[發(fā)明專利]一種基于貝葉斯壓縮感知的聲源識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010439202.1
• 申請(qǐng)日: 2020-05-22
• 公開（公告）號(hào): CN111664932A
• 公開（公告）日: 2020-09-15
• 發(fā)明（設(shè)計(jì)）人: 昝鳴;徐中明;張志飛;賀巖松
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué)
• 主分類號(hào): G01H17/00
• 分類號(hào): G01H17/00;G10L21/057
• 代理公司: 重慶縉云專利代理事務(wù)所(特殊普通合伙) 50237
• 代理人: 王翔

1.一種基于貝葉斯壓縮感知的聲源識(shí)別方法，其特征在于，包括以下步驟：

1)搭建基于貝葉斯壓縮感知的聲源識(shí)別系統(tǒng)，包括所述麥克風(fēng)陣列傳感器、多通道的數(shù)據(jù)采集器和數(shù)據(jù)處理器；所述麥克風(fēng)陣列傳感器包括分布在聲源檢測(cè)空間內(nèi)的M個(gè)麥克風(fēng)；

2)每個(gè)麥克風(fēng)分別監(jiān)測(cè)N個(gè)等效聲源的時(shí)域模擬聲壓信號(hào)，并同時(shí)發(fā)送至多通道的數(shù)據(jù)采集器；所述N個(gè)等效聲源分布于聲源周圍；

3)所述多通道的數(shù)據(jù)采集器將接收到的時(shí)域模擬聲壓信號(hào)轉(zhuǎn)換為數(shù)字聲壓信號(hào)p，并發(fā)送至數(shù)據(jù)處理器；

4)所述數(shù)據(jù)處理器建立聲源識(shí)別模型，獲取聲源和麥克風(fēng)陣列傳感器之間的傳遞矩陣A。

5)所述數(shù)據(jù)處理器利用貝葉斯算法建立數(shù)字聲壓信號(hào)p和待識(shí)別聲源q的先驗(yàn)概率分布函數(shù)模型；

6)基于數(shù)字聲壓信號(hào)p和待識(shí)別聲源q的先驗(yàn)概率分布函數(shù)模型，所述數(shù)據(jù)處理器利用貝葉斯方算法建立待識(shí)別聲源q的后驗(yàn)概率分布函數(shù)模型；

7)基于待識(shí)別聲源q的后驗(yàn)概率分布函數(shù)模型，所述數(shù)據(jù)處理器對(duì)待識(shí)別聲源q的超參數(shù)進(jìn)行更新；所述超參數(shù)包括高斯方差s_i、高斯方差s₀、先驗(yàn)參數(shù)λ、等效源分布均值μ、等效源分布方差Σ、超參數(shù)g_i和超參數(shù)f_i；

8)所述數(shù)據(jù)處理器利用參數(shù)更新公式對(duì)待識(shí)別聲源q的超參數(shù)進(jìn)行迭代計(jì)算，得到待識(shí)別聲源q的識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1或2所述的一種基于貝葉斯壓縮感知的聲源識(shí)別方法，其特征在于，建立聲源和麥克風(fēng)陣列傳感器之間的傳遞矩陣A的主要步驟如下：

1)確定第m個(gè)麥克風(fēng)測(cè)量到的聲壓信號(hào)p(m)如下所示：

式中，m＝1,2,…,M；為自由場(chǎng)格林函數(shù)；k為波數(shù),為等效源到測(cè)量面的距離；q_n為虛擬等效源聲源強(qiáng)度；n為任意虛擬等效源；N為虛擬等效源數(shù)量；

2)將公式(1)表述成向量矩陣形式，即：

p＝Aq； (2)

式中，A為M×N維聲場(chǎng)傳遞矩陣；p為M維聲壓向量，其元素為對(duì)應(yīng)傳感器的聲壓信號(hào)；q為N維聲源強(qiáng)度列向量，其元素成分代表等效聲源中對(duì)應(yīng)點(diǎn)處的強(qiáng)度。

3.根據(jù)權(quán)利要求1所述的一種基于貝葉斯壓縮感知的聲源識(shí)別方法，其特征在于，聲壓向量p的先驗(yàn)概率分布函數(shù)模型如下所示：

式中，為概率分布函數(shù)；為高斯分布函數(shù)；s₀是概率分布函數(shù)的高斯方差；Γ是伽馬分布函數(shù)；α、β為聲壓向量p的先驗(yàn)概率分布的先驗(yàn)參數(shù)值。

4.根據(jù)權(quán)利要求1所述的一種基于貝葉斯壓縮感知的聲源識(shí)別方法，其特征在于，待識(shí)別聲源q的先驗(yàn)概率分布函數(shù)模型如下所示：

式中，表達(dá)概率分布函數(shù)；為高斯分布函數(shù)；s_i是概率分布函數(shù)的高斯方差；λ、θ為待識(shí)別聲源q的先驗(yàn)概率分布的先驗(yàn)參數(shù)值；i為任意高斯分布；N為高斯分布數(shù)量。

5.根據(jù)權(quán)利要求1所述的一種基于貝葉斯壓縮感知的聲源識(shí)別方法，其特征在于，待識(shí)別聲源q的后驗(yàn)概率分布函數(shù)模型如下所示：

其中，概率分布函數(shù)如下所示：

式中，μ為等效源分布均值；Σ為等效源分布方差；

等效源分布均值μ和等效源分布方差Σ分別如下所示：

式中，S為高斯方差矩陣。