CN113238189A - 基于阵列测量和稀疏先验信息的声源辨识方法、系统 - Google Patents
基于阵列测量和稀疏先验信息的声源辨识方法、系统 Download PDFInfo
- Publication number
- CN113238189A CN113238189A CN202110564464.5A CN202110564464A CN113238189A CN 113238189 A CN113238189 A CN 113238189A CN 202110564464 A CN202110564464 A CN 202110564464A CN 113238189 A CN113238189 A CN 113238189A
- Authority
- CN
- China
- Prior art keywords
- sound source
- sound
- source identification
- iteration
- solution vector
- 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
- G06F17/16—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
本发明提供一种基于阵列测量和稀疏先验信息的声源辨识方法,采用广义最小最大凹惩罚函数对声源重构误差施加稀疏约束,根据常规波束形成方法产生的基本声像确定潜在声源的位置信息,并通过特定的方式生成包含声源位置先验信息的初始解向量,相比于广泛使用的随机初值和零初值,提高了基于广义最小最大凹惩罚函数的声场重建方法的计算效率;并且在获取高分辨声像过程中,采用通过近端梯度加速和自适应步长回溯策略提高迭代收敛速度,自适应选择能够满足收敛性的最佳步长,更快速地完成声场重建的过程,从而有助于利用麦克风阵列实现高分辨率、高效的声源辨识。
Description
技术领域
本发明涉及信号处理技术领域,更为具体地,涉及一种基于阵列测量和稀疏先验信息的声源辨识方法。
背景技术
声源广泛存在于生活、生产等多种场景中,如气密性不足的汽车在行驶过程中会在驾驶室产生异响,机器运行过程中由于不同部件之间的配合与运动会产生机械噪声,这些声音经过传播后通过人耳能够在多个方位被听到,却难以直接定位声源所在的位置。如果能够实现对声音来源的空间定位和强度估计,就能够确定异响、噪声等声音的出现位置和产生机理,从而为改善装备设计方案提供参考。另外,机械装备工作期间的各类声音能够反映其运行状态,因此通过辨识声源并提取声信号特征,也能够为机械装备的结构健康监测和故障诊断提供关键信息。
麦克风阵列是实现声源辨识的重要装置,相比于传统的单测点声信号采集,麦克风阵列能够获取声信号的空域信息,通过重建声场分布或形成虚拟波束等方式,增强对特定方向信号的获取能力,抑制其他方向信号带来的干扰,实现空域滤波和声音的定向采集,通过使用麦克风阵列和合适的声源辨识算法,能够通过可视化的方式识别声源,从而定位声源位置,确定声源强度。
目前用于麦克风阵列声源辨识的计算方法主要可分为三类:基于延时-求和的常规波束形成方法、基于统计特性的自适应波束形成方法、基于声学逆问题的声场重建方法;其中,基于延时-求和的常规波束形成方法仅考虑声源与麦克风之间的空间位置关系,可以在时域或频域进行,计算速度快,鲁棒性好,但由于旁瓣干扰无法被完全抑制,且主瓣宽度受到阵列尺寸、麦克风数量、麦克风位置等因素的限制,所得结果的准确性较差,多用于对结果精度要求不高的场合;基于统计特性的自适应波束形成方法根据接收到的信号自适应确定各麦克风的权重,从而实现对特定噪声的抑制和旁瓣控制,根据所选统计量的不同,可分为最小方差无畸变响应波束形成方法(CN201410317216)、线性约束最小方差波束形成方法(CN201611150238)等,该种方法通过求解特定的最优化问题来保证目标统计量达到最优,从而抑制噪声和旁瓣对波束形成结果的干扰,但是其空间分辨率受到瑞利准则的限制,且不适用于对多个声源的强度估计;基于声学逆问题的声场重建方法以声传播模型为基础,通过施加结果稀疏性约束条件求解欠定的最优化问题,从而能够突破瑞利准则的限制,以较少的麦克风数量和数据量实现超分辨率的声源辨识(CN201710493279、CN201410578704),而根据压缩感知相关理论,稀疏约束可以通过向量的0范数进行表示,因此施加稀疏约束意味着在问题的可行域内最小化结果向量的0范数,这一类优化问题也可以写成目标函数和惩罚函数加权求和的形式。在现有的基于声学逆问题重构声场的声源辨识方法中,稀疏约束是通过1范数或贪婪算法实施的,因为1范数和0范数之间存在固有差异,且贪婪算法无法保证结果是全局最优解,因此这些方法只能近似表示稀疏约束的作用,进而使得声源辨识问题仅能被近似求解,声源辨识结果的可靠性难以保证。
因此,亟需一种在增强声源辨识结果分辨率的同时提升计算效率,相比于常规波束形成方法得到的结果更加准确,相比于直接采用基于广义最小最大凹惩罚函数重建声场的计算效率更高的基于阵列测量和稀疏先验信息的声源辨识方法。
发明内容
鉴于上述问题,本发明的目的是提供一种基于阵列测量和稀疏先验信息的声源辨识方法,以克服基于常规波束形成方法所得结果空间分辨率不足、基于广义最小最大凹惩罚的声场重建方法计算效率低的问题。
本发明提供的一种基于阵列测量和稀疏先验信息的声源辨识方法,其中,包括:
根据目标声源的性质和麦克风阵列中阵元的位置信息建立声源辨识问题模型,并基于所述声源辨识问题模型获取基本声像;
提取所述基本声像中的峰值,根据所述峰值的坐标获取潜在声源的解向量的位置索引信息;
根据所述位置索引信息确定所述解向量中支撑集的数量及分布规律,并根据所述支撑集的数量及分布规律建立关于声场重建的初始解向量x(0);
通过近端梯度迭代基于所述初始解向量x(0)获取最优解,根据所述最优解生成高分辨声像以完成声源辨识。
优选地,根据目标声源的性质和麦克风阵列中阵元的位置信息建立声源辨识问题模型的过程,包括:
将确定的重建平面划分为重建网格点,并获取预先设定的重建声源的声源频率;
基于所述重建网格点与所述声源频率计算麦克风阵列中阵列坐标对应的声信号的频域;
根据所述麦克风阵列与所述重建声源之间的关系建立所述麦克风阵列所接收的声信号向量与所述重建声源的声源强度向量之间的声源辨识问题模型。
优选地,基于所述声源辨识问题模型获取基本声像的过程包括:
根据能量最小原理采用波束形成法对所述声源辨识问题模型中关于所述目标声源的声源信息进行求解以得到基本声像。
优选地,提取所述基本声像中的峰值,根据所述峰值的坐标获取潜在声源的解向量的位置索引信息的过程,包括:
计算所述基本声像中所包括的元素的均值,并将所述均值小于预设值的元素置零以形成有效声像;
对所述有效声像进行二维卷积运算以获取滤波声像;
对所述滤波声像进行遍历排序以形成排序列表,并按照预数量在所述排序列表中选择潜在声源的位置向量以形成关于声源辨识中解向量的位置索引信息。
优选地,在建立关于声场重建的初始解向量x(0)的过程中,包括:
所述初始解向量x(0)包括与所述位置向量相对应的位置元素和其他元素,其中,
所述位置元素的数字随机产生,所述其他元素为0。
优选地,在通过近端梯度迭代基于所述初始解向量x(0)获取最优解以获取高分辨声像完成声源辨识之前,还包括:
构建带有最小最大凹惩罚约束声学逆问题;其中,所述最优解为所述逆问题的解。
优选地,通过近端梯度迭代基于所述初始解向量x(0)获取最优解以获取高分辨声像完成声源辨识之前,还包括:
建立关于广义Huber函数的稀疏正则化声场重建最优问题模型;
优选地,通过近端梯度迭代基于所述初始解向量x(0)获取最优解以获取高分辨声像完成声源辨识的过程,包括:
基于所述初始解向量x(0)初始化所述Huber函数中的迭代计数变量k,和基于所述迭代技术变量变化的辅助变量;
基于所述迭代计数变量k、所述辅助变量依次进行近端梯度迭代以获取解向量x(k),并计算在所述迭代计数变量下的相邻迭代步间相对误差,直至所述相邻迭代步间相对误差小于预设的相邻迭代误差阈值,则停止迭代,并将所述解向量x(k)作为最优解;
根据所述最优解生成高分辨声像以完成声源辨识。
优选地,基于所述迭代计数变量k、所述辅助变量依次进行近端梯度迭代以获取解向量x(k)的过程,包括:
基于所述初始解向量x(0)预创建初始步长和步长调整计数变量;
使所述迭代计数变量k由零开始依次递增,伴随所述迭代计数变量k的递增更新所述辅助变量,并计算在所述迭代计数变量k下的外推点数值;
与所述迭代计数变量k同步基于所述初始化步长进行步长参数更新以形成新型步长参数;
根据所述辅助变量、所述相邻迭代的相对误差、所述新型步长参数更新优化目标变量,并获取关于声场重建的解向量x(k);
基于所述解向量x(k)计算步长评价标准;其中,若不满足预设条件,则根据所述步长参数调整步长,更新所述步长调整计数变量,并再次更新优化目标变量以获取更新后的解向量x(k);若满足预设条件,则记录当前的步长,保存所述解向量x(k)。
本发明还提供一种基于阵列测量和稀疏先验信息的声源辨识系统,实现前述的基于阵列测量和稀疏先验信息的声源辨识方法,包括:
基本声像生成模块,用于根据目标声源的性质和麦克风阵列中阵元的位置信息建立声源辨识问题模型,并基于所述声源辨识问题模型获取基本声像;
位置索引模块,用于提取所述基本声像中的峰值,根据所述峰值的坐标获取潜在声源的解向量的位置索引信息;
初始求解模块,用于根据所述位置索引信息确定所述解向量中支撑集的数量及分布规律,并根据所述支撑集的数量及分布规律建立关于声场重建的初始解向量x(0);
最优求解模块,用于通过近端梯度迭代基于所述初始解向量x(0)获取最优解,根据所述最优解生成高分辨声像以完成声源辨识。
从上面的描述可知,本发明提供的基于阵列测量和稀疏先验信息的声源辨识方法、系统,采用广义最小最大凹惩罚函数对声源重构误差施加稀疏约束,通过实施常规波束形成、求解声学逆问题估计声源位置和声源强度,重建声场中的声源信息,能够实现对声源的高分辨率辨识,根据常规波束形成方法产生的基本声像确定潜在声源的位置信息,并通过特定的方式生成包含声源位置先验信息的初始解向量,相比于广泛使用的随机初值和零初值,提高了基于广义最小最大凹惩罚函数的声场重建方法的计算效率,并且在求解包含广义最小最大凹惩罚函数的声学逆问题(获取高分辨声像)过程中,通过采用通过近端梯度加速和自适应步长回溯策略提高迭代收敛速度,自适应选择能够满足收敛性的最佳步长,相比于直接求解,能够更快速地完成声场重建的过程,从而有助于利用麦克风阵列实现高分辨率、高效的声源辨识。
附图说明
通过参考以下结合附图的说明及权利要求书的内容,并且随着对发明的更全面理解,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阵列测量和稀疏先验信息的声源辨识方法的流程图;
图2为根据本发明实施例的基于阵列测量和稀疏先验信息的声源辨识方法中的细节流程图。
图3为根据本发明实施例的基于阵列测量和稀疏先验信息的声源辨识方法的求解过程中时间随声源频率变化规律,以及采用直接求解的方法所需时间随声源频率变化规律;
图4为根据本发明实施例的基于阵列测量和稀疏先验信息的声源辨识系统中的系统框架图。
具体实施方式
基于常规波束形成方法所得结果空间分辨率不足、基于广义最小最大凹惩罚的声场重建方法计算效率低。
针对上述问题,本发明提供一种基于阵列测量和稀疏先验信息的声源辨识方法,以下将结合附图对本发明的具体实施例进行详细描述。
以下示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术和设备可能不作详细讨论,但在适当情况下,技术和设备应当被视为说明书的一部分。
如图1、图2共同所示,本发明提供一种基于阵列测量和稀疏先验信息的声源辨识方法,包括:
S110:根据目标声源的性质和麦克风阵列中阵元的位置信息建立声源辨识问题模型,并基于该声源辨识问题模型获取基本声像;
S120:提取该基本声像中的峰值,根据该峰值的坐标获取潜在声源的解向量的位置索引信息;
S130:根据该位置索引信息确定该解向量中支撑集的数量及分布规律,并根据该支撑集的数量及分布规律建立关于声场重建的初始解向量x(0);
S140:通过近端梯度迭代基于该初始解向量x(0)获取最优解,根据该最优解生成高分辨声像以完成声源辨识。
在图1、图2共同所示的实施例中,步骤S110为根据目标声源的性质和麦克风阵列中阵元的位置信息建立声源辨识问题模型,并基于声源辨识问题模型获取基本声像,即根据目标声源的性质和麦克风阵列中阵元的位置信息,确定声场重建所需扫描点的数量和位置坐标,根据数量、位置坐标和声传播特性建立声源辨识问题模型,而后采用常规波束形成方法得到基本声像;并且根据能量最小原理采用常规波束形成方法对声源辨识问题模型中的声源信息进行求解得到基本声像;
其中,根据目标声源的性质和麦克风阵列中阵元的位置信息建立声源辨识问题模型的过程,包括:
S111:将确定的重建平面划分为重建网格点,并获取预先设定的重建声源的声源频率;
S112:基于该重建网格点与该声源频率计算麦克风阵列中阵列坐标对应的声信号的频域;
S113:根据该麦克风阵列与该重建声源之间的关系建立该麦克风阵列所接收的声信号向量与该重建声源的声源强度向量之间的声源辨识问题模型;
基于该声源辨识问题模型获取基本声像的过程包括:
根据能量最小原理采用波束形成法对该声源辨识问题模型中关于该目标声源的声源信息进行求解以得到基本声像;
具体的,①首先确定重建平面,将重建平面划分为N个声源重建网格点,各网格点的坐标为usn(n=1,2,…,N),声源频率为f;
②再由M个阵元组成的麦克风阵列中,坐标为um(m=1,2,…,M)的麦克风接收到的声信号在频域表示为:
③根据②所描述的麦克风阵列所接收信号与声信号间的关系,建立麦克风接收到的声信号向量y=[y1,y2,…,yM]T和声源强度向量x=[x1,x2,…,xN]T之间的声源辨识问题模型:
④而后采用常规波束形成方法生成基本声像:
X=[Xr,s]R×S,
如图1、图2共同所示的实施例,步骤S120为提取该基本声像中的峰值,根据该峰值的坐标获取潜在声源的解向量的位置索引信息;
其中,提取基本声像中的峰值,根据峰值的坐标获取潜在声源的解向量的位置索引信息的过程,包括:
S121:计算该基本声像中所包括的元素的均值,并将该均值小于预设值的元素置零以形成有效声像;
S122:对该有效声像进行二维卷积运算以获取滤波声像;
S123:对该滤波声像进行遍历排序以形成排序列表,并按照预数量在该排序列表中选择潜在声源的位置向量以形成关于声源辨识中解向量的位置索引信息;
②采用高斯核函数G对经过①中步骤处理后的有效声像(基本声像经过①处理后声像)依次进行二维卷积运算:
③遍历该滤波声像的元素:
再将同时满足上述条件的元素位置按照数值大小降序排列,选择合适的潜在声源数量Np,建立潜在声源的位置向量:
其中hl为第l(l=1,2,…,Np)个声源在向量形式的基本声像中的索引号,即第l(l=1,2,…,Np)个声源的位置向量,换句话说其也为关于声源辨识中解向量的位置索引信息,在一个具体实施过程中,选择Np=2。
在图1、图2共同所示的实施例中,步骤S130为根据位置索引信息确定解向量中支撑集的数量及分布规律,并根据支撑集的数量及分布规律建立关于声场重建的初始解向量x(0);
其中,在建立关于声场重建的初始解向量x(0)的过程中,该初始解向量x(0)包括与上述位置向量相对应的位置元素和其他元素,其中,该位置元素的数字随机产生,除该位置元素以外的其他元素为0。
如图1、图2共同所示的实施例,该步骤S140为通过近端梯度迭代基于初始解向量x(0)获取最优解以获取高分辨声像完成声源辨识,在步骤S140之前,还包括:
S14:构建带有最小最大凹惩罚约束声学逆问题;其中,该最优解为该逆问题的解,即构建带有最小最大凹惩罚约束ψB(q)=||q||1-SB(q)的声学逆问题,以q(0)为初始解向量,通过近端梯度迭代、外推点加速、自适应步长更新方法求解逆问题;而步骤S14又包括步骤S140,和在步骤S140之前包括的步骤S140-1和步骤S140-2,其中,在步骤S140通过近端梯度迭代基于该初始解向量x(0)获取最优解以获取高分辨声像完成声源辨识之前,还包括:
S140-1:建立关于广义Huber函数的稀疏正则化声场重建最优问题模型;
步骤S140包括:
S141;基于该初始解向量x(0)初始化该Huber函数中的迭代计数变量k,和基于该迭代技术变量变化的辅助变量,即初始化辅助变量v(k);
S142:基于该迭代计数变量k、该辅助变量依次进行近端梯度迭代以获取解向量x(k),并计算在该迭代计数变量下的相邻迭代步间相对误差,直至该相邻迭代步间相对误差小于预设的相邻迭代误差阈值,则停止迭代,并将该解向量x(k)作为最优解;
S143:根据该最优解生成高分辨声像以完成声源辨识;
其中,S142:基于该迭代计数变量k、该辅助变量依次进行近端梯度迭代以获取解向量x(k)的过程,包括:
S142-1:基于该初始解向量x(0)预创建初始步长和步长调整计数变量;
S142-2:使该迭代计数变量k由零开始依次递增,伴随该迭代计数变量k的递增更新该辅助变量,并计算在该迭代计数变量k下的外推点数值;
S142-3:与该迭代计数变量k同步基于该初始化步长进行步长参数更新以形成新型步长参数;
S142-4:根据该辅助变量、该相邻迭代的相对误差、该新型步长参数更新优化目标变量,并获取关于声场重建的解向量x(k);
S142-5:基于该解向量x(k)计算步长评价标准;其中,若不满足预设条件,则根据该步长参数调整步长,更新该步长调整计数变量,并再次更新优化目标变量以获取更新后的解向量x(k);若满足预设条件,则记录当前的步长,保存该解向量xk);
其中,一边迭代获取x(k)解向量,一边计算在每个迭代计数变量下的相邻迭代步间相对误差,若相邻迭代步间相对误差小于预设的相邻迭代误差阈值,即满足迭代收敛条件,则停止迭代,并将该解向量x(k)作为最优解,若相邻迭代步间相对误差不小于预设的相邻迭代误差阈值,即不满足迭代收敛条件,则继续返回步骤S142-2继续进行迭代计算。
在本发明的实施例中,正则化参数为λ、凸性平衡参数为γ、步长调整参数为β、初始步长为η0,初始化辅助变量为v(k)、相邻迭代步间的相对误差为r(k)、迭代计数变量由k=0开始,在本实施例中,初始的λ=0.5,γ=0.5,β=0.8,迭代收敛条件设定为相邻迭代步间的相对误差小于预设的相邻迭代误差阈值rend,该相邻迭代误差阈值rend不做具体限制,在本实施例中该r(0)=10000,rend=0.001;
此外,需要说明的是,选择合适的正则化参数λ>0和凸性平衡参数0<γ<1以对求解结果的稀疏性进行约束;在通过近端梯度下降的方式求解声场重建问题的过程中,还需首先根据初始步长η0进行参数更新为了平衡迭代计算的效率和准确性,选择合适的步长调整参数0<β<1在迭代计算期间对步长进行比例缩减从而在求解初期保证计算速度,在求解后期保证计算精度。
具体的,在实施本实施例时,基于该迭代计数变量k、该辅助变量依次进行近端梯度迭代以获取解向量x(k)的实施过程为:
①如果k=0,则根据以下方式计算外推点的数值:
y(k)=x(k);
否则,根据以下方式计算外推点的数值:
y(k)=x(k)+θ(k)(x(k)-x(k-1));
③更新优化目标变量:
④计算步长评价指标:
⑤如果f1(xp)≤f1η(xp,x(k)),记录当前步长,更新迭代计数变量:
k=k+1;
否则,根据步长调整参数调整步长,并更新步长计数变量:
t=t+1,
并返回步骤③;
⑥计算相邻迭代步间的相对误差:
如果r<rend,停止迭代,保存结果x=x(k)并生成声像;否则,返回步骤①;
如图3所示,在整个求解包含广义最小最大凹惩罚函数的声学逆问题过程中,通过采用通过近端梯度加速和自适应步长回溯策略提高迭代收敛速度,自适应选择能够满足收敛性的最佳步长,相比于直接求解,能够更快速地完成声场重建的过程,从而有助于利用麦克风阵列实现高分辨率、高效的声源辨识。
如图4所示,本发明还提供一种基于阵列测量和稀疏先验信息的声源辨识系统100,实现前述的基于阵列测量和稀疏先验信息的声源辨识方法,包括:
基本声像生成模块101,用于根据目标声源的性质和麦克风阵列中阵元的位置信息建立声源辨识问题模型,并基于声源辨识问题模型获取基本声像;
位置索引模块102,用于提取基本声像中的峰值,根据峰值的坐标获取潜在声源的解向量的位置索引信息;
初始求解模块103,用于根据位置索引信息确定解向量中支撑集的数量及分布规律,并根据支撑集的数量及分布规律建立关于声场重建的初始解向量x(0);
最优求解模块104,用于通过近端梯度迭代基于初始解向量x(0)获取最优解,根据最优解生成高分辨声像以完成声源辨识。
如上所述,本发明提供的基于阵列测量和稀疏先验信息的声源辨识方法、系统,采用广义最小最大凹惩罚函数对声源重构误差施加稀疏约束,通过实施常规波束形成、求解声学逆问题估计声源位置和声源强度,重建声场中的声源信息,能够实现对声源的高分辨率辨识,根据常规波束形成方法产生的基本声像确定潜在声源的位置信息,并通过特定的方式生成包含声源位置先验信息的初始解向量,相比于广泛使用的随机初值和零初值,提高了基于广义最小最大凹惩罚函数的声场重建方法的计算效率,并且在求解包含广义最小最大凹惩罚函数的声学逆问题(获取高分辨声像)过程中,通过采用通过近端梯度加速和自适应步长回溯策略提高迭代收敛速度,自适应选择能够满足收敛性的最佳步长,相比于直接求解,能够更快速地完成声场重建的过程,从而有助于利用麦克风阵列实现高分辨率、高效的声源辨识。
如上参照附图以示例的方式描述根据本发明的基于阵列测量和稀疏先验信息的声源辨识方法、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阵列测量和稀疏先验信息的声源辨识方法、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 (10)
1.一种基于阵列测量和稀疏先验信息的声源辨识方法,其特征在于,包括:
根据目标声源的性质和麦克风阵列中阵元的位置信息建立声源辨识问题模型,并基于所述声源辨识问题模型获取基本声像;
提取所述基本声像中的峰值,根据所述峰值的坐标获取潜在声源的解向量的位置索引信息;
根据所述位置索引信息确定所述解向量中支撑集的数量及分布规律,并根据所述支撑集的数量及分布规律建立关于声场重建的初始解向量x(0);
通过近端梯度迭代基于所述初始解向量x(0)获取最优解,根据所述最优解生成高分辨声像以完成声源辨识。
2.如权利要求1所述的基于阵列测量和稀疏先验信息的声源辨识方法,其特征在于,根据目标声源的性质和麦克风阵列中阵元的位置信息建立声源辨识问题模型的过程,包括:
将确定的重建平面划分为重建网格点,并获取预先设定的重建声源的声源频率;
基于所述重建网格点与所述声源频率计算麦克风阵列中阵列坐标对应的声信号的频域;
根据所述麦克风阵列与所述重建声源之间的关系建立所述麦克风阵列所接收的声信号向量与所述重建声源的声源强度向量之间的声源辨识问题模型。
3.如权利要求2所述的基于阵列测量和稀疏先验信息的声源辨识方法,其特征在于,基于所述声源辨识问题模型获取基本声像的过程包括:
根据能量最小原理采用波束形成法对所述声源辨识问题模型中关于所述目标声源的声源信息进行求解以得到基本声像。
4.如权利要求3所述的基于阵列测量和稀疏先验信息的声源辨识方法,其特征在于,提取所述基本声像中的峰值,根据所述峰值的坐标获取潜在声源的解向量的位置索引信息的过程,包括:
计算所述基本声像中所包括的元素的均值,并将所述均值小于预设值的元素置零以形成有效声像;
对所述有效声像进行二维卷积运算以获取滤波声像;
对所述滤波声像进行遍历排序以形成排序列表,并按照预数量在所述排序列表中选择潜在声源的位置向量以形成关于声源辨识中解向量的位置索引信息。
5.如权利要求4所述的基于阵列测量和稀疏先验信息的声源辨识方法,其特征在于,在建立关于声场重建的初始解向量x(0)的过程中,包括:
所述初始解向量x(0)包括与所述位置向量相对应的位置元素和其他元素,其中,
所述位置元素的数字随机产生,所述其他元素为0。
6.如权利要求5所述的基于阵列测量和稀疏先验信息的声源辨识方法,其特征在于,在通过近端梯度迭代基于所述初始解向量x(0)获取最优解以获取高分辨声像完成声源辨识之前,还包括:
构建带有最小最大凹惩罚约束声学逆问题;其中,所述最优解为所述逆问题的解。
8.如权利要求7所述的基于阵列测量和稀疏先验信息的声源辨识方法,其特征在于,通过近端梯度迭代基于所述初始解向量x(0)获取最优解以获取高分辨声像完成声源辨识的过程,包括:
基于所述初始解向量x(0)初始化所述Huber函数中的迭代计数变量k,和基于所述迭代技术变量变化的辅助变量;
基于所述迭代计数变量k、所述辅助变量依次进行近端梯度迭代以获取解向量x(k),并计算在所述迭代计数变量下的相邻迭代步间相对误差,直至所述相邻迭代步间相对误差小于预设的相邻迭代误差阈值,则停止迭代,并将所述解向量x(k)作为最优解;
根据所述最优解生成高分辨声像以完成声源辨识。
9.如权利要求8所述的基于阵列测量和稀疏先验信息的声源辨识方法,其特征在于,基于所述迭代计数变量k、所述辅助变量依次进行近端梯度迭代以获取解向量x(k)的过程,包括:
基于所述初始解向量x(0)预创建初始步长和步长调整计数变量;
使所述迭代计数变量k由零开始依次递增,伴随所述迭代计数变量k的递增更新所述辅助变量,并计算在所述迭代计数变量k下的外推点数值;
与所述迭代计数变量k同步基于所述初始化步长进行步长参数更新以形成新型步长参数;
根据所述辅助变量、所述相邻迭代的相对误差、所述新型步长参数更新优化目标变量,并获取关于声场重建的解向量x(k);
基于所述解向量x(k)计算步长评价标准;其中,若不满足预设条件,则根据所述步长参数调整步长,更新所述步长调整计数变量,并再次更新优化目标变量以获取更新后的解向量x(k);若满足预设条件,则记录当前的步长,保存所述解向量x(k)。
10.一种基于阵列测量和稀疏先验信息的声源辨识系统,其特征在于,实现权利要求1-9任一所述的基于阵列测量和稀疏先验信息的声源辨识方法,包括:
基本声像生成模块,用于根据目标声源的性质和麦克风阵列中阵元的位置信息建立声源辨识问题模型,并基于所述声源辨识问题模型获取基本声像;
位置索引模块,用于提取所述基本声像中的峰值,根据所述峰值的坐标获取潜在声源的解向量的位置索引信息;
初始求解模块,用于根据所述位置索引信息确定所述解向量中支撑集的数量及分布规律,并根据所述支撑集的数量及分布规律建立关于声场重建的初始解向量x(0);
最优求解模块,用于通过近端梯度迭代基于所述初始解向量x(0)获取最优解,根据所述最优解生成高分辨声像以完成声源辨识。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564464.5A CN113238189B (zh) | 2021-05-24 | 2021-05-24 | 基于阵列测量和稀疏先验信息的声源辨识方法、系统 |
PCT/CN2021/135053 WO2022247202A1 (zh) | 2021-05-24 | 2021-12-02 | 基于阵列测量和稀疏先验信息的声源辨识方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564464.5A CN113238189B (zh) | 2021-05-24 | 2021-05-24 | 基于阵列测量和稀疏先验信息的声源辨识方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113238189A true CN113238189A (zh) | 2021-08-10 |
CN113238189B CN113238189B (zh) | 2023-03-10 |
Family
ID=77138511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110564464.5A Active CN113238189B (zh) | 2021-05-24 | 2021-05-24 | 基于阵列测量和稀疏先验信息的声源辨识方法、系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113238189B (zh) |
WO (1) | WO2022247202A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267673A (zh) * | 2022-03-07 | 2022-11-01 | 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 |
WO2022247202A1 (zh) * | 2021-05-24 | 2022-12-01 | 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 |
WO2023173514A1 (zh) * | 2022-03-16 | 2023-09-21 | 浙江浙能技术研究院有限公司 | 一种强多径干扰条件下的声源定位方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116338574B (zh) * | 2023-04-10 | 2023-09-19 | 哈尔滨工程大学 | 一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法 |
CN116208448B (zh) * | 2023-04-26 | 2023-08-04 | 东南大学 | 大规模mimo信道估计的简化信息几何方法 |
CN117825898A (zh) * | 2024-03-04 | 2024-04-05 | 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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101065990A (zh) * | 2004-09-16 | 2007-10-31 | 松下电器产业株式会社 | 声像定位装置 |
CN103531199A (zh) * | 2013-10-11 | 2014-01-22 | 福州大学 | 基于快速稀疏分解和深度学习的生态声音识别方法 |
US20140111372A1 (en) * | 2012-10-22 | 2014-04-24 | Saab-Sensis Corporation | Sensor system and method for determining target location using sparsity-based processing |
CN106093921A (zh) * | 2016-07-25 | 2016-11-09 | 中国电子科技集团公司第五十四研究所 | 基于稀疏分解理论的声矢量阵宽带测向方法 |
CN106653041A (zh) * | 2017-01-17 | 2017-05-10 | 北京地平线信息技术有限公司 | 音频信号处理设备、方法和电子设备 |
CN110537367A (zh) * | 2017-04-26 | 2019-12-03 | 索尼半导体解决方案公司 | 固态成像捕捉装置和电子装置 |
CN110852973A (zh) * | 2019-11-12 | 2020-02-28 | 华中科技大学 | 一种脉冲噪声模糊图像非线性复原方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101175343B (zh) * | 2004-12-24 | 2010-04-21 | 松下电器产业株式会社 | 声像定位装置 |
US8988970B2 (en) * | 2010-03-12 | 2015-03-24 | University Of Maryland | Method and system for dereverberation of signals propagating in reverberative environments |
CN112526451B (zh) * | 2020-10-29 | 2024-04-19 | 清华大学 | 基于麦克风阵列成像的压缩波束形成及系统 |
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 |
-
2021
- 2021-05-24 CN CN202110564464.5A patent/CN113238189B/zh active Active
- 2021-12-02 WO PCT/CN2021/135053 patent/WO2022247202A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101065990A (zh) * | 2004-09-16 | 2007-10-31 | 松下电器产业株式会社 | 声像定位装置 |
US20140111372A1 (en) * | 2012-10-22 | 2014-04-24 | Saab-Sensis Corporation | Sensor system and method for determining target location using sparsity-based processing |
CN103531199A (zh) * | 2013-10-11 | 2014-01-22 | 福州大学 | 基于快速稀疏分解和深度学习的生态声音识别方法 |
CN106093921A (zh) * | 2016-07-25 | 2016-11-09 | 中国电子科技集团公司第五十四研究所 | 基于稀疏分解理论的声矢量阵宽带测向方法 |
CN106653041A (zh) * | 2017-01-17 | 2017-05-10 | 北京地平线信息技术有限公司 | 音频信号处理设备、方法和电子设备 |
CN110537367A (zh) * | 2017-04-26 | 2019-12-03 | 索尼半导体解决方案公司 | 固态成像捕捉装置和电子装置 |
CN110852973A (zh) * | 2019-11-12 | 2020-02-28 | 华中科技大学 | 一种脉冲噪声模糊图像非线性复原方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022247202A1 (zh) * | 2021-05-24 | 2022-12-01 | 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 |
CN115267673A (zh) * | 2022-03-07 | 2022-11-01 | 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 |
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 |
WO2023173514A1 (zh) * | 2022-03-16 | 2023-09-21 | 浙江浙能技术研究院有限公司 | 一种强多径干扰条件下的声源定位方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022247202A1 (zh) | 2022-12-01 |
CN113238189B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113238189B (zh) | 基于阵列测量和稀疏先验信息的声源辨识方法、系统 | |
CN108171762B (zh) | 一种深度学习的压缩感知同类图像快速重构系统与方法 | |
JP2018206371A (ja) | コンピューター実施画像再構成システムおよび画像再構成方法 | |
JP2022503946A (ja) | 学習非線形マッピングに基づく画像再構成方法 | |
CN112526451A (zh) | 基于麦克风阵列成像的压缩波束形成及系统 | |
CN112912758A (zh) | 用于对超声信号进行自适应波束形成的方法和系统 | |
CN111208213A (zh) | 融合交替乘子迭代的谱寻求子带最小方差超声成像算法 | |
CN111968047A (zh) | 一种基于生成式对抗网络的自适应光学图像盲复原方法 | |
CN113687307B (zh) | 低信噪比及混响环境下的自适应波束成形方法 | |
KR102060656B1 (ko) | 소나 영상의 잡음을 제거하는 장치 및 방법 | |
CN112578471A (zh) | 一种探地雷达杂波噪声去除方法 | |
CN102810202B (zh) | 基于分数阶差分加权的图像多步残差反馈迭代滤波方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
CN113204051B (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
Reed et al. | Sinr: Deconvolving circular sas images using implicit neural representations | |
CN112581626B (zh) | 一种基于非参数化和多注意力机制的复杂曲面测量系统 | |
Gerg et al. | Real-time, deep synthetic aperture sonar (sas) autofocus | |
CN117115452A (zh) | 可控的医学超声图像去噪方法、系统及计算机存储介质 | |
CN117451055A (zh) | 一种基于基追踪降噪的水下传感器定位方法和系统 | |
CN115825870A (zh) | 基于群稀疏的离网格压缩匹配场处理声源定位方法 | |
CN113807206B (zh) | 一种基于去噪任务辅助的sar图像目标识别方法 | |
CN113409202B (zh) | 基于点扩散函数参数寻优的超声图像复原方法 | |
CN114841892A (zh) | 一种基于全连接网络的稀疏导波数据恢复方法 | |
Khan et al. | Unfolding model-based beamforming for high quality ultrasound imaging | |
CN115808713A (zh) | 一种基于改进bemd算法的地震叠前数据优化方法及设备 |
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 |