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.
声源识别、球传声器阵列、压缩球波束形成、稀疏贝叶斯学习
59
TB52(声学工程)
国家自然科学基金;汽车噪声振动;国家重点实验室开放基金
2023-04-20(万方平台首次上网日期,不代表论文的发表时间)
共13页
1-13