基于加权修正参数的P范数噪声源定位识别方法技术

本发明专利技术公开了基于加权修正参数的P范数噪声源定位识别方法，它涉及噪声源定位技术领域；它的定位识别方法为：步骤一、特征值分解声源定位识别方法；步骤二、P范数噪声源信号重构法；步骤三、加权修正参数ε对算法的选取；本发明专利技术通过特征分解获得各阶特征子空间及子空间响应函数，对各阶特征子空间采用预设声源的方法建立子空间声源向量重构模型，利用加权修正参数的P范数稀疏性约束求解该重构模型，迫使子空间声源向量能更快，更有效的向真实稀疏源位置收敛，获得能量更加集中的稀疏解；分析了信噪比、测量距离、基阵孔径及分析频率对算法定位性能的影响，仿真结果显示该方法可实现对不同类型声源位置及幅度的准确估计，稳定性较好。

P norm noise source location and recognition method based on weighted correction parameters

The invention discloses a P norm noise source location recognition method based on weighted correction parameter, which relates to the technical field of noise source localization; location identification of it as follows: step one, value decomposition characteristics of sound source localization recognition method; step two, the P norm of noise source signal reconstruction method; step three, the weighted correction parameters of algorithm; the invention obtained through eigen decomposition of each order feature subspace and subspace response function of each order subspace by method of default sound source to establish sound source vector subspace reconstruction model, P norm sparse constraint solving using weighted correction parameters of the reconstructed model, forcing the subspace source vector faster and more effective to the true sparse source location convergence, for ease the energy more concentrated dilute; analysis of signal-to-noise ratio, measuring distance, aperture and frequency of legal analysis The simulation results show that the proposed method can accurately estimate the position and amplitude of different types of sound sources, and the stability is good.

【技术实现步骤摘要】

本专利技术涉及一种基于加权修正参数的P范数高分辨率高精度噪声源定位识别方法，属于噪声源定位

技术介绍
常规波束形成(conventionalbeamforming，CBF)作为最主要的噪声源阵列信号处理技术因其优良的宽容性和易操作性被广泛的应用到对飞机，汽车辐射噪声的探测与定位中。然而常规波束形成其空间分辨率受到阵列物理孔径的限制，即存在“瑞利限(Rayleigh)”，在多声源探测中，空间“混淆”问题严重。为了突破“瑞利限”，众多高分辨率谱估计法应运而生，其中以子空间多重信号分类(MUSIC)算法为代表，该算法通过对基阵接收数据协方差矩阵进行特征分解，从而得到同信号分量相对应的信号子空间与噪声子空间,利用其正交特性构造出“针状”空间谱峰，相较于以往的各种方法大大的提高了定位精度及空间分辨率。然而该方法仅能得到声源方位的估计结果，无法真实反映声源贡献的相对大小，不能达到声源识别的目的。
技术实现思路
针对上述问题，本专利技术要解决的技术问题是提供一种基于加权修正参数的P范数高分辨率高精度噪声源定位识别方法。本专利技术的基于加权修正参数的P范数噪声源定位识别方法，它的定位识别方法为：步骤一、特征值分解声源定位识别方法：由M元全向声学麦克风阵列接收数据构造的谱矩阵为：其中：P(ω)＝[P1(ω)P2(ω)LPM(ω)]T为阵列接收信号进行离散傅里叶变换后的频域快拍矢量,上标H表示共轭转置；由于为Hermite矩阵,其特征值分解可表示成：其中Λ是一个对角矩阵，由排序的特征值组成：Λ＝diag[λ1,λ2,L,λM](3)U为M×M维矩阵,由正交特征矢量组成：U＝[φ1Mφ2MLMφM](4)每个正交特征矢量定义了一个特征子空间，表示阵列对信号在该子空间内响应的方向向量，其特征值为子空间响应强度；由此通过特征值及特征失量来定义阵列对声源在该子空间内的响应函数为：将ui带入式(2)得到由子空间响应函数表征的谱矩阵为：由于特征子空间与特征矢量具有相同的正交特性,上式可写成：比较式(1)和式(7)发现阵列对空间声源的响应可表示成各阶特征子空间响应函数的叠加；若Si为第i阶特征子空间对应的i阶声源向量，H为声源向量与接收阵元间的传递函数矩阵，那么每阶特征子空间均可看成是一个网络系统，其输出为子空间响应函数ui：HSi＝ui(8)由于声波是微振幅波,满足叠加原理，当输入为时叠加原理确认网络的输出为即阵列对空间声源的响应，那么由网络系统传递特性可知，此时输入信号就表示扫描空间中待识别的目标声源；步骤二、P范数噪声源信号重构法：首先将扫描域离散化为N个格点区域，节点处为波束扫描点，各扫描点均存在一预设声源，除目标声源外，其余为假想声源，所有预设声源幅值构成了子空间内(T·N)×1维声源向量Si，T表示预设声源类型数；认为该子空间响应函数ui是由这些预设源辐射的声场叠加产生,不同预设声源类型联合构成了扫描点与阵元间的M×(T·N)维传递函数矩阵H，通过求解式(8)可计算出声源向量Si,即该子空间内波束扫描输出；考虑式(8)为声学逆问题,通常采用正则化技术获得问题的近似解；其中α称为正则化参数；其取值与输入的信噪比有关，通常为矩阵HH-1(或H-1H)最大特征值的0.1％～10％；由于假想声源并不真实存在，其幅值在向量Si表现为零或近似为零，采用基于加权修正参数的P范数迭代算法，将式(8)转化为如下线性约束优化问题；其中p的取值范围为0到1之间，分别代表不同的范数约束；E(p)(Si)越小说明Si中的信息越局部化，越稀疏；采用Lagrange乘子的方法求解上式，要最小化的代价函数为：其中λ为Lagrange乘子向量，对Si和λ分别求复梯度并求解，得到：由(12)式可得：进而可解出关于声源向量Si和Lagrange乘子λ的形式解如下：其中W＝diag(|Si(n)|P-2)；由于式(14)是一个非线性方程，因此需要采用迭代方法求解Si；将W作为迭代加权矩阵，其取值为前一次迭代结果构成的对角阵，代入公式(14)获得新一代的Si，由其构成的W作为下一代加权矩阵，如此反复直至达到最优解为止；考虑到矩阵HW-1HH通常为病态的，需要在每次迭代过程中引入正则化参数降低重构误差；综上得到求解声源向量Si的迭代公式如下：其中(k)表示迭代次数，同理可获得每次迭代的代价函数为：由于声源向量Si信息局部化的特点，在每次的迭代过程中都会有部分元素值为零，将这些元素代入加权矩阵W中时所对应的加权值同样为零，这样使得在中为零的元素在中依然为零；并将加权矩阵W加以修正：W＝diag(|Si(n)|P-2+ε)(17)步骤三、加权修正参数ε对算法的选取：在扫描空间中随机分布25个单极子声源，满足N/κ＝100/25＝4>3的稀疏条件，发射频率f＝2kHz，分别讨论了声源强度均值为0.1、1、10时参数ε对声源向量重建精度的影响，ε的变化范围0.001～5，共进行25次迭代，50次Monte-carlo仿真试验；最后加权修正参数的大小与声场信息有关：其中表示加权迭代前由(9)式直接计算的结果。与现有技术相比，本专利技术的有益效果为：通过特征分解获得各阶特征子空间及子空间响应函数，对各阶特征子空间采用预设声源的方法建立子空间声源向量重构模型，利用加权修正参数的P范数稀疏性约束求解该重构模型，迫使子空间声源向量能更快，更有效的向真实稀疏源位置收敛，获得能量更加集中的稀疏解；分析了信噪比、测量距离、基阵孔径及分析频率对算法定位性能的影响，仿真结果显示该方法可实现对不同类型声源位置及幅度的准确估计，稳定性较好。附图说明为了易于说明，本专利技术由下述的具体实施及附图作以详细描述。图1为本专利技术的流程图；图2为本专利技术中P-EVD性能与ε及信号均值关系曲线图；图3为本专利技术中新的ε对P-EVD性能的影响示意图；其中a为ε与声源强度关系曲线图；b为声源强度均值与重建精度关系曲线图；图4为实施例中非相干单极子声源定位示意图，其中a为CBF；b为MUSIC；c为P-EVD；图5为实施例中相干单极子声源定位示意图；其中a为CBF；b为MUSIC；c为P-EVD；图6为实施例中分布式声源定位示意图；其中a为CBF；b为MUSIC；c为P-EVD；图7为实施例中混合类型声源定位示意图；其中a为CBF单极子；b为CBF偶极子；c为MUSIC单极子；d为MUSIC-偶极子；e为P-EVD单极子；f为P-EVD偶极子；图8为实施例中频率对声源定位性能的影响示意图；其中a为幅度估计误差；b为方位估计误差；图9为实施例中测距孔径比对声源定位性能的影响示意图；其中a为幅度估计误差；b为方位估计误差；图10为实施例中噪声对声源定位性能的影响示意图；其中a为幅度估计误差；b为方位估计误差。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本专利技术。但是应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。如图1所示，本具体实施方式采用以下技术方案：它的定位识别方法为：一、特征值分解声源定位识别方法：考虑由M元全向声学麦克风阵列接收数据构造的谱矩阵为：其中：P(ω)＝[本文档来自技高网...

【技术保护点】
基于加权修正参数的P范数噪声源定位识别方法，其特征在于：它的定位识别方法为：步骤一、特征值分解声源定位识别方法：由M元全向声学麦克风阵列接收数据构造的谱矩阵为：R=P(ω)P(ω)H‾---(1)]]>其中：P(ω)＝[P1(ω) P2(ω) L PM(ω)]T为阵列接收信号进行离散傅里叶变换后的频域快拍矢量,上标H表示共轭转置；由于为Hermite矩阵,其特征值分解可表示成：R=UΛUH=Σi=1rλiφiφiH---(2)]]>其中Λ是一个对角矩阵，由排序的特征值组成：Λ＝diag[λ1,λ2,L,λM]              (3)U为M×M维矩阵,由正交特征矢量组成：U＝[φ1 Mφ2 ML MφM]                (4)每个正交特征矢量定义了一个特征子空间，表示阵列对信号在该子空间内响应的方向向量，其特征值为子空间响应强度；由此通过特征值及特征失量来定义阵列对声源在该子空间内的响应函数为：ui=λiφi---(5)]]>将ui带入式(2)得到由子空间响应函数表征的谱矩阵为：R=Σi=1ruiuiH---(6)]]>由于特征子空间与特征矢量具有相同的正交特性,上式可写成：R=(Σi=1rui)(Σi=1ruiH)---(7)]]>比较式(1)和式(7)发现阵列对空间声源的响应可表示成各阶特征子空间响应函数的叠加；若Si为第i阶特征子空间对应的i阶声源向量，H为声源向量与接收阵元间的传递函数矩阵，那么每阶特征子空间均可看成是一个网络系统，其输出为子空间响应函数ui：HSi＝ui                (8)由于声波是微振幅波,满足叠加原理，当输入为时叠加原理确认网络的输出为即阵列对空间声源的响应，那么由网络系统传递特性可知，此时输入信号就表示扫描空间中待识别的目标声源；步骤二、P范数噪声源信号重构法：首先将扫描域离散化为N个格点区域，节点处为波束扫描点，各扫描点均存在一预设声源，除目标声源外，其余为假想声源，所有预设声源幅值构成了子空间内(T·N)×1维声源向量Si，T表示预设声源类型数；认为该子空间响应函数ui是由这些预设源辐射的声场叠加产生,不同预设声源类型联合构成了扫描点与阵元间的M×(T·N)维传递函数矩阵H，通过求解式(8)可计算出声源向量Si,即该子空间内波束扫描输出；考虑式(8)为声学逆问题,通常采用正则化技术获得问题的近似解；si=H-1(HH-1+αI)-1uiM<Nsi=(H-1H+αI)-1H-1uiM<N---(9)]]>其中α称为正则化参数；其取值与输入的信噪比有关，通常为矩阵HH‑1(或H‑1H)最大特征值的0.1％～10％；由于假想声源并不真实存在，其幅值在向量Si表现为零或近似为零，采用基于加权修正参数的P范数迭代算法，将式(8)转化为如下线性约束优化问题；min:E(P)(Si)=Σl=1T·L|Si|P0≤P≤1s.t:HSi=ui---(10)]]>其中p的取值范围为0到1之间，分别代表不同的范数约束；E(p)(Si)越小说明Si中的信息越局部化，越稀疏；采用Lagrange乘子的方法求解上式，要最小化的代价函数为：min F=ΔΣl=1T·L|Si(l)|P+λH(HSi-ui)---(11)]]>其中λ为Lagrange乘子向量，对Si和λ分别求复梯度并求解，得到：FSi=Pdiag(|Si(n)|P-2)Si+HHλ=0Fλ=HSi-ui=0---(12)]]>由(12)式可得：Si=-1P(diag(|Si(n)|p-2))-1HHλui=-1pH(diag(|Si(n)|p-2))-1HHλ---(13)]]>进而可解出关于声源向量Si和Lagrange乘子λ的形式解如下：Si=W-1HH(HW-1HH)-1uiλ=-P(HW-1HH)-1ui---(14)]]>其中W＝diag(|Si(n)|P‑2)；由于式(14)是一个非线性方程，因此需要采用迭代方法求解Si；将W作为迭代加权矩阵，其取值为前一次迭代结果构成的对角阵，代入公式(14)获得新一代的Si，由其构成的W作为下一代加权矩阵，如此反复直至达到最优解为止；考虑到矩阵HW‑1HH通常为病态的，需要在每次迭代过程中引入正则化参数降低重构误差；综上得到求解声源向量Si的迭代公式如下：Si(k+1)=(W(k))-1HH(H(W(k))-1...

【技术特征摘要】
1.基于加权修正参数的P范数噪声源定位识别方法，其特征在于：它的定位识别方法为：步骤一、特征值分解声源定位识别方法：由M元全向声学麦克风阵列接收数据构造的谱矩阵为：R=P(ω)P(ω)H‾---(1)]]>其中：P(ω)＝[P1(ω)P2(ω)LPM(ω)]T为阵列接收信号进行离散傅里叶变换后的频域快拍矢量,上标H表示共轭转置；由于为Hermite矩阵,其特征值分解可表示成：R=UΛUH=Σi=1rλiφiφiH---(2)]]>其中Λ是一个对角矩阵，由排序的特征值组成：Λ＝diag[λ1,λ2,L,λM](3)U为M×M维矩阵,由正交特征矢量组成：U＝[φ1Mφ2MLMφM](4)每个正交特征矢量定义了一个特征子空间，表示阵列对信号在该子空间内响应的方向向量，其特征值为子空间响应强度；由此通过特征值及特征失量来定义阵列对声源在该子空间内的响应函数为：ui=λiφi---(5)]]>将ui带入式(2)得到由子空间响应函数表征的谱矩阵为：R=Σi=1ruiuiH---(6)]]>由于特征子空间与特征矢量具有相同的正交特性,上式可写成：R=(Σi=1rui)(Σi=1ruiH)---(7)]]>比较式(1)和式(7)发现阵列对空间声源的响应可表示成各阶特征子空间响应函数的叠加；若Si为第i阶特征子空间对应的i阶声源向量，H为声源向量与接收阵元间的传递函数矩阵，那么每阶特征子空间均可看成是一个网络系统，其输出为子空间响应函数ui：HSi＝ui(8)由于声波是微振幅波,满足叠加原理，当输入为时叠加原理确认网络的输出为即阵列对空间声源的响应，那么由网络系统传递特性可知，此时输入信号就表示扫描空间中待识别的目标声源；步骤二、P范数噪声源信号重构法：首先将扫描域离散化为N个格点区域，节点处为波束扫描点，各扫描点均存在一预设声源，除目标声源外，其余为假想声源，所有预设声源幅值构成了子空间内(T·N)×1维声源向量Si，T表示预设声源类型数；认为该子空间响应函数ui是由这些预设源辐射的声场叠加产生,不同预设声源类型联合构成了扫描点与阵元间的M×(T·N)维传递函数矩阵H，通过求解式(8)可计算出声源向量Si,即该子空间内波束扫描输出；考虑式(8)为声学逆问题,通常采用正则化技术获得问题的近似解；si=H-1(HH-1+αI)-1uiM<Nsi=(H-1H+αI)-1H-1uiM<N---(9)]]>其中α称为正则化参数；其取值与输入的信噪比有关，通常为矩阵HH-1(或H-1H)最大特征值的0.1％～10％；由于假想声源并不真实存在，其幅值在向量Si表现为零或近似为零，采用基于加权修正参数的P范数迭代算法，将式(8)转化为如下线性约束优化问题；min:E(P)(Si)=&...

【专利技术属性】
技术研发人员：刘月婵，孙超，牛訦琛，安海琴，常嘉文，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23