混合时频域旋转声源识别方法研究.pdf

重庆大学硕士学位论文 中文摘要 摘 要 基于麦克风阵列的波束形成方法具有直观可视化、高效、适用于中高频噪声、 能识别运动声源、可进行中长距离测量等诸多优势，广泛用于汽车、风机、飞机等 领域的噪声源识别中。旋转声源波束形成方法是波束形成的重要分支。其中，混合 时频域旋转声源识别方法能够适应不同阵列形式而具有实用性。本文详细分析了 基于反卷积声源成像方法(DAMAS)和非负最小二乘(NNLS) 的混合时频域方法，指 出这两种方法不足，并提出克服上述不足的两种新的混合时频域方法。 首先确认由于旋转声源导致的多普勒效应，对比分析传统时域延时求和(DAS) 和时域追踪DAS 两种方法，验证时域追踪DAS 方法能够有效识别旋转源。在不 同采样率下，分析基于DAMAS 和NNLS 的混合时频域方法，指出DAMAS 方法 对于采样率敏感，而 NNLS 计算效率慢。明确指出采样率对混合时频域方法的影 响，即采样率越高，时间延迟估计误差越小，时域DAS 精度越高，混合时频域方 法的综合收敛性越好。然后，为降低采样率要求，在低采样率下以高效率获得良好 声源识别性能，考虑主声源通常具有空间稀疏分布特性，将快速迭代收缩阈值算法 (FISTA)用于求解混合时频域问题，并从综合收敛性能、聚焦点数、源强积分、计 算效率等方面与DAMAS 和NNLS 对比，验证FISTA 对采样率不敏感、综合性能 更优。进一步，在声源识别反卷积模型中引入分裂变量，构建分裂增广拉格朗日 (SALSA)声源识别反卷积模型，通过交替方向方法来迭代求解该模型。将 SALSA 和FISTA 对比结果表明：SALSA 方法声源识别性能更优、效率更高、收敛更快。 最后，进行了不等强度双旋转声源试验，结果表明SALSA 的综合性能最优、FISTA 次之、DAMAS 和NNLS 一般，结论与仿真分析一致。 关键词：旋转声源，混合时频域方法，反卷积模型，分裂增广拉格朗日收缩算法 I 重庆大学硕士学位论文 英文摘要 ABSTRACT Beamforming method based on the microphone array has many advantages such as intuitive visualization, high efficiency, suitable for the medium and high frequency noise, able to identify the moving acoustic sources, and measurement for medium and long distance. It is widely used for the acoustic sources identification in automobiles, aero engines, aircrafts, etc. The beamforming method for identifying rotating acoustic sources is an important branch of beamforming. Among them, the hybrid time-frequency approach which can adapt to different array forms has practicality in identifying rotating acoustic sources. In this study, the hybrid time-frequency approach based on the Deconvolution Approach for the Mapping of Acoustic Sources (DAMAS) and Nonnegative Least Sq