Compressive Spherical Beamforming Based on Sparse Bayesian Learning for Sound Source Identification

赵 洋 1 杨 亮 1, 2 张晋源 3 杨 洋 1, 3 (1.重庆大学机械与运载工程学院 重庆 400044； 2. 汽车振动噪声和安全技术国家重点实验室 重庆 401133； 3. 重庆工业职业技术学院车辆工程学院 重庆 401120) 摘要：基于实心球传声器阵列的压缩球波束形成具有声学成像全景、适宜中远距离测量而易于布置等优势，在汽车、飞机等 噪声源识别领域具有广阔应用前景。新近提出的基于稀疏贝叶斯学习(Sparse Bayesian learning, SBL)的压缩球波束形成能够获 得良好的低频声源识别性能，但由于其采用了第二类最大似然估计(Maximum type-Ⅱ likelihood estimation, MLE-Ⅱ)进而需要 估计声源稀疏度，且抗噪声干扰能力和计算效率也有待提升，推广应用受限。为此，首先将压缩球波束形成数学模型求解问 题转化为 SBL 框架下的源强分布最大后验(Maximum a posterior, MAP)估计问题，并采用期望最大化优化算法(Expectation maximization, EM)加以求解，提出无需稀疏度估计的 MAP-EM 压缩球波束形成方法；在此基础上，将多快拍复声压矩阵输入 转换为多快拍平均的声压互谱矩阵输入，并基于互谱矩阵对角重构降噪建立了抗噪声干扰能力增强的 EMAP-EM (Enhanced MAP-EM, EMAP-EM)压缩球波束形成方法。仿真和试验均表明，提出的 MAP-EM 和 EMAP-EM 压缩球波束形成均具有高的