基于端到端深度学习的声源特征清晰化方法

摘要：

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.

关键词：声源识别、波束形成、U-Net模型、端到端深度学习、相控麦克风阵列

所属期刊栏目：42

分类号：TN912.34

资助基金：国家自然科学基金11874096

在线出版日期：2023-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：133-141