本發(fā)明主要運用于噪聲源的定位與分析領域中，是一種高分辨率的快速反卷積聲源成像算法。

背景技術：

傳統(tǒng)波束形成技術基于延時求和、互譜成像函數(shù)等方法，對各傳感器接收信號進行后處理，使聲源計算平面上對應真實聲源的聚焦點的輸出量被加強，而其他聚焦點的輸出量被衰減，從而識別聲源。但其不僅會在真實聲源位置輸出具有一定寬度的“主瓣”，還會在非聲源位置輸出“旁瓣”，為了有效消除主瓣寬度和旁瓣干擾的影響，發(fā)展出了反卷積聲源成像方法，即DAMAS，其空間分辨率明顯優(yōu)于延時求和、互譜成像等傳統(tǒng)波束形成技術。但是其由于需要構建完整的點擴展函數(shù)矩陣，而且需要反復進行迭代來解方程組，所以有著計算量大，耗時長的局限，計算效率很低。為了提高其計算效率，近年來，發(fā)展出了多種基于快速傅里葉變換的反卷積聲源成像方法，即FFT-DAMAS，以下兩種最具代表性：第一種是DAMAS的擴展方法DAMAS2，其假設點擴展函數(shù)只取決于觀測點與聲源點間的相對位置，而與具體位置無關，具有近似空間平移不變性，利用快速傅里葉變換將聲源源強能量分布與點擴展函數(shù)間的卷積轉化為波數(shù)域的乘積，然后利用循環(huán)迭代來進行求解；第二種是基于快速傅里葉變換的非負最小二乘反卷積聲源成像方法FFT-NNLS，其基本思想是在互譜成像波束形成輸出結果、點擴展函數(shù)、聲源分布之間建立差函數(shù)，然后利用快速傅里葉變換和點擴展函數(shù)的空間平移不變性來極小化差函數(shù)。這兩種方法與最初的反卷積聲源成像方法相比，具有收斂快、計算效率高、聲源定位準確等優(yōu)點，所以被廣泛使用。

但DAMAS2方法和FFT-NNLS方法在計算效率和分辨率方面還有進一步提升的空間。首先DAMAS2方法和FFT-NNLS方法均為迭代算法，為了得到比較精確的結果，通常需要進行上千次的循環(huán)迭代，并且由于傅里葉變換引入了卷繞誤差，為減小卷繞誤差對計算結果的影響，通常需要將測量數(shù)據(jù)點數(shù)補零到原來的四倍，導致計算規(guī)模急劇增大，所以盡管DAMAS2方法和FFT-NNLS方法在計算效率上優(yōu)于最初的反卷積聲源成像方法，但是在計算效率和分辨率上還是有所不足。

技術實現(xiàn)要素：

本發(fā)明是為避免上述現(xiàn)有技術所存在的不足之處，提出一種高分辨率的快速反卷積聲源成像算法，利用點擴展函數(shù)矩陣近似空間平移不變性，提高計算速度和效率，通過正交匹配追蹤算法來實現(xiàn)反卷積過程，提高計算結果的分辨率，降低所需的迭代次數(shù)，避免DAMAS2方法和FFT-NNLS方法中傅里葉變換帶來的卷繞誤差，從而獲得更高的計算效率、更高的計算精度和更高的分辨率。

本發(fā)明解決技術問題采用的技術方案是：

本發(fā)明高分辨率的快速反卷積聲源成像算法的特點是按如下步驟進行：

步驟a、在K個聲源輻射形成的聲場中呈陣列布置M個傳感器，形成測量面W，采集獲得各個傳感器聲壓數(shù)據(jù)，聲源的個數(shù)K小于傳感器的數(shù)量M，所述傳感器為傳聲器或質點振速傳感器；

步驟b、將聲源計算平面離散成一網(wǎng)格面，所述網(wǎng)格面為聚焦面T，在所述聚焦面T中包含有N個網(wǎng)格點，每個網(wǎng)格點為聚焦點，由式(1)計算出第n個聚焦點的互譜成像波束形成輸出量b(r_n)：

其中，為導向矢量，i為虛數(shù)單位，k為聲波波數(shù)，k＝2πf/c，π為圓周率，f為聲源頻率，c為聲速，為聚焦面T上第n個的聚焦點到測量面W上所有傳感器的距離組成的列向量，H為共軛轉置；

U為測量聲壓數(shù)據(jù)的互譜矩陣，表示測量面W上所有傳感器坐標組成的列向量，表示所有傳感器所接受到的聲壓組成的列向量，為抑制傳感器陣列自噪聲的干擾，將互譜矩陣U的主對角線元素全部置零，即對互譜矩陣U去自譜；

利用式(1)對每個聚焦點進行計算，獲得所有聚焦點的互譜成像波束形成輸出量組成的列向量表示聚焦面T上所有聚焦點坐標組成的列向量；

步驟c、由式(2)計算出聚焦面T的中心點上的聲源源強能量與聚焦面T上第n個聚焦點的互譜成像波束形成輸出量b(r_n)之間的點擴展函數(shù)psf(r_n/r_z)，其中r_z表示聚焦面T的中心點的坐標，并且當聚焦面T上聚焦點個數(shù)N為奇數(shù)時，z＝(N+1)/2，為偶數(shù)時，z＝N/2：

式(2)中，為傳遞函數(shù)組成的列向量，為聚焦面T中心點到所有傳感器的距離組成的列向量；

利用式(2)對每個聚焦點進行計算，得到聚焦面T中心點上的聲源源強能量與聚焦面T上所有聚焦點的互譜成像波束形成輸出量之間的點擴展函數(shù)組成的列向量

步驟d、通過如下循環(huán)移位的方式構建所有聚焦點上的聲源源強能量與所有聚焦點的互譜成像波束形成輸出量之間的點擴展函數(shù)組成的矩陣表示聚焦面T上所有聚焦點坐標組成的列向量：

第n₁個聚焦點上的聲源源強能量與聚焦面T上所有聚焦點的互譜成像波束形成輸出量之間的點擴展函數(shù)組成的列向量為點擴展函數(shù)矩陣中的第n₁列；

當n₁＜z時，是通過將中的每個元素向上循環(huán)平移(z-n₁)位得到；

當n₁＞z時，是通過將中的每個元素向下循環(huán)平移(n₁-z)位得到；

通過上述方式構建出點擴展函數(shù)矩陣中除第z列以外的其他N-1列，并且已知點擴展函數(shù)矩陣中的第z列從而得出完整的點擴展函數(shù)矩陣

步驟e、利用點擴展函數(shù)矩陣和互譜成像波束形成輸出量建立式(3)所示的矩陣方程：

式(3)中，為所有聚焦點上的聲源源強能量組成的列向量；

步驟f、運用正交匹配追蹤算法對式(3)進行求解，從而獲得聲源源強能量分布實現(xiàn)聲源定位。

本發(fā)明高分辨率的快速反卷積聲源成像算法的特點也在于：所述步驟f中運用正交匹配追蹤算法對式(3)進行求解是按如下步驟進行：

第一步：初始化殘差r₀＝b，殘差下降率r₀′＝0，索引集Λ₀＝φ，選取的點擴展函數(shù)矩陣列向量組成的矩陣Φ₀＝φ，令初始迭代次數(shù)為j＝1；

第二步：通過式(4)找到中的列向量與殘差向量內積最大值索引位置λ_j：

第三步：按如下方式更新索引集Λ_j和Φ_j：

將第二步得到λ_j放入第j-1次迭代得到的索引集Λ_j-1中，再將中的第λ_j列放入第j-1次迭代得到的矩陣Φ_j-1中，并且將的第λ_j列全部賦值為零；

第四步：根據(jù)最小二乘法求解出聲源源強能量x_j為：x_j＝arg min||Φ_jx-b||²；

第五步：根據(jù)求解的x_j值計算新的殘差值r_j為：r_j＝b-Φ_jx_j；則殘差下降率r_j′為：r_j′＝||r_j-1||²-||r_j||²；其中，r_j-1為第j-1次迭代得到的殘差；

第六步：若r′_j-1≤r_j′，則將j增加1作為新的迭代次數(shù)，并且返回到第二步繼續(xù)迭代；否則停止迭代，進入第七步，并且取出迭代過程中所得到的索引集Λ_j和x_j；

第七步：根據(jù)第六步得到的索引集Λ_j和x_j獲得聲源源強能量分布列向量是將聲源源強能量分布列向量在索引位置Λ_j處的項全部賦值為x_j中所對應的值，剩余項全部為零。

與已有技術相比，本發(fā)明有益效果體現(xiàn)在：

1、本發(fā)明方法由于使用了正交匹配追蹤算法來解卷積，而且避免了傅里葉變換的卷繞誤差，所以在整個適宜于反卷積算法的頻段內，其分辨率與計算精度均明顯優(yōu)于DAMAS2方法和FFT-NNLS方法。

2、本發(fā)明方法中利用點擴展函數(shù)的近似空間平移不變性，僅計算聲源計算平面中心位置處聲源的點擴展函數(shù)，通過循環(huán)移位方法構造點擴展函數(shù)矩陣，而且通過正交匹配追蹤算法來解卷積其迭代次數(shù)少，因此本發(fā)明與DAMAS2方法和FFT-NNLS方法相比，具有有著更高的計算效率。

3、本發(fā)明方法具備優(yōu)良的魯棒性和抗干擾能力，在低信噪比條件下聲源的定位精度明顯優(yōu)于DAMAS2方法和FFT-NNLS方法，性能穩(wěn)定。

附圖說明

圖1為本發(fā)明聲源識別布局示意圖；

圖2a、圖2b和圖2c分別是在聲源頻率為1600Hz時，DAMAS2方法、FFT-NNLS方法以及本發(fā)明方法的聲源定位效果；

圖3a、圖3b和圖3c分別是在聲源頻率為2000Hz時，DAMAS2方法、FFT-NNLS方法以及本發(fā)明方法的聲源定位效果；

圖4a、圖4b和圖4c分別是在聲源頻率為2400Hz時，DAMAS2方法、FFT-NNLS方法以及本發(fā)明方法的聲源定位效果；

圖5為聲源頻率為2400Hz時，本發(fā)明方法、DAMAS2方法和FFT-NNLS方法的計算時間隨聚焦點數(shù)目的變化曲線；

圖6a、圖6b和圖6c分別是在信噪比0dB的低信噪比條件下，聲源頻率為1600Hz時，DAMAS2方法、FFT-NNLS方法以及本發(fā)明方法的聲源定位效果；

圖7a、圖7b和圖7c分別是在信噪比0dB的低信噪比條件下，聲源頻率為2000Hz時，DAMAS2方法、FFT-NNLS方法以及本發(fā)明方法的聲源定位效果；

圖8a、圖8b和圖8c分別是在信噪比0dB的低信噪比條件下，聲源頻率為2400Hz時，DAMAS2方法、FFT-NNLS方法以及本發(fā)明方法的聲源定位效果；

具體實施方式

本發(fā)明高分辨率的快速反卷積聲源成像算法是按如下步驟進行：

步驟a、如圖1所示，在K個聲源輻射形成的聲場中呈陣列布置M個傳感器，形成測量面W，采集獲得各個傳感器聲壓數(shù)據(jù)，聲源的個數(shù)K小于傳感器的數(shù)量M，傳感器為傳聲器或質點振速傳感器。

步驟b、將聲源計算平面離散成一網(wǎng)格面，網(wǎng)格面為聚焦面T，在聚焦面T中包含有N個網(wǎng)格點，每個網(wǎng)格點為聚焦點，由式(1)計算出第n個聚焦點的互譜成像波束形成輸出量b(r_n)：

式(1)中，為導向矢量，i為虛數(shù)單位，k為聲波波數(shù)，k＝2πf/c，π為圓周率，f為聲源頻率，c為聲速，為聚焦面T上第n個的聚焦點到測量面W上所有傳感器的距離組成的列向量，H為共軛轉置。

U為測量聲壓數(shù)據(jù)的互譜矩陣，表示測量面W上所有傳感器坐標組成的列向量，表示所有傳感器所接受到的聲壓組成的列向量，為抑制傳感器陣列自噪聲的干擾，將互譜矩陣U的主對角線元素全部置零，即對互譜矩陣U去自譜。

利用式(1)對每個聚焦點進行計算，獲得所有聚焦點的互譜成像波束形成輸出量組成的列向量表示聚焦面T上所有聚焦點坐標組成的列向量。

步驟c、由式(2)計算出聚焦面T的中心點上的聲源源強能量與聚焦面T上第n個聚焦點的互譜成像波束形成輸出量b(r_n)之間的點擴展函數(shù)psf(r_n/r_z)，其中r_z表示聚焦面T的中心點的坐標，并且當聚焦面T上聚焦點個數(shù)N為奇數(shù)時，z＝(N+1)/2，為偶數(shù)時，z＝N/2：

式(2)中，為傳遞函數(shù)組成的列向量，為聚焦面T中心點到所有傳感器的距離組成的列向量。

利用式(2)對每個聚焦點進行計算，得到聚焦面T中心點上的聲源源強能量與聚焦面T上所有聚焦點的互譜成像波束形成輸出量之間的點擴展函數(shù)組成的列向量

步驟d、通過如下循環(huán)移位的方式構建所有聚焦點上的聲源源強能量與所有聚焦點的互譜成像波束形成輸出量之間的點擴展函數(shù)組成的矩陣表示聚焦面T上所有聚焦點坐標組成的列向量：

第n₁個聚焦點上的聲源源強能量與聚焦面T上所有聚焦點的互譜成像波束形成輸出量之間的點擴展函數(shù)組成的列向量為點擴展函數(shù)矩陣中的第n₁列；

當n₁＜z時，是通過將中的每個元素向上循環(huán)平移(z-n₁)位得到；

當n₁＞z時，是通過將中的每個元素向下循環(huán)平移(n₁-z)位得到；

通過上述方式構建出點擴展函數(shù)矩陣中除第z列以外的其他N-1列，并且已知點擴展函數(shù)矩陣中的第z列從而得出完整的點擴展函數(shù)矩陣

點擴展函數(shù)矩陣中，n和n₁都表示任意一個聚焦點，它們取值沒有關聯(lián)，它們的范圍都是1到N，而且n對應點擴展函數(shù)矩陣的行，n₁對應點擴展函數(shù)矩陣的列，例如第n₁個聚焦點上的聲源源強能量與第n個聚焦點的互譜成像波束形成輸出量b(r_n)之間的點擴展函數(shù)為點擴展函數(shù)矩陣第n行第n₁列的數(shù)。

本發(fā)明方法運用循環(huán)移位的方式來構建點擴展函數(shù)矩陣相比于通過公式直接算出點擴展函數(shù)矩陣其大大縮短了計算所用的時間，提高了本方法的計算效率。

步驟e、利用點擴展函數(shù)矩陣和互譜成像波束形成輸出量建立式(3)所示的矩陣方程：

式(3)中，為所有聚焦點上的聲源源強能量組成的列向量。

步驟f、運用正交匹配追蹤算法對式(3)進行求解，從而獲得聲源源強能量分布實現(xiàn)聲源定位。

本發(fā)明方法運用正交匹配追蹤算法來進行聲源源強能量的重構，避免了由于傅里葉變換引入的卷繞誤差，使獲得的聲源源強能量更加準確，從而提高計算結果的分辨率和精度。

具體實施中，運用正交匹配追蹤算法對式(3)進行求解是按如下步驟進行：

第一步：初始化殘差r₀＝b，殘差下降率r₀′＝0，索引集Λ₀＝φ，選取的點擴展函數(shù)矩陣列向量組成的矩陣Φ₀＝φ，令初始迭代次數(shù)為j＝1。

第二步：通過式(4)找到中的列向量與殘差向量內積最大值索引位置λ_j：

第三步：按如下方式更新索引集Λ_j和Φ_j：

將第二步得到λ_j放入第j-1次迭代得到的索引集Λ_j-1中，再將中的第λ_j列放入第j-1次迭代得到的矩陣Φ_j-1中，并且將的第λ列全部賦值為零。

第四步：根據(jù)最小二乘法求解出聲源源強能量x_j為：x_j＝arg min||Φ_jx-b||²。

第五步：根據(jù)求解的x_j值計算新的殘差值r_j為：r_j＝b-Φ_jx_j；則殘差下降率r_j′為：r_j′＝||r_j-1||²-||r_j||²；其中，r_j-1為第j-1次迭代得到的殘差。

第六步：若r′_j-1≤r_j′，則將j增加1作為新的迭代次數(shù)，并且返回到第二步繼續(xù)迭代；否則停止迭代，進入第七步，并且取出迭代過程中所得到的索引集Λ_j和x_j。

第七步：根據(jù)第六步得到的索引集Λ_j和x_j獲得聲源源強能量分布列向量是將聲源源強能量分布列向量在索引位置Λ_j處的項全部賦值為x_j中所對應的值，剩余項全部為零。

本發(fā)明方法與DAMAS2方法和FFT-NNLS方法相比，具有高分辨率、高的計算效率和穩(wěn)定性強等特點，能更快、更好地識別與定位聲源在聲源計算平面上的位置。

理論模型

本發(fā)明方法在聲源定位的過程中仍采用反卷積聲源成像的原理，首先找到互譜成像波束形成輸出量與聲源源強能量之間的傳遞關系，然后通過解方程求出聲源源強能量，來實現(xiàn)聲源的定位，其過程如下：

圖1中測量面W位于xoy平面，黑色圓點表示陣列傳感器，設總共有M個傳感器，而且傳感器個數(shù)要大于實際聲源個數(shù)，傳感器為傳聲器或質點振速傳感器；將聲源計算平面離散成一網(wǎng)格面，網(wǎng)格面為聚焦面T，在聚焦面T中包含有N個網(wǎng)格點，每個網(wǎng)格點為聚焦點。

測量面W上所有傳感器接收的聲壓為傳遞矩陣和所有聚焦點的聲源強度的乘積：

式(2-1)中，表示測量面W上所有傳感器坐標組成的列向量，表示聚焦面T上所有聚焦點坐標組成的列向量，表示所有傳感器所接受到的聲壓組成的列向量，為傳遞函數(shù)組成的矩陣，表示所有聚焦點上的聲源強度組成的列向量。

式(2-1)中：

式(2-2)中，|r_m,n|表示第m個傳感器和第n個聚焦點之間的距離，i表示虛數(shù)單位，k表示聲波波數(shù)，k＝2πf/c，π為圓周率，f為聲源頻率，c為聲速。

第n個聚焦點陣列響應輸出為：

式(2-3)中，為導向矢量，表示第n個聚焦點到所有傳感器的距離組成的列向量，H表示共軛轉置。

第n個聚焦點的互譜成像波束形成輸出量為：

b(r_n)＝y(tǒng)(r_n)y(r_n)^H (2-4)

將式(2-3)代入式(2-4)得：

記式(2-5)中間兩項為U：

式(2-6)中，U表示測量聲壓數(shù)據(jù)的互譜矩陣，為抑制傳感器陣列自噪聲的干擾，將互譜矩陣U的主對角線元素全部置零，即對互譜矩陣U去自譜，可提高聲源識別精度，將去自譜后的式(2-6)代入式(2-5)，相應的變?yōu)榈茫?/p>

將式(2-1)代入式(2-6)得：

式(2-8)中：

假設N個聚焦點上的聲源為不相干聲源，則式(2-9)中非主對角線元素相對于主對角元素可以忽略不計，所以式(2-8)可以簡化為：

式(2-10)中，為傳遞函數(shù)矩陣的第n列，q(r_n)表示第n個聚焦點上的聲源強度，聲源強度平方|q(r_n)|²為聲源源強能量。

將式(2-10)代入式(2-7)，由于式(2-10)和式(2-7)中n的取值沒有關聯(lián)，為了避免混淆，把式(2-10)中的n變?yōu)閚₁，得：

定義下式：

式(2-12)中，表示第n₁個聚焦點上的聲源源強能量與聚焦面T上第n個聚焦點的互譜成像波束形成輸出量b(r_n)之間的點擴展函數(shù)。

將式(2-12)代入式(2-11)得：

為簡化表示，將式(2-13)寫成矩陣形式：

式(2-14)中，為所有聚焦點上的聲源源強能量組成的列向量，表示所有聚焦點的互譜成像波束形成輸出量組成的列向量，表示聚焦面T上所有聚焦點坐標組成的列向量，表示所有聚焦點上的聲源源強能量與聚焦面T上所有聚焦點的互譜成像波束形成輸出量之間的點擴展函數(shù)組成的矩陣。

運用式(2-12)得到聚焦面T中心點上的聲源源強能量與聚焦面T上所有聚焦點的互譜成像波束形成輸出量之間的點擴展函數(shù)的列向量其中r_z表示聚焦面T的中心點的坐標，并且當聚焦面T上聚焦點個數(shù)N為奇數(shù)時，z＝(N+1)/2，為偶數(shù)時，z＝N/2；然后通過如下循環(huán)移位來構建點擴展函數(shù)矩陣

第n₁個聚焦點上的聲源源強能量與聚焦面T上所有聚焦點的互譜成像波束形成輸出量之間的點擴展函數(shù)組成的列向量為點擴展函數(shù)矩陣中的第n₁列，當n₁＜z時，是通過將中的每個元素向上循環(huán)平移(z-n₁)位得到，當n₁＞z時，是通過將中的每個元素向下循環(huán)平移(n₁-z)位得到；通過上述方式構建出點擴展函數(shù)矩陣中除第z列以外的其他N-1列，并且已知點擴展函數(shù)矩陣中的第z列從而得出完整的點擴展函數(shù)矩陣

運用式(2-7)得到所有聚焦點的互譜成像波束形成輸出量組成的列向量

運用正交匹配追蹤算法對式(2-14)進行求解是按如下步驟進行：

第一步：初始化殘差r₀＝b，殘差下降率r₀′＝0，索引集Λ₀＝φ，選取的點擴展函數(shù)矩陣列向量組成的矩陣Φ₀＝φ，令初始迭代次數(shù)為j＝1；

第二步：通過式(2-15)找到中的列向量與殘差向量內積最大值索引位置λ_j：

第三步：按如下方式更新索引集Λ_j和Φ_j：

將第二步得到λ_j放入第j-1次迭代得到的索引集Λ_j-1中，再將中的第λ_j列放入第j-1次迭代得到的矩陣Φ_j-1中，并且將的第λ_j列全部賦值為零；

第四步：根據(jù)最小二乘法求解出聲源源強能量x_j為：x_j＝arg min||Φ_jx-b||²；

第五步：根據(jù)求解的x_j值計算新的殘差值r_j為：r_j＝b-Φ_jx_j；則殘差下降率r_j′為：r_j′＝||r_j-1||²-||r_j||²；其中，r_j-1為第j-1次迭代得到的殘差；

第六步：若r′_j-1≤r_j′，則將j增加1作為新的迭代次數(shù)，并且返回到第二步繼續(xù)迭代；否則停止迭代，進入第七步，并且取出迭代過程中所得到的索引集Λ_j和x_j；

第七步：根據(jù)第六步得到的索引集Λ_j和x_j獲得聲源源強能量分布列向量是將聲源源強能量分布列向量在索引位置Λ_j處的項全部賦值為x_j中所對應的值，剩余項全部為零。

仿真1：

驗證本發(fā)明方法相對于DAMAS2方法和FFT-NNLS方法具有更高的分辨率與定位精度。

仿真中聲源為兩個位于Z＝1m的平面T上的具有相等強度的兩個不相干的點聲源，聲源坐標分別為：(-0.15m,0,1m)、(0.1m,0,1m)。

測量面W位于Z＝0m平面內，W的尺寸為1mx1m，W上均勻分布11x11個測量網(wǎng)格點，因此測量面W上的測量點之間的間距為0.1m。

聚焦面T位于Z＝1m平面內，T的尺寸為1mx1m，T上均勻分布41x41個聚焦點，因此聚焦面T上的聚焦點之間的間距為0.025m。

為使仿真與實際實施中存在測量噪聲的情況更加一致，測量面W聲壓添加了高斯白噪聲，信噪比為20dB。

分別采用本發(fā)明方法、DAMAS2方法和FFT-NNLS方法對聚焦面T上的聲源進行定位，并對比本發(fā)明方法與DAMAS2方法和FFT-NNLS方法定位的效果，以驗證本發(fā)明方法的優(yōu)勢。采用DAMAS2方法和FFT-NNLS方法計算時，迭代次數(shù)為1000次；本發(fā)明算法計算時，根據(jù)判斷條件自動停止迭代。

圖2a、圖2b、圖2c、圖3a、圖3b、圖3c以及圖4a、圖4b和圖4c分別給出了聲源頻率為1600Hz、2000Hz、2400Hz時DAMAS2方法、FFT-NNLS方法和本發(fā)明方法的聲源定位效果，其中，圖2a、圖3a、圖4a為DAMAS2方法的聲源定位效果，圖2b、圖3b、圖4b為FFT-NNLS方法的聲源定位效果，圖2c、圖3c、圖4c為本發(fā)明方法的聲源定位效果，圖中的兩個“+”表示聲源實際的位置。

從圖2a、圖3a和圖4a可以看出，DAMAS2方法在頻率為1600Hz時定位偏差很大而且旁瓣也很大，頻率為2000Hz時，定位仍有偏差而且旁瓣比較大，頻率為2400Hz時，雖然定位比較準確但是還是有旁瓣；從圖2b、圖3b和圖4b可以看出，F(xiàn)FT-NNLS方法在三個不同頻率下的定位比較準確但旁瓣都很大；從圖2c、圖3c和圖4c可以看出，本發(fā)明方法在三個不同頻率下的定位非常準確而且旁瓣很小。由圖2a、圖2b和圖2c，圖3a、圖3b和圖3c，圖4a、圖4b和圖4c對比可以看出，在不同頻率下，本發(fā)明方法相比于DAMAS2方法和FFT-NNLS方法有著更準確的定位和更小的旁瓣。

上述分析表明本發(fā)明方法相對于DAMAS2方法和FFT-NNLS方法能夠更準確的定位出聲源的位置，也就是說本發(fā)明方法具有更高的分辨率與定位精度。

仿真2

驗證本發(fā)明方法相對于DAMAS2方法和FFT-NNLS方法具有更高計算效率。

在頻率為2400Hz時，把聚焦面T分別劃分為289、729、1369、2209、3249個聚焦點，保持聚焦點間距為0.025m，其余仿真參數(shù)與仿真1保持不變，分析本發(fā)明方法、DAMAS2方法和FFT-NNLS方法計算所需的時間，從而驗證本發(fā)明方法在計算效率方面的優(yōu)越性。

圖5表示在同一運行環(huán)境下，三種算法所需要的時間隨聚焦點個數(shù)增加的變化情況。其中a、b和c曲線分別表示FFT-NNLS方法、DAMAS2方法和本發(fā)明方法的計算時間隨聚焦點數(shù)目的變化曲線。從圖中可以看出隨著聚焦點數(shù)目的增加，三種算法計算時間都有所上升，而且可以發(fā)現(xiàn)DAMAS2方法和FFT-NNLS方法所需時間的曲線始終處于本發(fā)明方法所需時間的曲線的上面，DAMAS2方法和FFT-NNLS方法計算所需的時間始終多于本發(fā)明方法計算所需要的時間，并且可以看出，當聚焦面T上的聚焦點數(shù)量較多時DAMAS2方法和FFT-NNLS方法計算所需的時間遠遠多于本發(fā)明方法計算所需要的時間，例如：當聚焦點數(shù)目為1369時，DAMAS2方法所需時間是本發(fā)明方法所需時間的9倍，F(xiàn)FT-NNLS方法所需時間是本發(fā)明方法所需時間的26倍之多。

上述分析表明本發(fā)明方法相對于DAMAS2方法和FFT-NNLS方法具有更高計算效率。

仿真3

驗證本發(fā)明方法相比于DAMAS2方法和FFT-NNLS方法在低信噪比條件下的優(yōu)越性。

仿真條件基本與仿真1中相同，僅將測量面W聲壓的信噪比降低為0dB。也是得到1600Hz、2000Hz、2400Hz三個不同頻率下，本發(fā)明方法、DAMAS2方法和FFT-NNLS方法聲源定位效果。

圖6a、圖6b、圖6c、圖7a、圖7b、圖7c以及圖8a、圖8b和圖8c分別給出了在信噪比為0dB的情況下聲源頻率為1600Hz、2000Hz、2400Hz時DAMAS2方法、FFT-NNLS方法和本發(fā)明方法的聲源定位效果，其中，圖6a、圖7a、圖8a為DAMAS2方法在信噪比為0dB的情況下的聲源定位效果，圖6b、圖7b、圖8b為FFT-NNLS方法在信噪比為0dB的情況下的聲源定位效果，圖6c、圖7c、圖8c為本發(fā)明方法在信噪比為0dB的情況下的聲源定位效果，圖中的兩個“+”表示聲源實際的位置。

由圖6a、圖7a、圖8a、圖6b、圖7b和圖8b可以看出，DAMAS2方法和FFT-NNLS方法在信噪比為0dB的情況下定位會有偏差而且旁瓣比較大；由圖6c、圖7c和圖8c可以看出，本發(fā)明方法在信噪比為0dB的情況下的定位還是非常準確而且旁瓣也很小。而且本仿真的結果與仿真1的結果相比，可以看出DAMAS2方法和FFT-NNLS方法當信噪比降低時，其定位的效果會變差，但信噪比降低對本發(fā)明方法的定位效果基本沒有影響。

上述分析表明本發(fā)明方法比DAMAS2方法和FFT-NNLS方法在低信噪比的情況下定位更精確，而且本發(fā)明方法比DAMAS2方法和FFT-NNLS方法的性能更加穩(wěn)定。因此本發(fā)明方法相比于DAMAS2方法和FFT-NNLS方法在低信噪比條件下具有優(yōu)越性。