超高分辨率压缩球波束形成声源识别方法技术

本发明专利技术公开超高分辨率压缩球波束形成声源识别方法，步骤包括：1)基于泰勒展开构建球谐函数域二维离网压缩球波束形成模型；2)为球谐函数域二维离网压缩球波束形成模型中的未知变量提供先验假设，并计算未知变量的联合概率密度函数；3)根据未知变量的联合概率密度函数，对球谐函数域二维离网压缩球波束形成模型的未知变量进行解算，估计得到声源DOA和声源强度。本发明专利技术能克服基不匹配问题，准确估计离网声源DOA和量化声源强度，并享有超高分辨率。并享有超高分辨率。并享有超高分辨率。

【技术实现步骤摘要】
超高分辨率压缩球波束形成声源识别方法


[0001]本专利技术涉及声场识别
，具体是超高分辨率压缩球波束形成声源识别方法。

技术介绍

[0002]声全息和波束形成技术是两种基于声阵列的噪声源识别方法，具有测量速度快、声学成像效率高且能进行运动声源测量等优点。可实现声场可视化，便于更加直观地进行声源识别定位。
[0003]其中，基于球面传声器阵列测量的压缩球波束形成是实现全景声源识别的有效途径。
[0004]传统压缩波束形成方法大多基于聚焦区域离散化与声源在网假设实现声源识别。但是，该方法存在基不匹配问题，也即当声源未落在人为划分的网格点上时，其声源识别结果恶化。基不匹配问题限制了该技术的推广应用。
[0005]因此，亟需一种可以克服基不匹配问题的压缩球波束形成声源识别方法。

技术实现思路

[0006]本专利技术的目的是提供超高分辨率压缩球波束形成声源识别方法，包括以下步骤：
[0007]1)基于泰勒展开构建球谐函数域二维离网压缩球波束形成模型；
[0008]2)为球谐函数域二维离网压缩球波束形成模型中的未知变量提供先验假设，并计算未知变量的联合概率密度函数；
[0009]3)根据未知变量的联合概率密度函数，对球谐函数域二维离网压缩球波束形成模型的未知变量进行解算，估计得到声源DOA和声源强度。
[0010]所述球谐函数域二维离网压缩球波束形成模型如下所示：
[0011]P＝H(Δθ,Δφ)X+N
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0012]式中，为声压矩阵；为声源强度矩阵；为噪声矩阵；表示复数集；Q、L、G分别传声器数目、快拍数目、网格点数目，每一个网格点对应一个潜在声源；
[0013]其中，传递函数矩阵H(Δθ,Δφ)如下所示：
[0014]H(Δθ,Δφ)＝(A(Γ
F
)+B
θ
(Γ
F
)Diag(Δθ)+B
φ
(Γ
F
)Diag(Δφ))
ꢀꢀꢀꢀꢀ
(2)
[0015]式中，Γ
F
是各网格点所在方向的集合，Γ
F
＝{(θ
Fg
,φ
Fg
)|g＝1,2,
…
,G}；θ
Fg
、φ
Fg
是第g个网格点仰角和方位角方向；Δθ、Δφ分别是仰角和方位角方向的DOA偏移量向量；Diag(
·
)表示生成以括号内向量为对角线的对角矩阵；
[0016]矩阵A(Γ
F
)、矩阵B
θ
(Γ
F
)、矩阵B
φ
(Γ
F
)如下所示：
[0017][0018][0019][0020]式中，矩阵式中，矩阵N为球谐函数的最高阶次；向量矩阵向量上标H表示Hermitian转置；为n阶m次球谐函数；n＝0,1,
…
,N，m＝
‑
N,
…
,0,
…
,N，,N，为模态强度矩阵；b
n
(kr
F
,ka)为第n阶模态强度；k为波数；r
F
为聚焦半径；a为球阵列半径。Γ
M
是各传声器所在方向的集合，Γ
M
＝{(θ
Mq
,φ
Mq
)|q＝1,2,
…
,Q}；θ
Fg
、φ
Fg
是第g个网格点仰角和方位角方向；θ
Mq
、φ
Mq
是第q个传声器仰角和方位角方向；
[0021]所述球谐函数域二维离网压缩球波束形成模型的未知变量包括声源强度矩阵X、噪声矩阵N、仰角方向的DOA偏移量向量Δθ、方位角方向的DOA偏移量向量Δφ。
[0022]计算未知变量的联合概率密度函数的步骤包括：
[0023]a)设定声源强度矩阵X服从两级层级先验，且声源强度矩阵X中的快拍数据相互独立；
[0024]设定噪声矩阵N服从循环对称复高斯分布，且噪声矩阵N服中传声器、快拍数据均为独立数据；
[0025]设定仰角方向的DOA偏移量向量Δθ、方位角方向的DOA偏移量向量Δφ服从均匀分布；
[0026]b)根据球谐函数域二维离网压缩球波束形成模型和噪声矩阵N的先验分布，得到数据似然p(P|X)，即：
[0027][0028]式中，P
.,l
为声压矩阵P的第l列；H＝H(Δθ,Δφ)；向量X
.,l
为声源强度矩阵X的第l列；参数α＝σ
‑2；σ2为噪声方差；I为Q
×
Q维单位矩阵；
[0029]c)计算联合概率密度函数p(X,P,α,ξ,Δθ,Δφ)，即：
[0030]p(X,P,α,ξ,Δθ,Δφ)＝p(P|X)p(X|ξ)p(ξ)p(α)p(Δθ)p(Δφ)
ꢀꢀꢀꢀꢀꢀ
(7)
[0031]式中，p(X|ξ)、p(ξ)、p(α)、p(Δθ)、p(Δφ)表示概率分布。ξ为超参数向量，用于控制向量X
.,l
各元素的方差；
[0032]第一级层级先验中，声源强度矩阵X服从圆对称复高斯分布，即：
[0033][0034]式中，向量X
·
,l
为声源强度矩阵X的第l列；ξ为超参数向量，用于控制向量X
·
，l
各元
素的方差；参数Λ＝Diag(ξ)；对于任意变量参数u、μ、Σ分别指代X
·
,l
、0、Λ；
[0035]第二级层级先验中，超参数向量ξ服从Gamma分布，即：
[0036][0037]式中，ξ
g
为超参数向量ξ的第g个元素；对于任意变量u，Γ(u|a,b)＝(Γ(a))
‑1b
a
u
a
‑1exp(
‑
bu)；Γ(
·
)为Gamma函数；是固定先验值。p(ξ|ρ)为概率分布；u、a、b指代ξ
g
、1、ρ。
[0038]噪声矩阵N满足下式：
[0039][0040]式中，N
·
,l
为噪声矩阵N的第l列；参数α＝σ
‑2；σ2为噪声方差；I为Q
×
Q维单位矩阵；p(N|α)为概率分布；
[0041]其中，参数α服从Gamma分布，即：
[0042]p(α|c,d)＝Gamma(α|c,d),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0043]式中，均是固定的先验值。p(α|c,d)为概率分布；
[0044]仰角方向的DOA偏移量向量Δθ、方位角方向的DOA偏移量向量Δφ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.超高分辨率压缩球波束形成声源识别方法，其特征在于，包括以下步骤：1)基于泰勒展开构建所述球谐函数域二维离网压缩球波束形成模型；2)为球谐函数域二维离网压缩球波束形成模型中的未知变量提供先验假设，并计算未知变量的联合概率密度函数。3)根据未知变量的联合概率密度函数，对球谐函数域二维离网压缩球波束形成模型的未知变量进行解算，估计得到声源DOA和声源强度。2.根据权利要求1所述的超高分辨率压缩球波束形成声源识别方法，其特征在于，所述球谐函数域二维离网压缩球波束形成模型如下所示：P＝H(Δθ,Δφ)X+N
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，为声压矩阵；为声源强度矩阵；为噪声矩阵；表示复数集；Q、L、G分别传声器数目、快拍数目、网格点数目，每一个网格点对应一个潜在声源；其中，传递函数矩阵H(Δθ,Δφ)如下所示：H(Δθ,Δφ)＝(A(Γ
F
)+B
θ
(Γ
F
)Diag(Δθ)+B
φ
(Γ
F
)Diag(Δφ))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，Γ
F
是各网格点所在方向的集合，Γ
F
＝{(θ
Fg
,φ
Fg
)|g＝1,2,
…
,G}；θ
Fg
、φ
Fg
是第g个网格点仰角和方位角方向；Δθ、Δφ分别是仰角和方位角方向的DOA偏移量向量；Diag(
·
)表示生成以括号内向量为对角线的对角矩阵；矩阵A(Γ
F
)、矩阵B
θ
(Γ
F
)、矩阵B
φ
(Γ
F
)如下所示：)如下所示：)如下所示：式中，矩阵式中，矩阵N为球谐函数的最高阶次；向量矩阵向量上标H表示Hermitian转置；为n阶m次球谐函数；n＝0,1,
…
,N，m＝
‑
N,
…
,0,
…
,N，,N，为模态强度矩阵；b
n
(kr
F
,ka)为第n阶模态强度；k为波数；r
F
为聚焦半径；a为球阵列半径。Γ
M
是各传声器所在方向的集合，Γ
M
＝{(θ
Mq
,φ
Mq
)|q＝1,2,
…
,Q}；θ
Fg
、φ
Fg
是第g个网格点仰角和方位角方向；θ
Mq
、φ
Mq
是第q个传声器仰角和方位角方向；3.根据权利要求1所述的超高分辨率压缩球波束形成声源识别方法，其特征在于，所述球谐函数域二维离网压缩球波束形成模型的未知变量包括声源强度矩阵X、噪声矩阵N、仰角方向的DOA偏移量向量Δθ、方位角方向的DOA偏移量向量Δφ。
4.根据权利要求3所述的超高分辨率压缩球波束形成声源识别方法，其特征在于，计算未知变量的联合概率密度函数的步骤包括：1)设定声源强度矩阵X服从两级层级先验，且声源强度矩阵X中的快拍数据相互独立；设定噪声矩阵N服从循环对称复高斯分布，且噪声矩阵N服中传声器、快拍数据均为独立数据；设定仰角方向的DOA偏移量向量Δθ、方位角方向的DOA偏移量向量Δφ服从均匀分布；2)根据球谐函数域二维离网压缩球波束形成模型和噪声矩阵N的先验分布，得到数据似然p(P|X)，即：式中，P
·
,l
为声压矩阵P的第l列；H＝H(Δθ,Δφ)；向量X
·
,l
为声源强度矩阵X的第l列；参数α＝σ
‑2；σ2为噪声方差；I为Q
×
Q维单位矩阵；3)计算联合概率密度函数p(X,P,α,ξ,Δθ,Δφ)，即：p(X,P,α,ξ,Δθ,Δφ)＝p(P|X)p(X|ξ)p(ξ)p(α)p(Δθ)p(Δφ)
ꢀꢀꢀꢀꢀꢀꢀ
(7)式中，p(X|ξ)、p(ξ)、p(α)、p(Δθ)、p(Δφ)表示概率分布。ξ为超参数向量，用于控制向量X
·
,l
各元素的方差；5.根据权利要求4所述的超高分辨率压缩球波束形成声源识别方法，其特征在于，第一级层级先验中，声源强度矩阵X服从圆对称复高斯分布，即：式中，向量X
·
,l
为声源强度矩阵X的第l列；ξ为超参数向量，用于控制向量X
·
l
各元素的方差；参数Λ＝Diag(ξ)；对于任意变量参数u、μ、Σ分别指代X
·
,l
、0、Λ；第二级层级先验中，超参数向量ξ服从Gamma分布，即：式中，ξ
g
为超参数向量ξ的第g个元素；对于任意变量u，Γ(u|a,b)＝(Γ(a))
‑1b
a
u
a
‑1exp(
‑
bu)；Γ(
·
)为Gamma函数；是固定先验值。p(ξ|ρ)为概率分布；u、a、b指代ξ
g
、1、ρ。6.根据权利要求4所述的超高分辨率压缩球波束形成声源识别方法，其特征在于，噪声矩阵N满足下式：式中，N
·
,l
为噪声矩阵N的第l列；参数α＝σ
‑2；σ2为噪声方差；I为Q
×
Q维单位矩阵；p(N|α)为概率分布；其中，参数α服从Gamma分布...

【专利技术属性】
技术研发人员：褚志刚，殷实家，杨洋，
申请(专利权)人：重庆大学，
类型：发明
国别省市：