论文部分内容阅读
基于麦克风阵列信号处理的声源识别技术是解决噪声控制中故障诊断问题的有效途径之一。近年来,稀疏正则化方法由于其利用信号固有稀疏结构来减少采样频率并提高信号重构效果,被越来越广泛地引入到声源识别。其声源识别的分辨力远高于传统识别方法,具有广泛的工程应用前景。鉴于此,本文选取具有代表性的l1范数稀疏正则化和l2范数正则化的稀疏化改进,展开了一系列研究,主要内容包括:针对传统广义逆波束形成和宽带声全息对中低频声源识别识别精度不足的问题,提出了基于改良Bregman迭代的l1范数稀疏正则化声源识别技术。该算法最初以声源强度的l1范数最小化为目标,以传统波束形成输出作为初值,把声源识别最优化问题分解为一系列无约束的l1范数稀疏正则化子问题。采用快速迭代收缩算法计算子问题,通过迭代求解使声源强度的计算值趋近于真实值。同时,在声学环境比较恶劣时,为了减小传递矩阵规模,引入插值小波分解对计算网格进行预提取。分析了不同正则化参数对解的影响,确定了正则化参数以及迭代步数的选取方法。对比了提出方法与传统方法对单极子与双相干声源识别结果。结果表明,提出方法在更宽频带内具有更好的识别效果。为进一步提高上述算法计算效率,在Bregman迭代稀疏促进算法的基础上,提出了基于混合梯度加速的线性化Bregman迭代声源识别方法。为了克服测量孔径的限制,在改进方法中引入了全息孔径迭代外推。通过数值仿真对改进方法的外推过程收敛性进行了验证。并验证了加速方法的有效性和稳定性。进一步仿真和实验研究了不同声源频率对识别效果的影响。结果显示,基于线性加速Bregman迭代的外推方法收敛,且对低频声源识别效果得到进一步改进。最后,针对基于平面传声器阵列的识别方法往往需要声源距离作为先验知识,而无法识别声源空间纵深距离的缺点,提出了一种基于l2范数正则化模型,采用加权最小二乘和相乘滤波进行稀疏化的的声源识别方法。首先结合统计最优,迭代广义逆以及高阶函数波束形成提出了稀疏促进混合波束形成算法。以主瓣能量级为适应度函数,利用遗传算法设计了一种空间十字轴阵列;然后将空间十字轴视作三个子阵列的组合,分别采用混合算法,然后利用子阵列输出相互进行幅值修正滤波。仿真对比和实验结果验证了该方法的有效性和先进性。结果表明,基于稀疏改进的l2范数正则化声源识别技术在空间声源识别应用上同样具有应用前景。