Tagungsband - DAGA 2024
Beitrag
Entwicklung einer Deep Learning-basierten Methode zur dreidimensionalen Schallquellencharakterisierung
Zusammenfassung:
Die Schallquellenlokalisierung (SSL) und -charakterisierung (SSC) im Frequenzbereich mit planaren Mikrofonarrays ist im dreidimensionalen Raum aufgrund der geringen Auflösung in der Richtung senkrecht zur Arrayebene begrenzt. Während modellbasierte Entfaltungsansätze und inverse Methoden zur Generierung akustischer Quellkartierungen einen Kompromiss zwischen Gitterauflösung und Rechenressourcenbedarf darstellen, können datenbasierte Modelle eine hohe Genauigkeit bei reduzierter Rechenzeit bieten. In dieser Studie wurde ein bestehendes und ein neuartiges neuronales Netz basierend auf der Transformer Architektur untersucht. Letzteres führt gegenüber der bestehenden Architektur zu einer Verbesserung der Rekonstruktionsgenauigkeit hinsichtlich der akustischen Quellkartierung sowie Verringerung des Trainingsaufwands. Für den Vergleich hinsichtlich der dreidimensionalen SSL und SSC mit isotropen Punktquellen aus synthetischen Daten wurden sowohl eine gitterbasierte Methode (CLEAN-SC) als auch eine gitterfreie Methode (Gridless Orthogonal Beamforming) verwendet.