主流反卷积声源成像算法性能对比与工程应用指导

本文主要探讨了三种主流的反卷积声源成像算法——DAMAS (Deconvolution Acoustic Mapping Algorithm for Sound Sources), FISTA-DAMAS (Fast Iterative Shrinkage-Thresholding Algorithm for Deconvolution Acoustical Source Imaging), 和 SC-DAMAS (Shifted Convolution Deconvolution Acoustical Source Imaging)。作者孟良、徐亮和张小正在合肥工业大学噪声振动研究所进行研究，他们的研究基于国家自然科学基金面上项目和合肥工业大学应用培育计划。 文章首先阐述了这三种算法的基本原理，着重讨论了它们在处理声源成像问题时的核心思想，即通过反卷积技术来恢复声源的位置和强度信息。其中，DAMAS强调直接的反卷积运算，FISTA-DAMAS则利用迭代阈值缩放算法加速收敛过程，而SC-DAMAS则考虑了平移不变性和稀疏约束，通过调整算法来优化空间分辨率。 文章深入分析了这三种算法在处理过程中的关键差异，尤其是在点扩展函数的假设和反卷积操作上，这些区别直接决定了它们在性能上的优势和适用场景。研究者特别关注了算法在实际工程应用中的表现，如空间分辨率和计算效率，通过在消声室内的实验测试，他们在不同频率、测量距离以及聚焦点数情况下进行了对比评估。 实验结果显示，每种算法在特定条件下可能表现出最佳性能。例如，对于高频环境或近距离测量，FISTA-DAMAS可能因其更快的计算速度而更具优势；而SC-DAMAS可能在保持较高分辨率的同时，还能够处理复杂背景下的稀疏声源。因此，根据实际工程需求和特定条件，合理选择合适的反卷积声源成像算法至关重要。 这篇文章提供了关于如何在工程实践中有效运用和比较这三种反卷积声源成像算法的宝贵指导，有助于提高声源定位的精度和效率，特别是在汽车NVH（噪声、振动与 harshness）等领域的应用。通过这篇论文，读者可以了解到算法之间的理论基础和实际应用的权衡，以便做出更明智的技术决策。