[发明专利]一种基于改进BP神经网络的参量声源建模方法

说明书

技术领域

一种参量声源的建模方法，尤其涉及一种基于改进BP神经网络的参量声源建模方法。

背景技术

参量声源是一种利用超声波的非线性传播效应产生高指向性音频声波，具有广阔应用前景的新概念声源。然而由于参量扬声器的工作原理是利用空气非线性交互作用，自解调出声音信号必然会有失真的现象，在对可听声进行超声波调制时也必然会增加了非线性失真的因素，虽然现在采用更好的调制算法，使解调出的可听声的失真现象(声音扭曲现象)得到了很大的改善，但在实际的声频定向系统中这种声音失真还是一直存在的，要想有效的解决声音失真难题，传统上的方法就是对调制算法进行改进，虽然很多研究人员在算法上已经做了很多的工作，并且取得了很多成果，但是算法上并没有很多的突破。这是把该技术推向市场的一个很大的技术障碍。同时也是现在的研究热点。

目前参量声源中超声波与自解调信号的解析关系是利用“Berktay远场解”来确定的。但由于“Berktay远场解”考虑非线性效应时只取二阶近似，且没有将散射、吸收等效应考虑进去，因此它只能作为一种定性依据。而Khokhlov-Zabolotskaya-Kuznetsov(KZK)方程虽然充分考虑到了流体、固体中有限幅值声束的非线性、吸收、散射效应等因素，但是目前还难以求取该方程的解析解。基于此，需要建立更为精确的参量阵模型来解决参量声源的信号处理问题。

本发明中提出使用神经网络对参量阵进行建模，同时利用遗传算法对神经网络进行优化。利用神经网络所具有的对非线性映射的任意逼近能力，来模拟参量阵的输入输出关系。而利用神经网络的自学习、自适应能力，可以方便地给出工程上易于实现的学习算法，经过训练得到系统的正向或逆向模型。并用遗传算法对神经网络的权值和结构同时优化，即用遗传算法同时优化隐含层节点数目和初始权值及阈值，最终得到可靠且评估精度较高的参量阵模型。

发明内容

本发明的目的是为了解决参量声源建模困难，提出一种基于改进BP神经网络的参量声源建模方法，利用BP神经网络良好的非线性函数逼近能力，以及遗传算法取优能克服陷于局部极值的特性，建立参量声源非线性系统模型，以提高参量声源模型精度和泛化能力。

本发明具体方法如下：

第1步：分析参量声源的输入输出量，确定影响神经网络建模的因素；

将参量声源模型的输入信号设为PC机产生的音频信号，将参量声源模型的输出设为麦克风接收到的经过空气自解调的信号；

第2步：采集训练和测试参量声源模型的数据样本

数据样本的采集遵循奈奎斯特定理，即为了能够根据采样值完全恢复原来的信号，采样频率应大于信号频率的2倍。本发明中处理信号一般采用低于10kHz的音频信号，因此采样频率选取为44.1kHZ已经足够。

第3步：对所采集的数据样本进行归一化预处理

所述的归一化是将采集到的数据样本映射到[-1，1]区间。其映射关系如下：其中Y为归一化处理后的数据，X为需要归一化的数据，X_min为需要归一化处理的数据中最小值，X_max为需要归一化处理的数据中最大值。

第4步：建立参量声源系统的神经网络模型

用采集的输入输出样本数据构建BP神经网络：该神经网络输入层和输出层节点均取为1；输入层和隐层神经元采用Sigmoid型激活函数，输出层神经元采用线性激活函数；学习速率取0.1，网络精度取0.01％；

第5步，遗传算法优化参量声源模型

将隐层数目、各神经元之间的初始权值作为遗传算法优化对象，遗传算法个体编码采用实数编码方法，把样本预测输出和期望输出之间的误差绝对值作为个体适应度，选择操作选择轮盘赌法即适应度越大被选择的概率越大，交叉操作采用实数交叉法，变异操作通过随机选择方式选择基因。

第6步，训练和测试所建模型

采用多组经归一化预处理后的数据样本对改进的神经网络进行训练，训练样本的数目的选取一般为4-5个输入信号周期的数目，并用测试数据对该模型进行分析检验，当所述的神经网络在测试样本数据的预测误差低于规定水平即通过测试。

有益效果：

本发明的有益效果是，可有效简单的建立参量声源模型，且操作简单、模型精度较高，克服传统参量声源模型不够精确的问题。具体来说：

1)本发明将参量声源的输入输出作为BP神经网络的样本数据，这样可以使构建的神经网络输入输出得到相应的确定；