CN116008911A - 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 - Google Patents
一种基于新型原子匹配准则的正交匹配追踪声源识别方法 Download PDFInfo
- Publication number
- CN116008911A CN116008911A CN202211544786.4A CN202211544786A CN116008911A CN 116008911 A CN116008911 A CN 116008911A CN 202211544786 A CN202211544786 A CN 202211544786A CN 116008911 A CN116008911 A CN 116008911A
- Authority
- CN
- China
- Prior art keywords
- sound source
- data
- sound
- acquiring
- intensity data
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于新型原子匹配准则的正交匹配追踪声源识别方法,包括:构建声源识别模型,基于声源识别模型获取声压数据与未知声源源强数据,基于声源识别模型根据自由场Green函数构建传递矩阵G,基于传递矩阵G获取声压数据与未知声源源强数据之间的关系数据,通过正交匹配追踪算法对关系数据进行计算,得到声源源强数据,基于声源源强数据进行声源的识别与定位。本发明通过改进正交匹配追踪算法的原子匹配准则,来实现精准声源定位。
Description
技术领域
本发明属于声源的识别和定位领域,特别是涉及一种基于新型原子匹配准则的正交匹配追踪声源识别方法。
背景技术
基于近场声全息的声源识别技术是近年来常用的噪声源识别技术,由于其不受声源形状大小所影响、建立数学建模、构造传递矩阵较为方便等因素,越来越多的人将其应用在噪声治理、机械故障诊断、汽车NVH开发等领域。经典正则化近场声全息技术建立在Nyquist采样定理的基础上,其声源定位精度和空间分辨率受到采样点数量所影响,需要大量且密集的采样传感器形成声学阵列才能获得较好的识别效果,这将大大提高声源识别系统的测试成本。随着压缩感知理论的提出和应用,近场声全息技术突破了Nyquist采样定理的限制。压缩感知理论通过将声学信号映射到某转换域并使其稀疏,可用远低于Nyquist采样频率的采样率实现信号的高精度重构,从而大量减少采样传感器数量,降低了声源识别系统的测试成本。目前已有将压缩感知理论用于声源识别领域的相关技术,压缩感知稀疏重构算法中的正交匹配追踪((OrthogonalMatchingPursuit,OMP)算法是其使用最多的方法。OMP算法具有旁瓣小、算法过程简单、计算速度快等优点,但从目前实际应用中能够发现,OMP算法以及各类优化OMP算法由于都是基于内积匹配准则进行原子支撑集筛选,该准则通过原子间的余弦相似度来度量原子相似性,仅仅比较原子向量间的方向角度,而不考虑原子向量空间长度的差异,因此当声源频率较低或声源间距较小时,观测矩阵的相邻两列原子相关性较强,与同一信号残差计算内积较为接近,当实际声源的正确原子向量与残差的内积小于相邻原子与残差的内积值时,内积匹配准则就无法将正确的原子筛选至支撑集。针对内积匹配准则的缺陷,Dice系数匹配准则在考虑原子间角度的基础上,增加了对原子的空间长度的度量,是一种性能更优的向量相似度的度量标准。Dice系数匹配准则解决了内积匹配准则丢失部分原始信号信息的问题,更有利于选取最匹配的原子向量,在一定程度上提高了OMP算法的重构精度。但是Dice系数匹配准则采用向量长度的平方值来度量空间长度,过于强化空间长度因素对向量本身的影响,相当于对原子向量的长度因素进行了加权,这就会导致Dice系数匹配准则无法均衡地度量两个原子向量间的相关性,使原子支撑集里的原子准确性出现偏差,降低了OMP算法声源识别精度。
发明内容
本发明的目的是提供一种基于新型原子匹配准则的正交匹配追踪声源识别方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于新型原子匹配准则的正交匹配追踪声源识别方法,包括:
构建声源识别模型,基于声源识别模型获取声压数据与未知声源源强数据,基于声源识别模型根据自由场Green函数构建传递矩阵G,基于传递矩阵G获取声压数据与未知声源源强数据之间的关系数据,通过正交匹配追踪算法对关系数据进行计算,得到声源源强数据,基于声源源强数据进行声源的识别与定位。
可选的,声源识别模型包括全息面和声源面;
其中,所述全息面用于获取声压数据,所述声源面用于获取未知声源源强数据。
可选的,所述全息面由M个传感器按照麦克风阵列排列构成;
所述声源面由离散型声源构成;
其中声源面还包括潜在声源,传感器的数量大于潜在声源的个数。
可选的,构建传递矩阵的过程包括:基于全息面获取采样点数据,基于声源面获取声源点数据,根据自由场Green函数构建采样点数据与声源点数据之间的传递矩阵G:
可选的,所述关系数据为:
q=[q(r1),q(r2),…,q(rn),…,q(rN)]
P=Gq+ε
其中:q为未知声源源强,rn表示声源面E上第n个声源点的坐标向量,n=1,2,3,…,N;P=[P(r1),P(r2),…,P(rm),…,P(rM)],ε为声压数据中包含的噪声项。
可选的,获取声源源强数据的过程包括:
定义新型原子匹配准则:
使用新型原子匹配准则筛选最优原子,并按照下式找出最优原子所在位置:
jk=argmax|sim(Gi,rk-1)|,j=1,2,3,…,N
更新索引集Γ0:
Γ0=Γk-1∪jk
其中,Γk-1为前一次迭代索引集,jk为传递函数中最优原子所在位置的索引值;
更新残差:
本发明的技术效果为:
本发明通过改进正交匹配追踪算法的原子匹配准则,来实现精准声源定位。新型原子匹配准则综合考虑原子间角度和空间长度因素,使用Euclidean距离来表示原子向量的空间长度,在原有Dice系数匹配准则的基础上适当减少了对空间长度的加权,对原子向量的方向和长度的双重度量更为均衡,提高了原子支撑集筛选匹配精度,改善了OMP算法重建性能,有效克服了当声源点距离太近或声源频率较低时原子间相关性较强引起的原子选择错误的问题,从而实现了对强相关环境下声源的高分辨率定位,扩大了OMP算法的频率适用范围。另外,较传统的OMP算法相比,本方法的抗噪性和鲁棒性较高,且能够在采样传感器较少的时候对声源进行精确定位,显著降低了声源识别系统的测试成本。
此外的,本发明还具备了良好的中低频声源识别性能。在中低频环境下,随着阵列的空间分辨率下降,传统压缩感知重建算法已无法实施精确定位,而本发明仍能精确识别出真实声源的位置信息。本发明分析频带较宽,在低频时更具空间分辨率优势。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的方法流程简图;
图2为本发明实施例中的声源识别示意图;
图3为本发明实施例中的声源频率为500Hz时的声源定位效果图,其中(a)为传统声源定位方法的声源定位效果图,(b)为本发明的声源定位效果图;
图4为本发明实施例中的声源频率为2000Hz时的声源定位效果图,其中(a)为传统声源定位方法的声源定位效果图,(b)为本发明的声源定位效果图;
图5为本发明实施例中的信噪比为15dB时的声源定位效果图,其中(a)为传统声源定位方法的声源定位效果图,(b)为本发明的声源定位效果图;
图6为本发明实施例中的信噪比为25dB时的声源定位效果图,其中(a)为传统声源定位方法的声源定位效果图,(b)为本发明的声源定位效果图;
图7为本发明实施例中的采样点个数为16时的声源定位效果图,其中(a)为传统声源定位方法的声源定位效果图,(b)为本发明的声源定位效果图;
图8为本发明实施例中的采样点个数为121时的声源定位效果图,其中(a)为传统声源定位方法的声源定位效果图,(b)为本发明的声源定位效果图;
图9为本发明实施例中的等效源点的间距为0.01m时的声源定位效果图,其中(a)为传统声源定位方法的声源定位效果图,(b)为本发明的声源定位效果图;
图10为本发明实施例中的等效源点的间距为0.05m时的声源定位效果图,其中(a)为传统声源定位方法的声源定位效果图,(b)为本发明的声源定位效果图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
如图1-4所示,本实施例中提供一种基于新型原子匹配准则的正交匹配追踪声源识别方法,包括:
基于声源识别模型获取声压数据与未知声源源强数据,基于声源识别模型根据自由场Green函数构建传递矩阵G,基于传递矩阵G获取声压数据与未知声源源强数据之间的关系数据,通过正交匹配追踪算法对关系数据进行计算,得到声源源强数据,基于声源源强数据进行声源的识别与定位。图1为本发明实施例中的方法流程简图。
相比传统声源定位方法,本发明有着更好的中低频声源识别性能。
数值仿真中,声源面、全息面、声源面分布如图2所示。假设空间中有两个等强度的点声源分别位于声源面上,声源坐标分别为(-0.15,0,0)m,(0.1,0,0)m。全息面H位于Z=0.03m的平面上,其平面尺寸为1m×1m,其上沿x轴、y轴均匀划分21×21个采样点;声源面E位于Z=0.01m的平面,平面尺寸为1m×1m,并划分21×21个声源点,声源点间距为0.05m。根据压缩感知理论,在全息面上441个网格点处随机取121个采样点构成麦克风阵列,两个采样点之间最小距离为0.05m。仿真中添加信噪比为30dB的高斯白噪声。
图3a、图3b分别展示了声源频率为500Hz时采用传统声源定位方法和采用本实施例的声源识别效果。图4a、图4b分别展示了频率为2000Hz时采用传统声源定位方法和采用本发明的声源识别效果。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500Hz时,从图3a可以看出:在低频环境下,原子间相关性较高,传统压缩感知重建算法已无法实施精确定位;而图3b中,本实施例能精确识别出声源所在位置。
当频率为2000Hz时,从图4a可以看出,传统声源定位方法随着声源频率的升高原子间相关性也随之降低,因此定位出声源的真实位置。在图4b中,本实施例仍能精确定位声源的所在位置。
实施例2
如图2-6所示,相比传统声源定位方法,本实施例有着更好的抗噪性和鲁棒性。
数值仿真中,声源面、全息面、声源面分布如图2所示。假设空间中有两个等强度的点声源分别位于声源面上,声源坐标分别为(-0.15,0,0)m,(0.1,0,0)m,声源频率为2000Hz。全息面和声源面参数设定与仿真1相同。
图5a、图5b分别展示了信噪比为15dB时采用传统声源定位方法和采用实施例的声源识别效果。图6a、图6b分别展示了信噪比为25dB时采用传统声源定位方法和采用本发明的声源识别效果。声源识别结果的图像中‘+’表示真实声源点所在位置。
当信噪比为15dB时,从图5a可以看出:在高噪声环境下,传统压缩感知重建算法已无法实施精确定位,算法稳定性抗噪性和鲁棒性较差;而图5b中,本实施例能精确识别出声源所在位置。
当信噪比为25dB时,从图6a可以看出,传统声源定位方法随着信噪比的升高,可以定位出声源的真实位置。在图6b中,本实施例仍能精确定位声源的所在位置。
实施例3
如图2-8所示,相比传统声源定位方法,本实施例可以使用更少的采样点进行算法重构。
数值仿真中,声源面、全息面、声源面分布如图2所示。假设空间中有两个等强度的点声源分别位于声源面上,声源坐标分别为(-0.15,0,0)m,(0.1,0,0)m,声源频率为2000Hz,信噪比为30dB。全息面和声源面参数设定与实施例1相同。
图7a、图7b分别展示了采样点个数为16时采用传统声源定位方法和采用本实施例的声源识别效果。图8a、图8b分别展示了采样点个数为121时采用传统声源定位方法和采用本实施例的声源识别效果。声源识别结果的图像中‘+’表示真实声源点所在位置。
当采样点个数为16时,从图7a可以看出:在采样点数量较少的情况下,传统压缩感知重建算法已无法实施精确定位;而图7b中,本实施例能精确识别出声源所在位置。
当采样点个数为121时,从图8a可以看出,传统声源定位方法随着采样点个数的增加,可以定位出声源的真实位置。在图8b中,本实施例仍能精确定位声源的所在位置。
上述过程说明了本实施例用较少的采样传感器即可重构信号,大大降低了声源识别系统的测试成本。
实施例4
如图2-10所示,本实施例相比传统声源定位方法的声源定位分辨率更高。
假设空间中有两个等强度的点声源分别位于声源面上,声源坐标分别为(-0.05,0,0)m,(0.05,0,0)m。全息面H位于Z=0.03m的平面上,H的平面尺寸为1m×1m,其上沿x轴、y轴均匀划分21×21个采样点.根据压缩感知理论,在全息面上441个网格点处随机取121个采样点构成麦克风阵列,两个采样点之间最小距离为0.05m。仿真中声源频率为2000Hz,信噪比为30dB。
图9a、图9b分别展示了声源点间距0.01m时采用传统声源定位方法和采用本实施例的声源识别效果。图10a、图10b分别展示了声源点间距0.05m时采用传统声源定位方法和采用本实施例的声源识别效果。声源识别结果的图像中‘+’表示真实声源点所在位置。
由于声源面网格点越多,声源间距越小,声源识别的分辨率就越高。当声源点间距0.01m时,从图9a可以看出:在声源点间距较小的情况下,传递矩阵原子间相关性较强,传统压缩感知重建算法已无法实施精确定位;而图9b中,本实施例在强相关条件下仍能精确识别出声源所在位置。
当声源点间距0.05m时,从图10a可以看出,传统声源定位方法随着声源点间距的增大,空间分辨率降低,可以定位出声源的真实位置。在图8b中,本实施例仍能精确定位声源的所在位置。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于新型原子匹配准则的正交匹配追踪声源识别方法,其特征在于,包括以下步骤:
构建声源识别模型,基于声源识别模型获取声压数据与未知声源源强数据,基于声源识别模型根据自由场Green函数构建传递矩阵G,基于传递矩阵G获取声压数据与未知声源源强数据之间的关系数据,通过正交匹配追踪算法对关系数据进行计算,得到声源源强数据,基于声源源强数据进行声源的识别与定位。
2.根据权利要求1所述的一种基于新型原子匹配准则的正交匹配追踪声源识别方法,其特征在于,
声源识别模型包括全息面和声源面;
其中,所述全息面用于获取声压数据,所述声源面用于获取未知声源源强数据。
3.根据权利要求2所述的一种基于新型原子匹配准则的正交匹配追踪声源识别方法,其特征在于,
所述全息面由M个传感器按照麦克风阵列排列构成;
所述声源面由离散型声源构成;
其中声源面还包括潜在声源,传感器的数量大于潜在声源的个数。
5.根据权利要求1所述的一种基于新型原子匹配准则的正交匹配追踪声源识别方法,其特征在于,
所述关系数据为:
q=[q(r1),q(r2),…,q(rn),…,q(rN)]
P=Gq+ε
其中:q为未知声源源强,rn表示声源面E上第n个声源点的坐标向量,n=1,2,3,…,N;P=[P(r1),P(r2),…,P(rm),…,P(rM)],ε为声压数据中包含的噪声项。
6.根据权利要求1所述的一种基于新型原子匹配准则的正交匹配追踪声源识别方法,其特征在于,
获取声源源强数据的过程包括:
定义新型原子匹配准则:
使用新型原子匹配准则筛选最优原子,并按照下式找出最优原子所在位置:
jk=arg max|sim(Gi,rk-1)|,j=1,2,3,…,N
更新索引集Γ0:
Γ0=Γk-1∪jk
其中,Γk-1为前一次迭代索引集,jk为传递函数中最优原子所在位置的索引值;
更新残差:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211544786.4A CN116008911B (zh) | 2022-12-02 | 2022-12-02 | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211544786.4A CN116008911B (zh) | 2022-12-02 | 2022-12-02 | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116008911A true CN116008911A (zh) | 2023-04-25 |
CN116008911B CN116008911B (zh) | 2023-08-22 |
Family
ID=86018224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211544786.4A Active CN116008911B (zh) | 2022-12-02 | 2022-12-02 | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116008911B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9713705D0 (en) * | 1996-06-28 | 1997-09-03 | Queensferry Consultants Limite | Improvements to acoustic direction finding |
US20110182501A1 (en) * | 2008-09-05 | 2011-07-28 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method for recognizing shapes and system implementing said method |
CN103491049A (zh) * | 2013-09-30 | 2014-01-01 | 电子科技大学 | Ofdm系统中基于判决反馈的信道估计方法 |
CN105787943A (zh) * | 2016-03-03 | 2016-07-20 | 西安电子科技大学 | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 |
CN108322409A (zh) * | 2018-01-25 | 2018-07-24 | 杭州电子科技大学 | 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法 |
CN108492252A (zh) * | 2018-03-20 | 2018-09-04 | 南昌工程学院 | 基于二次重建的人脸图像超分辨率重建方法 |
CN109375171A (zh) * | 2018-11-21 | 2019-02-22 | 合肥工业大学 | 一种基于新型正交匹配追踪算法的声源定位方法 |
CN110061744A (zh) * | 2019-04-11 | 2019-07-26 | 池州学院 | 一种基于压缩感知理论的电能质量信号自适应重构方法 |
CN110111252A (zh) * | 2019-04-12 | 2019-08-09 | 浙江师范大学 | 基于投影矩阵的单幅图像超分辨率方法 |
CN110109058A (zh) * | 2019-05-05 | 2019-08-09 | 中国航发湖南动力机械研究所 | 一种平面阵列反卷积声源识别方法 |
US20200120419A1 (en) * | 2017-10-10 | 2020-04-16 | Google Llc | Joint wideband source localization and acquisition based on a grid-shift approach |
CN111649855A (zh) * | 2020-05-20 | 2020-09-11 | 天津大学 | 基于压缩感知的测功机信号采集方法 |
CN111830465A (zh) * | 2020-07-27 | 2020-10-27 | 重庆大学 | 二维牛顿正交匹配追踪压缩波束形成方法 |
CN112147571A (zh) * | 2020-08-31 | 2020-12-29 | 南京理工大学 | 基于正则正交匹配追踪和蝙蝠算法的声源方位角估计方法 |
CN112202452A (zh) * | 2020-09-02 | 2021-01-08 | 北京电子工程总体研究所 | 基于块稀疏与二元树搜索的压缩感知信号重构方法及系统 |
CN113051792A (zh) * | 2021-03-09 | 2021-06-29 | 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 |
US20210225386A1 (en) * | 2018-09-17 | 2021-07-22 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Joint source localization and separation method for acoustic sources |
CN113271269A (zh) * | 2021-04-22 | 2021-08-17 | 重庆邮电大学 | 基于压缩感知的稀疏度自适应信道估计方法 |
US20210297098A1 (en) * | 2016-10-23 | 2021-09-23 | Tanbir Haque | Circuits for identifying interferers using compressed-sampling |
US11429801B1 (en) * | 2021-09-21 | 2022-08-30 | Pitt Ohio | System and method for carrier identification |
WO2022213465A1 (zh) * | 2021-04-08 | 2022-10-13 | 平安科技(深圳)有限公司 | 基于神经网络的图像识别方法、装置、电子设备及介质 |
WO2022219558A1 (en) * | 2021-04-13 | 2022-10-20 | B. G. Negev Technologies And Applications Ltd., At Ben-Gurion University | System and method for estimating direction of arrival and delays of early room reflections |
-
2022
- 2022-12-02 CN CN202211544786.4A patent/CN116008911B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9713705D0 (en) * | 1996-06-28 | 1997-09-03 | Queensferry Consultants Limite | Improvements to acoustic direction finding |
US20110182501A1 (en) * | 2008-09-05 | 2011-07-28 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method for recognizing shapes and system implementing said method |
CN103491049A (zh) * | 2013-09-30 | 2014-01-01 | 电子科技大学 | Ofdm系统中基于判决反馈的信道估计方法 |
CN105787943A (zh) * | 2016-03-03 | 2016-07-20 | 西安电子科技大学 | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 |
US20210297098A1 (en) * | 2016-10-23 | 2021-09-23 | Tanbir Haque | Circuits for identifying interferers using compressed-sampling |
US20200120419A1 (en) * | 2017-10-10 | 2020-04-16 | Google Llc | Joint wideband source localization and acquisition based on a grid-shift approach |
CN108322409A (zh) * | 2018-01-25 | 2018-07-24 | 杭州电子科技大学 | 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法 |
CN108492252A (zh) * | 2018-03-20 | 2018-09-04 | 南昌工程学院 | 基于二次重建的人脸图像超分辨率重建方法 |
US20210225386A1 (en) * | 2018-09-17 | 2021-07-22 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Joint source localization and separation method for acoustic sources |
CN109375171A (zh) * | 2018-11-21 | 2019-02-22 | 合肥工业大学 | 一种基于新型正交匹配追踪算法的声源定位方法 |
CN110061744A (zh) * | 2019-04-11 | 2019-07-26 | 池州学院 | 一种基于压缩感知理论的电能质量信号自适应重构方法 |
CN110111252A (zh) * | 2019-04-12 | 2019-08-09 | 浙江师范大学 | 基于投影矩阵的单幅图像超分辨率方法 |
CN110109058A (zh) * | 2019-05-05 | 2019-08-09 | 中国航发湖南动力机械研究所 | 一种平面阵列反卷积声源识别方法 |
CN111649855A (zh) * | 2020-05-20 | 2020-09-11 | 天津大学 | 基于压缩感知的测功机信号采集方法 |
CN111830465A (zh) * | 2020-07-27 | 2020-10-27 | 重庆大学 | 二维牛顿正交匹配追踪压缩波束形成方法 |
CN112147571A (zh) * | 2020-08-31 | 2020-12-29 | 南京理工大学 | 基于正则正交匹配追踪和蝙蝠算法的声源方位角估计方法 |
CN112202452A (zh) * | 2020-09-02 | 2021-01-08 | 北京电子工程总体研究所 | 基于块稀疏与二元树搜索的压缩感知信号重构方法及系统 |
CN113051792A (zh) * | 2021-03-09 | 2021-06-29 | 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 |
WO2022213465A1 (zh) * | 2021-04-08 | 2022-10-13 | 平安科技(深圳)有限公司 | 基于神经网络的图像识别方法、装置、电子设备及介质 |
WO2022219558A1 (en) * | 2021-04-13 | 2022-10-20 | B. G. Negev Technologies And Applications Ltd., At Ben-Gurion University | System and method for estimating direction of arrival and delays of early room reflections |
CN113271269A (zh) * | 2021-04-22 | 2021-08-17 | 重庆邮电大学 | 基于压缩感知的稀疏度自适应信道估计方法 |
US11429801B1 (en) * | 2021-09-21 | 2022-08-30 | Pitt Ohio | System and method for carrier identification |
Non-Patent Citations (6)
Title |
---|
HUANG, JINGJING等: "An improved reconstruction algorithm based on Multi-Candidate Orthogonal Matching Pursuit algorithm", 2014 SEVENTH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN (ISCID 2014), pages 565 - 568 * |
ZOU WEI等: "Face Recognition Method Based on Compressed Sensing", COMPUTER ENGINEERING, vol. 38, no. 24, pages 133 - 6 * |
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工程科技Ⅱ辑, pages 028 - 362 * |
王福驰等: "一种改进的稀疏度自适应匹配追踪算法", 计算机科学, vol. 45, no. 6, pages 234 - 238 * |
王顶;吴瑶;曹旺辉;徐军;: "基于Dice匹配的SWOMP压缩感知重构算法", 西北工业大学学报, no. 05, pages 33 - 38 * |
陈善学;屈龙瑶;胡灿;: "基于空间约束加权条件稀疏表示高光谱图像分类", 系统工程与电子技术, no. 02, pages 204 - 211 * |
Also Published As
Publication number | Publication date |
---|---|
CN116008911B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375171B (zh) | 一种基于正交匹配追踪算法的声源定位方法 | |
CN107247251B (zh) | 基于压缩感知的三维声源定位方法 | |
Lefort et al. | Direct regressions for underwater acoustic source localization in fluctuating oceans | |
CN104699965B (zh) | 基于旋转干涉仪的近场源参数估计方法 | |
CN111504318B (zh) | 一种基于多磁偶极子反演的海洋导航辅助方法 | |
CN108318862A (zh) | 一种基于神经网络的声源定位方法 | |
CN109884592B (zh) | 一种面向低频高斯噪声源的声源定位仿真方法 | |
CN112986907B (zh) | 一种时钟偏差和时钟漂移条件下的运动目标定位方法 | |
CN108260091A (zh) | 基于离散动态网格选择的压缩感知矿井目标定位方法 | |
CN109489796A (zh) | 一种基于单元辐射法的水下复杂结构辐射噪声源定位识别与声辐射预报方法 | |
CN109597021B (zh) | 一种波达方向估计方法及装置 | |
CN109870669A (zh) | 一种二维多快拍无网格压缩波束形成声源识别方法 | |
CN109188362A (zh) | 一种麦克风阵列声源定位信号处理方法 | |
Dang et al. | A feature-based data association method for multiple acoustic source localization in a distributed microphone array | |
CN116008911B (zh) | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 | |
CN113030847A (zh) | 一种用于双通道测向系统的深度学习数据集生成方法 | |
CN115826004B (zh) | 一种基于二维角度及时差联合的三星协同直接定位方法 | |
CN116962938A (zh) | 一种基于双路自注意力机制学习的多点采样声场重建方法 | |
CN115201821B (zh) | 基于强目标成像对消的小目标检测方法 | |
Liu et al. | Research on acoustic source localization using time difference of arrival measurements | |
CN108872939B (zh) | 基于声学镜像模型的室内空间几何轮廓重构方法 | |
Suo et al. | Single acoustic vector sensor DOA enhanced by unsaturated bistable stochastic resonance with linear amplitude response constrained | |
CN113075645B (zh) | 一种基于主成分分析-密度聚类的畸变阵形线谱增强方法 | |
CN113721194B (zh) | 一种基于mwcs的近场语音信号三维定位方法 | |
CN112305497B (zh) | 一种近场麦克风阵列doa估计测向模糊消除方法 |
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 |