一种快速迭代收缩波束形成声源识别方法技术

本发明专利技术公开了一种快速迭代收缩波束形成声源识别方法，它包括以下步骤：步骤1、构建差函数；步骤2、将

【技术实现步骤摘要】
一种快速迭代收缩波束形成声源识别方法
本专利技术属于声场识别

技术介绍
基于反卷积的波束形成清晰化算法能够有效提高传统波束形成的空间分辨率、抑制旁瓣鬼影，提高声源识别性能。该类型方法的核心思想是基于传统波束形成的输出可近似于声源分布和阵列点传播函数的卷积的事实，通过反卷积获取声源真实信息。常见的方法有DAMAS、NNLS、Richardson-Lucy等，然而上述方法存在计算耗时长、收敛速度慢等问题，限制了其实际应用。为克服上述问题，在假设阵列点传播函数空间转移不变的基础上，基于空间快速傅立叶变换，将空间卷积转化为波数域乘积，提出了其对应的算法分别为DAMAS2、FFT-NNLS、FFT-Richardson-Lucy等，根据文献的对比，其中FFT-NNLS方法综合性较好。2015年Lylloff等提出FFT-FISTA算法，并与FFT-NNLS反卷积方法进行对比，结果表明：FFT-FISTA方法具有更高的计算效率和更快的收敛速度。为了进一步提高运算效率、收敛性、收敛速度等声源识别综合性能，提出了本专利技术的快速迭代收缩波束形成声源识别方法。FFT-FISTA是在2009年由Beck等提出用于解决信号图像处理中线性逆问题的FISTA迭代收缩算法。为提高FISTA方法图像处理的收敛速度和图形的重构性，2015年，Bhotto等在梯度函数最小化中引入正定权矩阵，提出IFISTA方法。
技术实现思路
本专利技术所要解决的技术问题就是提供一种快速迭代收缩波束形成声源识别方法，它能提高运算效率、收敛性和收敛速度。本专利技术的思路是：在互谱成像波束形成理论和IFISTA算法基础上，引入正定权矩阵Wn，进行傅里叶变换，从而提高收敛性和收敛速度，同时减少了运算量，提高了运算效率。本专利技术所要解决的技术问题是通过这样的技术方案实现的，它包括以下步骤：步骤1、构建差函数在阵列点传播函数、声源分布、传统波束形成输出结果之间构建差函数差函数式为：式中，‖·‖2代表2范数，A＝[psf(r|r′)]为N×N维已知阵列点传播函数矩阵，N为聚焦网格点数目，N＝Nr×Nc，Nr和Nc分别为网格点行数和列数；q＝[q(r′)]，为N维未知列向量，q表示声源分布，且q(r′)≥0；r′为声源坐标向量，b＝[b(r)]为N维已知列向量，b表示波束形成的输出结果；步骤2、将Aq-b进行傅里叶变换后求结果误差最小，由差函数中非负最小二乘问题转变成基于傅里叶变化的最小化式：式中，‖·‖Fro代表Frobenius范数；"F"和"F-1"为傅里叶正变换和逆变换；Ql为ql的元素组成的Nr行Nc列的矩阵，ql表示第l次迭代的声压贡献；A为阵列点传播函数矩阵，为A第1列元素形成的矩阵，B为傅里叶变化后波束形成输出结果向量；步骤3、通过迭代求解Q，Q为经过傅里叶变化声源分布向量给定一个初始矩阵Q0＝0，令Y1＝Q0，t1＝1，迭代过程如下：第一步、第二步、第三步、以上三步为一个循环，将Yl+1代入第一步求得Ql+1进入下一次循环，如此反复迭代直到满足程序所设迭代次数的限制条件要求；上式中，Р+表示在非负象限的欧几里得投影，tl第l次迭代步长；"(·)○(·)"表示Hadamard幂运算，"○"表示Hadamard积运算；n表示权重系数，j表示变量，表示从n个不同元素选取j个元素的组合；L为Lipschitz常数。本专利技术基于近场球面波假设，将互谱成像波束形成理论与IFISTA反卷积理论结合，本专利技术的技术效果是：与现有的FFT-NNLS，FFT-FISTA等其他反卷积清晰化方法相比，本专利技术的计算效率更高，收敛性更好，收敛速度更快，声源识别综合性能更佳。附图说明本专利技术的附图说明如下：图1为声源识别布局示意图；图2为声源识别结果显示图；图3为聚焦网格的正面图；图3(a)为规则平面网格；图3(b)为不规则平面网格；图4为本专利技术与FFT-NNLS、FFT-FISTA反卷积方法的规则聚焦网格2000HZ声源识别模拟仿真对比图；a、FFT-NNLS；b、FFT-FISTA；c、本专利技术n＝1；d、n＝2；e、n＝3；f、n＝4；g、n＝5；h、n＝6；图5为本专利技术与FFT-NNLS、FFT-FISTA反卷积方法的不规则聚焦网格2000HZ声源识别模拟仿真对比图；a、b、c、d、e、f、g、h、同图4；图6为试验测量现场布置图；图7为试验测量下本专利技术与FFT-NNLS、FFT-FISTA反卷积方法的不规则聚焦网格2000HZ声源识别模拟仿真对比图；a、FFT-NNLS；b、FFT-FISTA；c、本专利技术n＝1；d、n＝3。具体实施方式下面结合附图和实施例对本专利技术作进一步说明：本专利技术包括以下步骤：步骤1、构建差函数图1为波束形成声源识别布局示意图，其中r为聚焦坐标向量，rm(m＝1,2,3,…,M)为第m号传声器的坐标向量，M是传声器个数，Nr和Nc分别为网格点行数和列数，Nrm和Ncm分别为中心网格点所在行数和列数。互谱成像函数是波束形成的常见算法，其在聚焦网格点位置假设单极子声源分布模型，通过最小化模型点声源产生的声信号互谱与实际测量的声信号互谱间的差函数来确定真实声源的位置和强度，声源在计算平面的坐标和声源强度的大小为：式(1)中，b(r)表示波束形成的输出结果向量的元素，C为互谱矩阵，1为所有元素均是1的M×M矩阵，v(r)＝[v1(r),v2(r),…vm(r),…vM(r)]T表示聚焦点位置的转向列向量，w(r)≡[|v1(r)|2,|v2(r)|2,…|vm(r)|2…|vM(r)|2]T，上标T和*分别表示转置和共轭，v(r)中的元素表达式为：式(2)中，k＝2πf/c为波数，f为信号频率，c为声速，r为聚焦坐标向量。当聚焦坐标r等于真实声源所在坐标时，B(r)最大，对应形成“主瓣”。当聚焦坐标r不等于真实声源所在坐标时，B(r)相对被衰减，对应形成“旁瓣”，如图2所示的声源识别结果，能有效识别声源。假设声源互不相干，则阵列传声器接收声信号的互谱等于各声源分别在阵列传声器处产生声信号互谱的和，计算式为：C＝∑r′C(r′)＝∑r′q(r′)|r′|[v*(r′)vT(r′)](3)式(3)中，C为互谱矩阵，r′为声源坐标向量，q(r′)为r′处声源的在阵列中心处声压贡献。将式(3)代入式(1)得式(4)中，sf(r|r′)为阵列点传播函数，表示r′位置单位声压贡献点声源在聚焦点r位置的波束形成贡献量。在阵列点传播函数、声源分布、传统波束形成输出结果之间构建差函数差函数式为：式(5)中，‖·‖2代表2范数，A＝[psf(r|r′)]为N×N维已知阵列点传播函数矩阵，N为聚焦网格点数目，N＝Nr×Nc，Nr和Nc分别为网格点行数和列数；q＝[q(r′)]，为N维未知列向量，q表示声源分布，且q(r′)≥0；r′为声源坐标向量，b＝[b(r)]为N维已知列向量，b表示波束形成的输出结果。步骤2、将Aq-b进行傅里叶变换后求结果误差最小，由差函数中非负最小二乘问题转变成基于傅里叶变换的最小化式。IFISTA算法通过投影梯度下降算法反复迭代来获取声压贡献q，其表达式为：式(6)中，Р+表示在非负象限的欧几里得投影，ql表示第l次的迭代结果，L为Lipschitz常数本文档来自技高网...

【技术保护点】
1.一种快速迭代收缩波束形成声源识别方法，其特征是，包括以下步骤：步骤1、构建差函数在阵列点传播函数、声源分布、传统波束形成输出结果之间构建差函数

【技术特征摘要】
1.一种快速迭代收缩波束形成声源识别方法，其特征是，包括以下步骤：步骤1、构建差函数在阵列点传播函数、声源分布、传统波束形成输出结果之间构建差函数差函数式为：式中，‖·‖2代表2范数，A＝[psf(r|r′)]为N×N维已知阵列点传播函数矩阵，N为聚焦网格点数目，N＝Nr×Nc，Nr和Nc分别为网格点行数和列数；q＝[q(r′)]，为N维未知列向量，q表示声源分布，且q(r′)≥0；r′为声源坐标向量，b＝[b(r)]为N维已知列向量，b表示波束形成的输出结果；步骤2、将Aq-b进行傅里叶变换后求结果误差最小，由差函数中非负最小二乘问题转变成基于傅里叶变化的最小化式：式中，‖·‖Fro代表Frobenius范数；"F"和"F-1"为傅里叶正变换和逆变换...

【专利技术属性】
技术研发人员：褚志刚，周其祥，沈林邦，吴桂娇，杨洋，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50