基于快速迭代柯西阈值的声场重建方法研究

在声源识别领域,稳定且准确识别目标声源是一项极具挑战性的任务,尤其在中、低频范围内,因此论文提出快速迭代柯西阈值算法在中、低频段实现鲁棒性较强的声源识别和定位。通过蒙特卡罗分析,与3种经典罚函数方法Tikhonov正则化方法、宽带声全息算法和内点法求解方法相比,所提出的方法在中、低频段获得了稳定的声压重建结果,平均重建误差在5%以下,对声源识别逆问题具有良好的距离适应性和信噪比适应性。

基于端到端深度学习的声源特征清晰化方法

基于深度学习的无网格声源识别方法突破了网格划分的限制,具有精度高、预测速度快的优点。在利用传统波束形成地图(conventional beamforming map,CB Map)提取声源位置特征时,随着传声器数目的减少,CB Map的成像性能会下降,进而影响深度学习模型预测声源位置的精度。为了提高深度学习无网格方法(deep learning grid-free method,DL-GFM)的通用性,使其在较少传声器阵列的情况下有良好的性能,提出一种基于端到端深度学习模型U-Net的阵列转换方法(array converted method,ACM),对CB Map进行清晰化。首先使用18通道阵列CB Map作为输入、64通道阵列CB Map作为目标训练U-Net模型,然后使用训练好的残差神经网络(residual network,ResNet)作为DL-GFM方法的预测模型进行无网格声源坐标识别。仿真结果表明ACM方法具有良好的旁瓣消除和主瓣宽度减小能力,并且在1~8个声源范围内对非训练声源数目的情况同样有效。对于3声源的情况,ACM方法在全频段上提升了DL-GFM方法的精度。最后通过1个、2个、3个声源的试验验证了提出方法的有效性和可行性。

广义Tikhonov正则化工况传递路径分析

工况传递路径分析(OTPA)是定位振动噪声问题的有效方法,广泛应用于各类工程领域中。但工况传递路径分析在估计传递率函数矩阵时,是一个病态的反问题,常用标准Tikhonov正则化法来改善病态性。标准Tikhonov正则化法以单位矩阵为正则化矩阵,经奇异值分解,得到的奇异向量振荡较严重,构成的正则化解准确度较低,因此路径贡献量的计算精度较低。针对此不足,以一阶偏导矩阵作为正则化矩阵,结合广义奇异值分解,得到振荡幅度更小的广义奇异向量。以广义奇异向量为基向量,并采用L曲线法选取正则化参数,得到广义Tikhonov正则化解,从而实现工况传递路径分析。最后通过工况传递路径分析仿真与实验验证了广义Tikhonov正则化工况传递路径分析方法的有效性。结果表明,与标准Tikhonov正则化相比,各路径贡献量的准确度更高,有效地提高了工况传递路径分析的精度。

基于不动点迭代的增广拉格朗日声源识别算法

等效源法近场声全息是进行声源识别的重要方法。传统的基于Tikhonov正则化方法局限于相对低的频率,进行高频声源的声场重建时效果较差,而基于最速下降法的宽带声全息(wideband acoustic holography,WBH)方法则在中高频效果较好。为了拓宽声场重建的频率范围并提高声源识别分辨率,提出一种基于增广拉格朗日方法(augmented Lagrangian method,ALM)的等效源法声源识别算法,该方法将L1范数正则化模型转化为增广拉格朗日方程的最小化问题,并应用不动点迭代求解得到声源强度。通过仿真与试验表明,与Tikhonov正则化、WBH和快速迭代收缩阈值算法(fast iterative shrinking threshold algorithm,FISTA)三种方法对比,所提方法适用于更宽的频率范围,且对不同的全息距离和信噪比具有很好的适应性。