[发明专利]一种用于声场合成的声场信息采集方法

权利要求书

1.一种用于声场合成的声场信息采集方法，其特征在于：包括平面传声器阵列、高斯混合模型参数训练模块、回归预测模块；通过平面传声器阵列采集平面上局部声压信息来代替全局声压信息，并将局部采集得到的数据作为训练数据库建立声压与空间信息的高斯混合模型参数训练模块，然后用该模型对采集平面上任意位置的声场声压进行回归预测，从而获得平面上全局声压信息；所述的平面传声器阵列采集平面上特定离散位置的声压数据构成训练数据库，所述的高斯混合模型参数训练模块使用该训练数据库中的数据建立声压与空间信息的高斯混合模型，所述的回归预测模块用该模型对采集平面上任意位置的声场声压进行回归预测，从而获得采集平面上完整的声场声压信息。

2.根据权利要求1所述的一种用于声场合成的声场信息采集方法，其特征在于：传声器阵列为：在一待采集区域中，均匀选取D个不同位置进行声压采集，其中传声器间距大于Δx，D=N×N，N的取值范围为1<N<L/Δx，区域中任一位置r_q以及对应频域中的复声压值p(r_q,Ω)可构成一个四维的观察信号x(x_q,y_q,p_amp,p_phase)，其中p_amp和p_phase分别为复声压的幅值和相位；将这D个空间位置信息和对应复声压信息，构造成训练数据矢量序列X={x_n,n=1,2,…,D}，即X为D×4维的训练数据集Dataset。

3.根据权利要求1所述的一种用于声场合成的声场信息采集方法，其特征在于：高斯混合模型的建模方法如下：

定义M为GMM中高斯分量个数，w_i是混合加权值，满足u_i是均值矢量Σ_i是协方差矩阵E[(x-u_i)^T(x-u_i)]，i=1,2,…,M；高斯混合模型参数λ描述定义为

λ={w_i,u_i,Σ_i}，i=1,2,…,M，   (1)

根据声场分布的复杂程度等经验确定GMM中高斯分量个数为M，设置M=15；对训练数据集Dataset进行聚类，得到高斯混合模型的初始参数λ⁰；具体步骤如下：首先将Dataset中前M个4维观察信号x作为初始聚类中心cx₁,cx₂,…,cx_M；所余下其它观测信号，则根据它们与这些聚类中心的欧氏距离d_j，分别将它们分配给与其最相似的聚类，即欧氏距离最小聚类，见式(2)；然后按照式(3)计算某一聚类中所有观测信号的均值作为新聚类的聚类中心mean_i；不断迭代式(2)和(3)，直到按照式(4)计算的M个聚类中心的均方差在迭代前后之差的绝对值在10^-10以内；最后用得到的M个聚类数据计算λ⁰，如式(5)～(7)；

meani=1numiΣix,---(3)]]>

Ei=Σj=1numi|xj-meani|2,---(4)]]>

wi0=numiD,---(5)]]>

ui0=meani,---(6)]]>

Σi0=E[(x-ui0)T(x-ui0)],---(7)]]>

其中，num_i为第i个聚类中含有的观测数据向量的个数，同时式(3)和(7)中x属于第i个聚类的数据才参与计算；

(3)使用期望最大化算法确定GMM的参数λ，EM算法的目标函数Q：

Q(λ,λ′)=1DΣn=1Dlog[Σk=0Mwkfk(xn)],---(8)]]>

其中，λ'为上一次迭代估计出的模型参数，并用于本次期望最大化迭代的目标函数计算过程中；λ为经过一次EM迭代后得到的模型估计参数；f_i(x)为四维高斯概率密度函数

fi(x)=1(2π)2|Σi|1/2exp[-(x-ui)TΣi-1(x-ui)/2],---(9)]]>

估计后验概率步骤——求取训练数据在第i个高斯分量下的后验概率为：

p(in=i|xn,λ)=wifi(xn)Σk=1Mwkfk(xn),---(10)]]>

其中，λ在第一次迭代时则为λ⁰，之后则为期望最大化步骤产生的模型参数；

期望最大化步骤——计算Q的各种参数估计值：

w‾i=1DΣn=1Dp(in=i|xn,λ),---(11)]]>

u‾i=Σn=1Dp(in=i|xn,λ)xnΣn=1Dp(in=i|xn,λ),---(12)]]>

Σ‾i2=Σn=1Dp(in=i|xn,λ)xn2Σn=1Dp(in=i|xn,λ)-u‾i2,---(13)]]>

其中，分别为第i个分量的加权值、平均值和协方差矩阵的估计；在期望最大化过程结束后，将和进行更新；考虑到数值计算的稳定性，在期望最大化过程中，在估计协方差矩阵之后，将协方差矩阵的对角元素加上一个很小的常量10^-5；然后，根据式(11)～(13)计算式(8)，若计算出的Q与上一次迭代结果之间绝对值的差异超过10^-10，则重复估计后验概率步骤和期望最大化步骤，直到式(8)计算结果小于10^-10，此时，的值构成的向量即为训练出的GMM参数λ。

4.根据权利要求1所述的一种用于声场合成的声场信息采集方法，其特征在于：回归预测模块的方法为：

将观察区域上任意需要重建声压的空间位置数据作为输入数据特征矢量X_in={x_inn,n=1,2,…,L}，将重建的声压作为输出数据特征矢量X_out={x_outn,n=1,2,…,L}，高斯混合回归则是在输入为X_in=x_inn的条件下，X_out的期望作为输出x_outn：

xoutn=E[Xout|Xin=xinn,λ]=Σi=1Mmi(xinn)p(i|xinn,λ),---(14)]]>

式中，mi(xinn)=uiXout+ΣiXoutXinΣiXin-1(xinn-uiXin)]]>是在输入为x_inn的条件下x_outn的期望，而_p(i|x_inn,λ)是输入数据x_inn在第i个高斯分量下的后验概率。