 清华大学 | 用于麦克风阵列测量的稀疏声源辨识方法、系统 |
CN114325584B (zh) * | 2022-03-14 | 2022-06-24 | 杭州兆华电子股份有限公司 | 基于合成孔径的多阵元超声波声源三维成像方法及系统 |
CN114779203B (zh) * | 2022-06-20 | 2022-09-09 | 中国电子科技集团公司第五十四研究所 | 广域随机稀布阵空域扫描能量信息匹配的目标定位方法 |
CN116989888B (zh) * | 2023-09-27 | 2024-03-12 | 之江实验室 | 声成像方法、装置、计算机设备和存储介质 |
CN117825898B (zh) * | 2024-03-04 | 2024-06-11 | 国网浙江省电力有限公司电力科学研究院 | 一种gis分布式振声联合监测方法、装置及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017059956A (ja) * | 2015-09-15 | 2017-03-23 | 国立大学法人東北大学 | 音源抽出システム及び音源抽出方法 |
CN107247251A (zh) * | 2017-06-20 | 2017-10-13 | 西北工业大学 | 基于压缩感知的三维声源定位方法 |
-
2020
- 2020-10-29 CN CN202011179418.5A patent/CN112526451B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017059956A (ja) * | 2015-09-15 | 2017-03-23 | 国立大学法人東北大学 | 音源抽出システム及び音源抽出方法 |
CN107247251A (zh) * | 2017-06-20 | 2017-10-13 | 西北工业大学 | 基于压缩感知的三维声源定位方法 |
Non-Patent Citations (2)
Title |
---|
Sparse Regularization via Convex Analysis;Ivan Selesnick;《IEEE Transactions on Signal Processing》;第65卷(第17期);第4481-4494页 * |
压缩波束形成声源识别的改进研究;张晋源等;《振动与冲击》;第38卷(第1期);第195-199页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112526451A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112526451B (zh) | 基于麦克风阵列成像的压缩波束形成及系统 | |
CN109283536B (zh) | 一种多波束测深声呐水体成像波束形成方法 | |
CN104166804B (zh) | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 | |
CN109633538B (zh) | 非均匀采样系统的最大似然时差估计方法 | |
CN110109058A (zh) | 一种平面阵列反卷积声源识别方法 | |
CN105609113A (zh) | 基于双谱加权空间相关矩阵的语音声源定位方法 | |
CN106569191A (zh) | 一种利用高分辨率成像获取目标rcs的方法 | |
CN110687528B (zh) | 自适应波束形成器生成方法及系统 | |
CN109343003B (zh) | 一种快速迭代收缩波束形成声源识别方法 | |
CN109600152A (zh) | 一种基于子空间基变换的自适应波束形成方法 | |
CN113064147A (zh) | 一种低信噪比下新型匹配场被动定位方法 | |
CN114578289B (zh) | 一种高分辨率谱估计声阵列成像方法 | |
CN115278496A (zh) | 用于麦克风阵列测量的稀疏声源辨识方法、系统 | |
CN111175727B (zh) | 一种基于条件波数谱密度的宽带信号方位估计的方法 | |
CN113671473B (zh) | 基于环境约束和黎曼距离的联合匹配场定位方法及系统 | |
CN104407319A (zh) | 阵列信号的目标源测向方法和系统 | |
Lobato et al. | Deconvolution with neural grid compression: A method to accurately and quickly process beamforming results | |
CN113866718A (zh) | 一种基于互质阵的匹配场被动定位方法 | |
CN117451055A (zh) | 一种基于基追踪降噪的水下传感器定位方法和系统 | |
CN111859241B (zh) | 一种基于声传递函数学习的非监督声源定向方法 | |
CN113381793B (zh) | 一种面向相干信源估计的无网格波达方向估计方法 | |
Mason et al. | Passive synthetic aperture radar imaging based on low-rank matrix recovery | |
CN115236586A (zh) | 一种基于数据预处理的极地冰下doa估计方法 | |
CN113126030A (zh) | 基于宽带声场干涉结构的深海直达声区目标深度估计方法 | |
CN112816940B (zh) | 一种基于声压及质点振速的目标距离估计方法及装置 |
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 |