质点振速传感器直线阵超指向性波束形成

声矢量传感器及其组阵方式的研究已成为水声领域的热门课题。该文研究了当单自由度矢量传感器(质点振速传感器)的观测方向沿直线阵轴线方向时的空间均匀噪声场中两阵元的噪声相关系数,然后采用Gram-Schmidt模态波束分解与综合方法推导了高阶超指向性的最优解,得到了直线阵端射方向的指向性指数和稳健性水平。仿真研究表明,当d/λ<0.5(d为阵元间距,λ为波长)时,质点振速传感器直线阵(简称质点振速阵)采用超指向性方法在端射方向的指向性指数略高于声压传感器直线阵(简称声压阵);而当d/λ>0.5时,质点振速阵的指向性指数远远高于声压阵。该文的研究内容对水下声呐系统中质点振速传感器的有效组阵和实际应用具有一定的参考价值。

利用波束形成和神经网络进行语音增强

语音增强在语音信号处理的前端非常重要,直接影响后端语音识别等效果。目前用神经网络进行单通道语音分离对于解决鸡尾酒会问题取得了很大的进步,但是用于复杂混合语音时分离效果仍不令人满意。针对单通道情形下的不足,使用多通道结构形成4个方向的超指向波束,结合神经网络算法实现对于指定方向的目标语音增强。仿真和实验结果表明,该算法相较于超指向波束形成算法和谱减法在多种评价指标上均有了明显的提升。

面向语音通信与交互的麦克风阵列波束形成方法

临境语音通信与智能语音交互都面临复杂声学环境中的远距离高保真拾音难题,解决这一难题的有效途径是使用由多个麦克风传感器组成的麦克风阵列或多通道拾音系统,这种系统的核心是信号处理,通过对空间采样的声场信息进行时、空、频三域的联合处理来实现声源定向/定位、信号增强、噪声抑制、混响抑制、声源分离、声场参数估计等功能。麦克风阵列信号处理的方法有很多,其中研究的最多、使用得最广的方法是波束形成。本文对麦克风阵列波束形成的原理、进展以及当前常用的方法进行简要综述,内容涵盖延迟求和、超指向、差分、正交级数展开、Kronecker和自适应波束形成方法。论文侧重于方法原理、机理和架构方面的探讨,具体的算法实现细节感兴趣的读者可以参考相应的文献。

基于波束形成的长短时记忆网络语音分离算法研究

在利用深度学习方式进行语音分离的领域,常用卷积神经网络(RNN)循环神经网络进行语音分离,但是该网络模型在分离过程中存在梯度下降问题,分离结果不理想。针对该问题,该文利用长短时记忆网络(LSTM)进行信号分离探索,弥补了RNN网络的不足。多路人声信号分离较为复杂,现阶段所使用的分离方式多是基于频谱映射方式,没有有效利用语音信号空间信息。针对此问题,该文结合波束形成算法和LSTM网络提出了一种波束形成LSTM算法,在TIMIT语音库中随机选取3个说话人的声音文件,利用超指向波束形成算法得到3个不同方向上的波束,提取每一波束中频谱幅度特征,并构建神经网络预测掩蔽值,得到待分离语音信号频谱并重构时域信号,进而实现语音分离。该算法充分利用了语音信号空间特征和信号频域特征。通过实验验证了不同方向语音分离效果,在60°方向该算法与IBM-LSTM网络相比,客观语音质量评估(PESQ)提高了0.59,短时客观可懂(STOI)指标提高了0.06,信噪比(SNR)提高了1.13 dB,另外两个方向上,实验结果同样证明了该算法较IBM-LSTM算法和RNN算法具有更好的分离性能。

水下线谱噪声源识别的波束域时频分析方法研究

从联合空时频三维信息从发,提出了波束域时频分析识别水下运动航行器低频线谱噪声源位置的方法.首先,利用小孔径圆环阵的超指向性波束形成,将各线谱噪声源匀速通过正横位置附近时产生的多普勒信号在时域上分离.其次,分别使用伪Wigner-Ville分布和调频小波变换两种时频分析方法对波束输出的信号进行处理,得到各噪声源信号的时频图像.最后,转换时间坐标到空间并参考配置信标,即可识别低频线谱噪声源在水下航行器上的位置.该方法解决了阵列识别水下低频噪声源的孔径受限问题,同时对处理同频相干噪声源也适用.仿真试验结果表明:两种波束域时频分析方法都能较精确地识别低频线谱噪声源的位置;在测量系统信息的配合下,波束域调频小波变换的识别效果更优.

基于SBF-ISVD的带式输送机声信号增强方法

在带式输送机的声学诊断过程中,其声信号受混响及背景噪声的干扰十分严重,为此,通过分析混响产生的原因和声信号的组成等,提出了一种基于超指向性波束形成(SBF)去混响和改进奇异值分解(ISVD)降噪的声信号增强方法。首先,利用基于能量变化最大值进行了最优频带选择,确定了包含故障信息较多的频带;然后,利用SBF去除了混响对声信号的干扰,采用ISVD方法对去混响后的信号进行了降噪处理,并对信号进行了包络谱分析,对比了实际测得的故障特征频率和理论的故障特征频率,对带式输送机的故障特征进行了提取;最后,设计了实验,采集了实验数据,利用该方法对煤矿现场采集到的数据进行了分析验证,并将其与加权预测误差算法(WPE)和线性约束最小方差(LCMV)相结合的方法以及递归最小二乘法(RLS)进行了对比。研究结果表明:与原信号相比,经SBF-ISVD方法处理后,实验数据包络谱中内圈故障特征频率153.1 Hz及其倍频312.5 Hz处的幅值明显提高,信噪比从-31.39 dB显著提高至-25.4 dB。基于SBF-ISVD的声信号增强方法去混响和降噪效果显著,轴承故障特征提取效果较好,可实现复杂环境噪声下带式输送机声信号增强的目的。