通过深度学习,提高声学成像中不连贯源的盲目分离
Xian Wu1,2, Roger Boustany3, Simon Bouley4
1Division LMSD Mecha(tro)nic System Dynamics, Department of Mechanical Engineering, KU Leuven, Celestijnenlaan 300, Box 2420, 3001 Leuven, Belgium.
The Journal of the Acoustical Society of America
|July 28, 2025
概括
本研究介绍了一种混合深度学习和主要组件分析 (PCA) 方法,用于改进声源分离. 这种新的方法有效地将多个不连贯的声音来源分开,克服了传统技术的局限性.
科学领域:
- 声学成像成像 声学成像成像
- 信号处理 信号处理
- 机器学习是机器学习.
背景情况:
- 分离多个不连贯的声音源是声学成像的一个关键挑战.
- 传统的方法,如主要组件分析 (PCA) 创建"虚拟"的来源,但与多个解决方案和高计算成本扎.
研究的目的:
- 开发一种混合方法,将PCA和深度学习结合起来,以实现强大的声源分离.
- 为了解决源分离中的 permutation 问题和源数估计.
主要方法:
- 在模拟的声音源数据上训练了一个神经网络.
- 源分离被定义为使用匈牙利损失的集合预测问题.
- 该方法被设计为数组几何和频率不可知.
主要成果:
- 混合PCA和深度学习模型有效地将虚拟源分成不同的源地图.
- 该方法成功地处理了排列问题,并估计了源的数量.
- 该模型在真实世界数据集上表现出强大的性能,尽管它仅在模拟数据上进行训练.
结论:
- 将深度学习与PCA集成,为复杂的声源分离提供了强大的解决方案.
- 这种方法为现有的最先进的技术提供了一个计算效率高和多功能替代方案.
- 无关数组和频率的性质确保了在各种声学成像场景中广泛的应用.
