快速迭代收缩阈值波束形成声源识别方法研究

快速迭代收缩阈值波束形成声源识别方法研究

论文摘要

基于传声器阵列的波束形成声源识别方法具有计算效率高、适用于中远距离测量等优点,已成为航空飞机、高速列车、风力发电、汽车等领域噪声源识别的重要手段。其声源识别的基本思路为:离散化感兴趣的目标声源所在区域形成一系列聚焦网格点,利用阵列传声器空间采样目标声源辐射的声信号,基于特定算法后处理这些声信号来反向聚焦各网格点,使真实声源所在聚焦点区域被显著加强形成“主瓣”输出,其它聚焦点区域形成“旁瓣”输出,进而实现声源识别。然而,由于阵列传声器采样的有限性和离散性,使得传统波束形成的输出无法等于理想的函数,主瓣的宽度影响声源识别的空间分辨率,旁瓣污染了声源成像图。并且在实际非理想测量环境中,阵列各传声器除接收感兴趣目标声源辐射的声信号外,还不可避免地会受到一些外界干扰,各聚焦网格点的输出量既包含了感兴趣的目标声源的信息也包含了外界干扰信息,后者增加了对目标声源识别的不确定性,降低了声源识别的精度和适用性。因此扩展传统波束形成声源识别方法的应用场景,缩小主瓣宽度,提高空间分辨率,增强抑制鬼影和抗干扰能力成为目前声源识别研究的热难点。鉴此,本文以提高波束形成声源识别方法声源识别性能为目标,以反卷积波束形成声源识别方法和迭代收缩阈值理论为基础,提出了三种快速迭代收缩阈值波束形成声源识别方法。地面反射是产生干扰源的一个重要方面,为了消除波束形成声源识别时地面反射对声源识别结果的影响,给出了镜像地波束形成方法。DAMAS和NNLS反卷积波束形成算法可有效解决传统波束形成主瓣宽、分辨率低,旁瓣覆盖范围较广等缺陷,基于点传播函数空间转移不变性假设的快速反卷积算法将时域卷积变为波数域乘积,减少大维数矩阵运算,可以提高反卷积算法的计算效率,结合非规则聚焦点网格,对快速反卷积波束形成识别性能进行理论及仿真分析。仿真和试验结果表明FFT-NNLS的综合声源识别性能略优于DAMAS2。此外,为提高地面存在反射时波束形成的声源识别性能,推导了镜像地波束形成的阵列点传播函数,提出了镜像地波束形成反卷积清晰化方法。为进一步提高反卷积波束形成方法的计算效率和空间分辨率,基于快速迭代收缩阈值理论基础,推导基于零边界和周期边界条件理论公式,提出了基于周期边界的FFT-FISTA反卷积波束形成算法,从声源识别效果来看,当声源距离声学成像中心较远时,所提出的基于周期边界的FFT-FISTA声源识别性能最优。通过与DAMAS2和FFT-NNLS的计算时间比较,所提出基于周期边界的FFT-FISTA计算效率最高。在传统波束形成理论和IFISTA理论的基础上,基于周期边界条件,推导其傅里叶变换理论公式,提出了一种计算效率更高收敛特性更好的FFT-IFISTA。相比于DAMAS2、FFT-NNLS、FFT-FISTA等其它反卷积清晰化方法,FFT-IFISTA的计算效率更高,收敛性更好,收敛速度更快,声源识别综合性能更佳。对于FFTIFISTA,增加权重系数,趋于稳定所需的迭代次数越少,获得的主瓣宽度越窄,收敛性越好,但鬼影亦增多。增加权重系数可以提高FFT-IFISTA的收敛性,但权重系数过大,收敛性反而变差。最后,结合主要噪声源通常具有空间稀疏分布这一特性,将SFISTA运用到波束形成声源识别中,提出了一种收敛性更好幅值精度更高的SFISTA反卷积声源识别算法。分析了光滑参数和正则化参数对声源识别性能的影响,并给出了推荐值。分析了信噪比对其声源识别性能的影响,并与SC-DAMAS、FISTA、IFISTA进行了幅值量化精度比较。结果表明,所提出的SFISTA声源识别综合性能最好。此外,与FISTA和IFISTA进行了收敛性和计算效率的比较的结果表明:SFISTA的标准差下降速度最快,耗时和趋于稳定的标准差和IFISTA类似,均高于FISTA方法。

论文目录

  • 中文摘要
  • 英文摘要
  • 1 绪论
  •   1.1 论文的研究背景及意义
  •   1.2 噪声源识别方法概述
  •     1.2.1 声强法
  •     1.2.2 波叠加
  •     1.2.3 声全息
  •     1.2.4 波束形成
  •   1.3 波束形成声源识别方法研究现状
  •     1.3.1 传统波束形成声源识别方法
  •     1.3.2 自适应波束形成声源方法
  •     1.3.3 基于谱矩阵分解的波束形成方法
  •     1.3.4 广义逆波束形成方法
  •     1.3.5 压缩感知波束形成方法
  •     1.3.6 反卷积波束形成方法
  •   1.4 本文的主要研究内容及章节安排
  • 2 传统波束形成声源识别方法
  •   2.1 基本理论
  •     2.1.1 经典延迟求和
  •     2.1.2 互谱成像函数
  •   2.2 性能分析
  •     2.2.1 理想条件
  •     2.2.2 非理想条件
  •   2.3 本章小结
  • 3 经典反卷积波束形成声源识别方法
  •   3.1 基本理论
  •     3.1.1 反卷积波束形成声源识别算法
  •     3.1.2 基于快速傅里叶变换的波束形成算法
  •   3.2 模拟仿真及试验验证
  •     3.2.1 基于规则聚焦网格模型的声学成像模拟仿真与试验验证
  •     3.2.2 基于非规则聚焦网格模型的声学成像模拟仿真与试验验证
  •   3.3 镜像地波束形成反卷积声源识别方法仿真与试验验证
  •     3.3.1 模拟仿真
  •     3.3.2 试验验证
  •   3.4 本章小结
  • 4 快速迭代收缩阈值反卷积波束形成声源识别方法
  •   4.1 基本理论
  •     4.1.1 迭代收缩阈值方法理论
  •     4.1.2 快速迭代收缩阈值波束形成声源识别算法
  •     4.1.3 基于傅里叶变换的快速迭代收缩波束形成算法
  •   4.2 模拟仿真及试验验证
  •     4.2.1 基于规则聚焦网格模型的声学成像模拟仿真与试验验证
  •     4.2.2 基于非规则聚焦网格模型的声学成像模拟仿真与试验验证
  •   4.3 本章小结
  • 5 改进的快速迭代收缩阈值波束形成声源识别方法
  •   5.1 基本理论
  •     5.1.1 改进的快速迭代收缩波束形成算法
  •     5.1.2 基于傅里叶变换的改进快速迭代收缩波束形成算法
  •   5.2 模拟仿真及试验验证
  •     5.2.1 基于规则聚焦网格模型的声学成像模拟仿真与试验验证
  •     5.2.2 基于非规则聚焦网格模型的声学成像模拟仿真与试验验证
  •   5.3 性能分析
  •     5.3.1 权重系数对声源识别性能的影响
  •     5.3.2 信噪比对声源识别性能的影响
  •     5.3.3 收敛性比较
  •     5.3.4 计算效率比较
  •   5.4 本章小结
  • 6 考虑声源稀疏特性的光滑快速迭代收缩阈值波束形成方法
  •   6.1 光滑迭代收缩阈值波束形成算法
  •   6.2 参数选择
  •     6.2.1 光滑参数μ和正则化参数λ对声源识别结果的影响
  •     6.2.2 光滑参数μ和正则化参数λ的选取
  •   6.3 性能模拟仿真分析
  •     6.3.1 信噪比对声源识别性能的影响
  •     6.3.2 幅值精度对比
  •     6.3.3 收敛性比较
  •     6.3.4 计算效率比较
  •   6.4 试验验证
  •   6.5 光滑迭代收缩阈值波束形成算法的计算效率提升
  •     6.5.1 基本原理
  •     6.5.2 模拟仿真
  •     6.5.3 试验验证
  •   6.6 本章小结
  • 7 总结和展望
  •   7.1 总结
  •   7.2 本文的主要创新点
  •   7.3 展望
  • 参考文献
  • 附录
  •   A.作者在攻读博士学位期间发表的论文目录
  •   B.作者在攻读博士学位期间申请的专利
  •   C.作者在攻读博士学位期间参加的科研项目
  •   D.学位论文数据集
  • 致谢
  • 文章来源

    类型: 博士论文

    作者: 沈林邦

    导师: 褚志刚

    关键词: 波束形成,反卷积,迭代收缩阈值,稀疏约束,非规则聚焦网格

    来源: 重庆大学

    年度: 2019

    分类: 基础科学

    专业: 物理学

    单位: 重庆大学

    分类号: O42

    DOI: 10.27670/d.cnki.gcqdu.2019.000339

    总页数: 136

    文件大小: 9414k

    下载量: 32

    相关论文文献

    • [1].运动声源快速定位的声达时差法[J]. 声学学报 2020(01)
    • [2].运动声源识别研究现状分析[J]. 价值工程 2020(04)
    • [3].定深爆炸声源声信号能量分配试验研究[J]. 声学技术 2020(01)
    • [4].两种用于声学缩尺模型的声源研制[J]. 声学技术 2019(06)
    • [5].水下对空中声源的运动参数估计[J]. 应用声学 2020(02)
    • [6].养老设施活动空间背景声源类型对情绪及活动的影响[J]. 西部人居环境学刊 2020(04)
    • [7].融合声源分离及反复结构模型的音乐分离方法[J]. 声学学报 2020(05)
    • [8].风洞中未知声源漂移误差的逼近修正[J]. 吉林大学学报(工学版) 2020(05)
    • [9].能量加权时间特征用于浅海声源深度类型判别[J]. 应用声学 2020(05)
    • [10].混响环境中突发声源定向方法及性能[J]. 声学技术 2015(06)
    • [11].基于误差估计的发动机排气声源特性间接识别模型求解方法研究[J]. 振动与冲击 2016(16)
    • [12].爆炸声源声源级数据分析方法[J]. 声学与电子工程 2014(04)
    • [13].自然会话中的转述信息声源:儿童和成人转述话语的对比分析[J]. 山东外语教学 2015(04)
    • [14].声源聚集度的波叠加法虚拟源强配置[J]. 河南科技大学学报(自然科学版) 2020(03)
    • [15].浅海宽带声源深度判决方法[J]. 船舶力学 2020(02)
    • [16].一种可跟踪移动声源方向的麦克风阵列语音增强算法[J]. 厦门大学学报(自然科学版) 2015(04)
    • [17].空气中声源的水下匹配场定位[J]. 声学学报 2015(06)
    • [18].一种基于粒子滤波的多声源跟踪算法[J]. 计算机应用研究 2014(08)
    • [19].某型联合收割机的多相关声源识别[J]. 振动.测试与诊断 2013(01)
    • [20].双端口声源特性的多负载测量方法[J]. 科学技术与工程 2013(20)
    • [21].海洋水声调查中爆炸声声源级的测量分析[J]. 海洋技术 2009(02)
    • [22].水下轻便微小型多功能编码声源系统研究[J]. 海洋工程装备与技术 2020(03)
    • [23].基于压缩奇异值分解等效源法的结构板件声源识别[J]. 重庆大学学报 2019(12)
    • [24].一种强声气动声源的理论与实验研究[J]. 声学技术 2016(01)
    • [25].基于时域非简化模型的运动声源定量测量方法[J]. 清华大学学报(自然科学版) 2013(04)
    • [26].辐射声源数估计方法研究[J]. 水雷战与舰船防护 2010(01)
    • [27].音像光盘声源鉴定的研究[J]. 广东公安科技 2009(03)
    • [28].识别运动声源的时域波束形成技术研究[J]. 合肥工业大学学报(自然科学版) 2020(03)
    • [29].充液井中多极声源的辐射效率[J]. 地球物理学报 2016(02)
    • [30].考虑声源非线性影响下材料非线性系数测量研究[J]. 机械工程学报 2016(14)

    标签:;  ;  ;  ;  ;  

    快速迭代收缩阈值波束形成声源识别方法研究
    下载Doc文档

    猜你喜欢