[发明专利]适用于识别相干和非相干声源的反卷积声源成像方法

说明书

本发明公开了一种适用于相干和非相干声源的反卷积声源成像算法。利用传感器获得测量面的声压数据并作去噪处理，获得去噪声压数据；针对去噪声压数据采用延时求和算法计算聚焦面上各聚焦点处的延时求和输出；并利用声压Green函数和阵列导向矢量构建对应延时求和波束形成结果的新型点扩展函数矩阵，建立延时求和波束形成输出结果、声源源强分布以及新型点扩展函数矩阵之间的卷积关系。利用反卷积方法求解声源源强，从而实现噪声源的精确定位。本发明可同时适用于相干声源和非相干声源的识别，并有着较好的噪声鲁棒性，计算效率也远高于现有的可用于相干声源的反卷积声源成像方法。因此该算法具有更广泛的运用范围和实际意义。

技术领域

本发明涉及噪声源的识别和定位领域，更具体地说是一种适用于识别相干和非相干声源的反卷积声源成像方法。

背景技术

反卷积声源成像(DAMAS)是一种基于声阵列的高分辨率噪声源识别与定位方法，该方法基于空间声源的非相干假设，建立互谱成像波束形成输出结果与真实声源分布以及阵列点扩展函数(PSF)矩阵三者间的卷积关系，通过反卷积计算求解真实声源分布，从而消除非理想PSF对波束形成输出结果的影响，达到有效降低主瓣宽度和旁瓣水平，显著提高声源识别空间分辨率的目的。由于其空间分辨率可达常规波束形成技术的10倍以上，且通过算法中的互谱操作可以有效抑制传感器在流体中的自噪声，因此DAMAS在气动噪声领域获得了较为广泛的应用。目前已有的反卷积声源成像算法主要可以分为三类：第一类为Brooks等提出的传统DAMAS算法(Brooks T F,Humphreys W M 2006J.Sound.Vib.294856)，其利用互谱波束形成输出结果，声源分布以及PSF三者之间的卷积关系建立线性方程组，通过Gauss-seidel迭代解卷积，求解真实声源分布，从而获得具有高分辨率的噪声源识别结果。但由于该算法在构建线性方程组时需要计算聚焦面上所有网格点处的PSF，所需计算量很大，计算效率较低。第二类为基于快速Fourier变换(FFT)的DAMAS算法，包括Dougherty等提出的DAMAS2算法(Dougherty R.Extensions of DAMAS and Benefits andLimitations of Deconvolution in Beamforming[J].AIAA paper 05-2960,2005)与Ehrenfried等提出的FFT-NNLS算法(Ehrenfried K,Koop L.Comparison of IterativeDeconvolution Algorithms for the Mapping of Acoustic Sources[J].AIAA Journal,2012,45(7):1-19.)以及Lylloff等提出了FISTA-DAMAS算法(Lylloff O,Fernández-Grande E,Agerkvist F,et al.Improving the efficiency of deconvolutionalgorithms for sound source localization[J].The Journal of the AcousticalSociety of America,2015,138(1):172-180.)。这些算法的基本思想为：当测量阵列到声源的距离相比于测量阵列自身的孔径较大时或者聚焦面相对较小时，PSF具有近似平移不变性，因此可以利用FFT将声源分布与PSF矩阵的空域卷积转化为阵列中心点处PSF与声源分布在波数域的乘积，从而实现快速计算。这些算法由于仅需计算阵列中心点处的PSF，求解过程也可运用FFT实现，因此相对于传统DAMAS算法具有明显的效率优势。第三类为基于稀疏重构方法的反卷积声源成像算法，其基本原理是利用声源分布在空间中的稀疏性，采用压缩感知理论中的稀疏重构算法解卷积，从而获得声源分布的精确解。由于稀疏约束的引入限制了方程解空间的大小，确保了声源分布的空间稀疏性，因此此类算法可以获得更高的精度和分辨率。目前此类算法主要有Yardibi等提出的稀疏约束反卷积声源成像算法(SC-DAMAS)(Yardibi T,Li J,Stoica P,et al.Sparsity constrained deconvolutionapproaches for acoustic source mapping[J].Journal of the Acoustical Societyof America,2008,123(5):2631-2642)和Padois等提出的基于正交匹配追踪的反卷积声源成像算法(OMP-DAMAS)(Padois T,Berry A.Orthogonal matching pursuit applied tothe deconvolution approach for the mapping of acoustic sources inverseproblem[J].Journal of the Acoustical Society of America,2015,138(6):3678-3685.)。其中SC-DAMAS算法通过一个L1范数正则化过程解卷积，其结果具有很高的精度和空间分辨率，但由于L1范数正则化过程需要求解一个凸优化问题，其计算复杂度较高，因此该算法计算效率较低。OMP-DAMAS算法理论上仅需要进行声源个数次迭代就能获得精确解，因此计算效率相对较高，但由于计算过程中没有控制噪声误差的正则化处理过程，因此其结果精度受测量误差影响更大，精度和分辨率不及SC-DAMAS算法。