噪音污染使得人們越來越意識到其對環(huán)境的負面影響,從而促進了噪聲控制工程的發(fā)展。實現(xiàn)噪聲控制的主要前提是獲取聲源信息,保證聲源的精準識別,其中波束形成技術(shù)是聲源識別方法的一個重要分支。由于運動聲源所輻射出的聲信號會因多普勒效應而失真,使得常規(guī)波束形成技術(shù)不能精確實現(xiàn)運動聲源的識別。針對此問題,本文將研究基于波束形成技術(shù)的運動聲源識別,具體內(nèi)容如下:首先簡述了選題背景,介紹了運動聲源識別方法的研究歷史和最新技術(shù),并分析了關(guān)于運動聲源識別方面尚且需要解決的問題。提出了基于CLEAN的旋轉(zhuǎn)聲源識別方法,該方法通過旋轉(zhuǎn)框架技術(shù)進行去多普勒效應處理,再引入CLEAN算法來識別旋轉(zhuǎn)單極子聲源,提高了聲源識別分辨率。隨后,通過數(shù)值仿真的方法,證實了所提方法的可行性,且提高了DAMAS2在1500 Hz～5000 Hz左右聲源頻率和不同測量距離下的識別精度。其次,對于應用機器學習進行旋轉(zhuǎn)聲源定位的方法較少,因此提出了基于機器學習算法的旋轉(zhuǎn)聲源定位方法。首先分析了支持向量機（SVM）和樸素貝葉斯（Naive Bayes）的基礎理論,再獲取去除多普勒效應后的旋轉(zhuǎn)單極子聲源的聲壓信號并計算其聲壓互譜矩陣,得到... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

圖２．２靜止和旋轉(zhuǎn)聲源頻譜圖??Ｆｉｇ?２．２?Ｓｐｅｃｔｒｏｇｉ?ａｍ?ｏｆ?ｓｔａｔｉｏｎａｒｙ?ｓｏｕｎｄ?ｓｏｕｒｃｅ?ａｎｄ?ｒｏｔａｔｉｎｇ?ｓｏｕｎｄ?ｓｏｕｒｃｅ??

Ｆｒｅｑｕｅｎｃｙ?（Ｈｚ）?Ｆｒｅｑｕｅｎｃｙ?（Ｈｚ）??圖２．２靜止和旋轉(zhuǎn)聲源頻譜圖??Ｆｉｇ?２．２?Ｓｐｅｃｔｒｏｇｉ?ａｍ?ｏｆ?ｓｔａｔｉｏｎａｒｙ?ｓｏｕｎｄ?ｓｏｕｒｃｅ?ａｎｄ?ｒｏｔａｔｉｎｇ?ｓｏｕｎｄ?ｓｏｕｒｃｅ??圖２．２表示處于靜止狀態(tài)下的聲源和旋轉(zhuǎn)單極子聲源的頻譜圖。圖２．２（ａ）表??示的是頻率為２０００?Ｈｚ的靜止聲源頻譜圖，圖２．２（ｂ）表示的是頻率為２０００?Ｈｚ的??旋轉(zhuǎn)單極子聲源頻譜圖，對比之下可以看出，旋轉(zhuǎn)單極子聲源會由于多普勒效??應，產(chǎn)生明顯的頻散現(xiàn)象。??２．２去除多普勒效應??２．２．１旋轉(zhuǎn)框架技術(shù)??因為聲源運動會產(chǎn)生多普勒效應，使得測得的信號失真，從上述討論也可??以看出，聲源強度２和旋轉(zhuǎn)單極子的格林函數(shù)之間會因為模態(tài)因子ｗ而出現(xiàn)耦??合現(xiàn)象。所以，在對旋轉(zhuǎn)聲源進行位置識別之前需要對信號進行去多普勒效應??處理來解耦。??ＩＩ??

在使用旋轉(zhuǎn)框架技術(shù)對旋轉(zhuǎn)單極子聲源去除多普勒效應之后，可以使用互??譜成像波束形成技術(shù)和反卷積波束形成技術(shù)對聲源進行位置識別，具體的聚焦??示意圖如圖２．４所示。???〇＿?．測量點??？?？??‘?測量面??？?＞聲源點??？?？?????／?？?聚焦存??聲源面（聚焦面）??Ｘ??圖２．４旋轉(zhuǎn)聲源識別示意圖??Ｆｉｇ?２．４?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｒｏｔａｔｉｎｇ?ｓｏｕｎｄ?ｓｏｕｒｃｅ?ｉｄｅｎｔｉｆｉｃａｔｉｏｎ??２．３．１互譜成像波束形成技術(shù)??使用靜止環(huán)形測量陣列測得旋轉(zhuǎn)聲源的輻射聲壓之后再使用旋轉(zhuǎn)框架技術(shù)??獲取不含多普勒效應的聲壓信號＆。由公式（２．１７）可得簡化后的旋轉(zhuǎn)框架下聲??壓可以表示為：??ｐｎ?＝?Ｇ〇Ｑ?（２．２４）??式中的傳遞矩陣Ｇｎ即為旋轉(zhuǎn)框架下的格林函數(shù)。??使用互譜成像技術(shù)Ｍ，１１可以得到聲源面／－處聚焦后的輸出是：??Ｌ／、?ｖＴ（ｒ）Ｃｖ＊（ｒ）??ｂ（ｒ）?＝??—?ｎ?９５１）??Ｗｒ（ｒ）Ｉｗ＊（ｒ）?｛?｝??為了實現(xiàn)互譜成像技術(shù)對旋轉(zhuǎn)聲源的定位，可以將上式類比到旋轉(zhuǎn)框架，??則旋轉(zhuǎn)聲源的互譜成像技術(shù)輸出是：??１４??


本文編號：3090597