本發(fā)明涉及聲源的識別與定位，尤其涉及一種基于新型原子選擇準則的正交匹配追蹤聲源識別方法。

背景技術(shù)：

1、近年來，近場聲全息和波束形成技術(shù)在噪聲源識別與定位、聲場分離、聲場可視化、語音增強等聲學(xué)工程發(fā)揮了重要作用。這兩項技術(shù)不受聲源形狀大小影響，可方便地建立數(shù)學(xué)模型和構(gòu)造傳遞矩陣。近場聲全息和波束形成技術(shù)的實現(xiàn)大都基于傳統(tǒng)的聲學(xué)陣列如平面均布陣列，基于奈奎斯特采樣框架進行數(shù)據(jù)采集，為了保證采集后的信號不發(fā)生頻譜混疊，利用上述規(guī)則陣列進行聲場數(shù)據(jù)采集時要求采樣頻率必須大于信號最高頻率的2倍。為了獲得更高的識別精度，上述傳統(tǒng)陣列需要更多的傳聲器，具有較大的空間復(fù)雜度，增加了測量成本，同時大量測量數(shù)據(jù)增加了存儲和傳輸?shù)碾y度。壓縮感知技術(shù)突破了奈奎斯特采樣定律，其利用信號在變換域內(nèi)的稀疏性，可利用較小頻率采樣保留原始信號的所有信息，并且實現(xiàn)原始信號高精度重構(gòu)，從而顯著減少了采樣傳感器數(shù)量，降低了系統(tǒng)測量成本。在壓縮感知理論對原始稀疏信號的重建中，正交匹配追蹤算法(orthogonalmatching?pursuit，omp)是最常用的一種重建方法，omp算法具有成像旁瓣小、虛影少、計算速度快等優(yōu)點。但從omp算法的實際應(yīng)用中能夠發(fā)現(xiàn)它的不足，omp算法以及各種壓縮感知的貪婪重建算法都是基于絕對內(nèi)積原則來進行原子支撐集擴充，該準則通過測量矩陣原子間的cosine相似度來衡量原子相關(guān)性，當聲源頻率降低時，格林函數(shù)的相位隨距離的變化將變得緩慢，這將導(dǎo)致原子間的相關(guān)性將逐漸變大，兩列原子逐漸趨同；而當聚焦面網(wǎng)格劃分的過于密集時，由于兩個相鄰原子對應(yīng)的聚焦面網(wǎng)格點間距非常小，同樣會導(dǎo)致兩列原子具有很高的相關(guān)性。當實際聲源對應(yīng)的原子與殘差的內(nèi)積小于相鄰原子與殘差的內(nèi)積值時，絕對內(nèi)積匹配準則就無法將正確的原子擴充到支撐集，必然會導(dǎo)致聲源識別失敗。此外，對于頻率較低、相距較近的相干聲源之間會出現(xiàn)相干峰，導(dǎo)致測量矩陣中對應(yīng)相干峰位置的原子與信號的內(nèi)積甚至會超過實際聲源對應(yīng)原子與原信號的內(nèi)積，從而導(dǎo)致算法在第一次迭代中就錯誤地選擇了相干峰位置對應(yīng)的原子，造成聲源識別失敗。

2、現(xiàn)有技術(shù)中，公開號為cn116008911a的中國發(fā)明專利申請《一種基于新型原子匹配準則的正交匹配追蹤聲源識別方法》針對dice系數(shù)匹配準則無法均衡地度量兩個原子向量間的相關(guān)性的缺陷，通過改進正交匹配追蹤算法的原子匹配準則，使用euclidean距離來表示原子向量的空間長度，在原有dice系數(shù)匹配準則的基礎(chǔ)上適當減少了對空間長度的加權(quán)，提高了原子支撐集篩選匹配精度，在一定程度上克服了當聲源點距離太近或聲源頻率較低時原子間相關(guān)性較強引起的原子選擇錯誤問題。但通過仿真實驗對該聲源識別方法進行分析后發(fā)現(xiàn)，如圖1所示，在對兩個聲源進行識別時，采用該聲源識別方法雖然識別到了兩個聲源，但給出了完全錯誤的位置估計，如圖2所示，當把同軸相鄰聲源距離擴大至0.4m后，相干條件較為寬松，采用該聲源識別方法仍然無法準確識別出全部聲源的位置。經(jīng)過分析，雖然dice系數(shù)匹配準則增加了對原子間空間長度的度量，但dice系數(shù)可能會因為并集大小的影響而無法有效區(qū)分緊密排列的多聲源，給出錯誤的聲源識別位置。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于針對上述現(xiàn)有技術(shù)的不足，提供基于新型原子選擇準則的正交匹配追蹤聲源識別方法，該方法旨在提高在原子間強相關(guān)環(huán)境下的算法重建性能，避免因聚焦面網(wǎng)格的加密和低頻下信號相位的變化導(dǎo)致傳遞矩陣中相鄰原子間相關(guān)性增強使得聲源識別分辨率低的問題。

2、本發(fā)明是通過以下技術(shù)方案解決上述技術(shù)問題的：一種基于新型原子選擇準則的正交匹配追蹤聲源識別方法，包括以下步驟：

3、步驟1、構(gòu)建聲源識別模型，基于聲源識別模型獲取聲壓數(shù)據(jù)和未知聲源源強數(shù)據(jù)；

4、步驟2、基于聲源識別模型，根據(jù)自由場格林函數(shù)構(gòu)建傳遞函數(shù)矩陣g；

5、步驟3、基于傳遞函數(shù)矩陣g獲取聲壓數(shù)據(jù)和未知聲源源強數(shù)據(jù)之間的關(guān)系數(shù)據(jù)，并初始化殘差向量為聲壓數(shù)據(jù)向量，支撐集索引為空集；

6、步驟4、使用tanimoto系數(shù)匹配準則度量傳遞函數(shù)矩陣g與殘差向量之間的相關(guān)性，篩選出最匹配原子，并將最匹配原子加入支撐集更新支撐集索引；

7、步驟5、通過支撐集索引中的索引序號將對應(yīng)原子取出構(gòu)成原子支撐集矩陣，并求解聲源源強向量；

8、步驟6、更新殘差向量和迭代次數(shù)，返回步驟4繼續(xù)執(zhí)行，當殘差小于等于設(shè)定閾值或迭代次數(shù)k＝k時，k為最大迭代次數(shù)，則停止迭代，輸出聲源源強向量最終解，基于聲源源強向量最終解進行聲源識別與定位。

9、優(yōu)選的，所述聲源識別模型包括測量面w和聚焦面t，所述步驟1包括：

10、1.1、設(shè)置測量面w中長度為lx、寬度為ly的矩形測量區(qū)域，在矩形測量區(qū)域中呈矩形陣列分布x行和y列的網(wǎng)格點中布置m個傳感器，構(gòu)成傳感器測量陣列，用于獲取聲壓數(shù)據(jù)；

11、1.2、把聚焦面t上長度為nx、寬度為ny的矩形聚焦區(qū)域離散為均勻分布x1行和y1列的n個聚焦點，n個聚焦點均為潛在的聲源位置分布，用于獲取未知聲源源強數(shù)據(jù)。

12、優(yōu)選的，所述步驟2包括：基于測量面w獲取采樣點數(shù)據(jù)，基于聚焦面t獲取聲源點數(shù)據(jù)，根據(jù)自由場格林函數(shù)構(gòu)建采樣點數(shù)據(jù)和聲源點數(shù)據(jù)之間的傳遞函數(shù)矩陣g，傳遞函數(shù)矩陣g的公式如下：

13、

14、其中，g(m,n)是傳遞函數(shù)矩陣g中的矩陣元素，表示傳感器測量陣列的第m個網(wǎng)格點與第n個聚焦點之間的傳遞函數(shù)，矩陣元素g(m,n)的公式如下：

15、

16、其中，j為虛數(shù)單位，c為聲速，dmn表示傳感器測量陣列的第m個網(wǎng)格點與第n個聚焦點之間的距離，f為聲源頻率，m＝1,2,3…m，n＝1,2,3…n。

17、優(yōu)選的，所述步驟3包括：基于傳遞函數(shù)矩陣g在k個聲源所產(chǎn)生的聲場中利用測量陣列獲得聲壓數(shù)據(jù)向量p和未知聲源源強向量q構(gòu)建的關(guān)系數(shù)據(jù)用公式(2)表示：

18、

19、其中，rm表示測量面w上第m個測量點的坐標向量，rn表示聚焦面t上第n個聚焦點的坐標向量，ξ為測量聲壓向量數(shù)據(jù)中包含的噪聲向量。

20、優(yōu)選的，所述步驟4包括：

21、4.1、定義tanimoto系數(shù)匹配準則為：

22、

23、4.2、使用tanimoto系數(shù)匹配準則篩選出最匹配原子，按照公式(3)找出最匹配原子在傳遞函數(shù)矩陣g中的位置：

24、jk＝argmax|tanimoto(gi,rk-1)|,j＝1,2,3…,n????(3)

25、4.3、更新支撐集索引γ0：γ0＝γk-1∪jk，其中γk-1為前一次迭代已經(jīng)篩選到的最匹配原子集合的支撐集索引，jk為當前一次迭代最匹配原子在傳遞函數(shù)矩陣中的支撐集索引。

26、優(yōu)選的，所述步驟5中聲源源強向量用公式(4)表示：

27、

28、其中inv表示對矩陣的求逆操作，表示對矩陣求轉(zhuǎn)置。

29、優(yōu)選的，所述步驟6中殘差向量rk為：

30、

31、本發(fā)明提供的優(yōu)點在于：

32、1、本發(fā)明通過引入tanimoto系數(shù)匹配準則，同時考慮測量矩陣原子間角度方向和向量中單元素的相似性，相比于傳統(tǒng)余弦相似度僅僅用向量空間中兩個向量夾角的余弦值作為衡量兩個向量相似度的標準，tanimoto系數(shù)匹配準則更加注重兩個向量的綜合相似度，通過強調(diào)集合間的共有元素，有助于提高聲源識別的定位分辨率，可以克服由于相鄰聲源距離較近或分析頻率較低時原子間相關(guān)性增強引起的原子選擇錯誤的問題。

33、2、相較于傳統(tǒng)基于余弦相似度的內(nèi)積匹配準則，本發(fā)明提高了原子支撐集篩選匹配精度，omp算法可以更快地找到與聲源信號相似的原子，從而加速聲源識別的過程，改善了omp算法重建性能，從而實現(xiàn)原子的精確篩選效果，進而利用這些精確篩選出的原子實現(xiàn)了聲源的高分辨率定位，也擴大了omp算法的應(yīng)用范圍。

34、3、本發(fā)明tanimoto系數(shù)中去除了兩向量內(nèi)積的影響，去除自相關(guān)項可以減少信號自身能量對相關(guān)性計算的影響，從而更加準確地反映兩個聲學(xué)向量之間的相互關(guān)系，提高聲源識別的魯棒性。通過tanimoto系數(shù)的對稱處理，可以避免由于單個聲學(xué)量的極端值導(dǎo)致的數(shù)值不穩(wěn)定問題，從而提高算法的數(shù)值穩(wěn)定性。