压缩波束形成声源识别的改进研究

凭借空间分辨率高、旁瓣衰减能力强等优势,压缩波束形成声源识别算法备受关注。传统方法直接最小化声源分布向量的l_1范数,重构声源分布与真实声源分布之间存在一定偏差,声源无法被直接准确量化。为改善该问题,给出迭代重加权l_1范数最小化方法,其迭代求解声源分布,且每次迭代中对声源分布向量进行加权。仿真及试验结果均证明:所给方法能有效降低传统方法的重构偏差,能直接用主瓣峰值准确量化声源强度,且空间分辨率更高、旁瓣衰减能力更强。

基于虚拟阵列的压缩波束形成方位估计方法

压缩感知又称为压缩采样技术,是一种新的信号感知或采样方法,已经在各个科学研究领域中崭露头角,尤其在空间目标方位估计(Direction Of Arrival,DOA)领域中引起研究学者的广泛关注。文中首先阐述压缩感知技术应用于目标方位估计的基本原理,并采用高效稳定的凸优化问题解算工具箱CVX进行目标方位的有效求解,在此基础之上,将压缩波束形成技术与虚拟阵列孔径理论相结合,提出一种基于虚拟阵列的压缩波束形成技术,以期获得更高的空间目标方位分辨能力。数值仿真结果表明了文中方法的有效性,尤其在低信噪比、相干源和小快拍数条件下,该方法能够分辨相近的空间目标,较传统方法具有更高的空间分辨能力。

非凸稀疏约束的多快拍压缩波束形成

基于极小极大凹惩罚函数约束的压缩感知波束形成,相对于传统l1范数的压缩波束形成来说,可以增强信号的稀疏性,获得更精确的波达方向估计。然而,该算法在强噪声背景下,方位估计结果不稳定。针对这个问题,该文提出一种基于极小极大凹惩罚函数约束的多快拍压缩感知波束形成(MCP-MCSBF)算法。通过多个快拍的联合处理,提供更好的抗噪性能和更精准的波达方向估计结果。仿真结果表明与其他多快拍波达方向估计算法相比,该文算法提供了更优的精确性和更高的角度分辨率,湖试结果则进一步验证了所提算法的有效性。

典型因素对无网格压缩波束形成声源识别的影响

基于传声器阵列测量和压缩感知理论且将目标声源区域看作连续体处理的无网格压缩波束形成声源识别方法在军事、工业、环境等领域具有良好应用前景。采用蒙特卡罗数值模拟和验证试验探究声源相干性、声源最小分离、噪声干扰和数据快拍数目四个典型因素对声源识别性能的影响,结果表明:该方法适用于任意相干性声源和任意数据快拍数目;高概率获得准确结果的条件是声源足够分离(采用矩形阵列时,单数据快拍下,通常要求声源最小分离不小于1/√AB,A和B分别为矩形阵列的行数和列数)和噪声干扰不过强(单数据快拍下,通常要求信噪比优于15 d B);声源不完全相干时,增多数据快拍降低对声源分离和噪声干扰强度的要求,声源完全相干时,增多数据快拍仅降低对噪声干扰强度的要求。典型因素影响的揭示对无网格压缩波束形成方法的恰当运用及声源识别结果的正确分析具有重要指导意义。

二维动态网格压缩波束形成声源识别方法

基于平面传声器阵列测量和固定网格的传统二维压缩波束形成通过建立阵列传声器测量声压信号和假想声源网格点未知源强之间的欠定线性方程组,基于主声源通常为稀疏分布这一事实,利用稀疏促进算法求解上述方程组从而获得声源波达方向和源强的准确估计,进而准确识别声源。然而,当声源波达方向与网格点不一致、即发生基不匹配时,性能会劣化。为克服该问题,提出二维动态网格压缩波束形成声源识别方法。定义网格坐标和源强分布矢量为变量并采用对数求和罚函数构建目标函数以促进解的稀疏性;基于优化最小化框架在目标函数的基础上构造合适的替代函数以降低优化复杂度;通过梯度下降法对替代函数进行迭代优化求解,从而使网格坐标和源强分布矢量逐渐收敛至真实值附近。仿真和试验均表明,相较于传统固定网格的二维压缩波束形成,该方法能够克服基不匹配问题、获得更高的定位精度和量化精度;该方法能够适用于传声器随机分布的平面阵列,且无需先验的信噪比(噪声干扰)及声源稀疏度等信息,即使在传声器数量较少的情况下也能得到低污染高分辨率的声源成像,保证了高精度的二维波达方向估计和源强量化。

基于正交匹配追踪的二维离网压缩波束形成声源识别方法

基于平面传声器阵列的传统二维在网压缩波束形成获得准确的声源识别结果需满足两个前提:一是声源波达方向与离散化网格点一致(基匹配);二是相关的先验参数需被准确估计。然而,在实际应用中上述两个前提难以满足,此时传统二维在网压缩波束形成声源识别性能将受基不匹配和先验参数估计不准确的综合影响而显著下降。针对该问题,提出了基于正交匹配追踪的二维离网压缩波束形成声源识别方法。该方法以网格点处传递向量的一阶泰勒展开近似真实离网声源传递向量,构造以声源在网坐标、离网偏差及声源强度为未知变量的方程组,并基于正交匹配追踪和最小二乘法求解获得声源离网坐标及强度估计。仿真和试验均表明:提出方法能够有效缓解基不匹配问题,获得相比传统在网压缩波束形成方法更高的波达方向估计及源强量化精度,实现更好的声源识别性能,且享有高的计算效率;提出方法无需信噪比或正则化参数等先验参数估计,且对稀疏度估计和网格间距不敏感,声源识别性能稳健。

基于稀疏贝叶斯学习的压缩球波束形成声源识别方法

基于实心球传声器阵列的压缩球波束形成具有声学成像全景、适宜中远距离测量而易于布置等优势,在汽车、飞机等噪声源识别领域具有广阔应用前景。新近提出的基于稀疏贝叶斯学习(Sparse Bayesian learning, SBL)的压缩球波束形成能够获得良好的低频声源识别性能,但由于其采用了第二类最大似然估计(Maximum type-Ⅱ likelihood estimation, MLE-Ⅱ)进而需要估计声源稀疏度,且抗噪声干扰能力和计算效率也有待提升,推广应用受限。为此,首先将压缩球波束形成数学模型求解问题转化为SBL框架下的源强分布最大后验(Maximum a posterior,MAP)估计问题,并采用期望最大化优化算法(Expectation maximization, EM)加以求解,提出无需稀疏度估计的MAP-EM压缩球波束形成方法;在此基础上,将多快拍复声压矩阵输入转换为多快拍平均的声压互谱矩阵输入,并基于互谱矩阵对角重构降噪建立了抗噪声干扰能力增强的EMAP-EM(Enhanced MAP-EM, EMAP-EM)压缩球波束形成方法。仿真和试验均表明,提出的MAP-EM和EMAP-EM压缩球波束形成均具有高的空间分辨率和计算效率,且EMAP-EM压缩球波束形成抗噪声干扰能力更强,尤其在低频、低信噪比环境中声源识别性能更佳。最后,分析了迭代次数和快拍数对MAP-EM和EMAP-EM压缩球波束形成性能的影响规律并给出推荐值。

高性能波束形成声源识别方法研究综述

基于传声器阵列测量的波束形成声源识别技术广泛应用于军事、工业、环境等领域。围绕"空间分辨能力增强、寄生虚假声源抑制、定位定量精度提升、鲁棒稳健性能强化、声源识别功能完善"的目标,国内外学者开展了大量研究工作并取得了丰硕成果,反卷积波束形成、函数型波束形成和压缩波束形成三类典型高性能方法先后被提出。为帮助国内学者全面了解三类高性能波束形成方法并加以推广应用,系统阐述其核心思想,全面综述其重要研究进展,根据需要计算的阵列点传播函数的数目对反卷积波束形成进行科学分类,根据采用的网格点类型对压缩波束形成进行科学分类。综述同时涵盖适宜识别阵列前方局部区域内声源的平面传声器阵列和适宜360°全景识别声源的球面传声器阵列。