Separation of acoustical source power spectral densities with Bayesian sparsity enforcing - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Journal of Sound and Vibration Année : 2020

Separation of acoustical source power spectral densities with Bayesian sparsity enforcing

Séparation des densités spectrales de puissance de sources acoustiques à l'aide d’une approche bayésienne et l’application de d’un a priori parcimonieux

Résumé

Active research is ongoing to improve the design of different patterns of aircrafts including innovative devices of noise reduction often assessed during experiments conducted with scaled models in wind tunnels or in situ with real aircrafts. Source localization methods play a fundamental role to identify the source locations which are at the origin of the annoyance. Another topic for these experiments is the establishment of theoretical models, requiring a fine picture of the Power Spectral Densities (PSDs) of the main sound sources. The topic is to extract the PSDs of the primary source signals from, the PSDs of the measured mixtures. Blind signal separation techniques seem to be suited for this problem. Among the numerous existing methods, the Bayesian separation approach has the advantage of incorporating relevant information about the PSDs of the sources, and the mixing systems to help the separation process. This approach is enforced to the separation of the PSDs of primary source signals recorded by an array of microphones during tests performed in an anechoic chamber with tonal, narrow-band and broadband acoustic sources. The Signal-to-Distortion Ratio (SDR) allows to show that the separation results are better when sparsity priors are used to describe the source PSDs rather than Gaussian ones for all the scenarios of mixtures considered in the article. We demonstrate that the SRD decreases in a similar manner as the measure of the sparseness of the PSDs of the acoustic sources.
Des recherches actives sont en cours pour améliorer la conception de différents modèles d’avions, y compris des dispositifs innovants de réduction du bruit souvent évalués lors d’expériences menées avec des modèles réduits en soufflerie ou in situ sur avions à l’échelle un. Les méthodes de localisation de source jouent un rôle fondamental pour identifier les emplacements de source qui sont à l’origine de la gêne acoustique. Un autre objectif de ces expériences est la mise en place de modèles théoriques, nécessitant une image fine des densités spectrales de puissance (PSD) des principales sources sonores. L’objectif suivi est d’extraire les PSDs des signaux de source primaire à partir des PSDs des mélanges mesurés. Les techniques de séparation des signaux aveugles semblent convenir pour résoudre ce problème. Parmi les nombreuses méthodes existantes, l’approche de séparation bayésienne a l’avantage d’incorporer des informations pertinentes sur les PSDs des sources et les systèmes de mélange pour faciliter le processus de séparation. Cette approche est appliquée à la séparation des PSDs des signaux de source primaire enregistrés par un réseau de microphones lors de tests effectués dans une chambre anéchoïque avec des sources acoustiques tonales, à bande étroite et à large bande. Le rapport signal / distorsion (SDR) permet de montrer que les résultats de séparation sont meilleurs lorsqu’un a priori parcimonieux est utilisé pour décrire les PSDs de source plutôt qu’un a priori gaussien pour tous les scénarios de mélanges considérés dans l’article. Nous démontrons que le SRD diminue de manière similaire à la mesure du taux de parcimonie des PSDs des sources acoustiques.
Fichier principal
Vignette du fichier
DAAA20035.1589887301_postprint.pdf (5.76 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02613347 , version 1 (20-05-2020)

Identifiants

Citer

Daniel Blacodon, Ali Mohammad-Djafari. Separation of acoustical source power spectral densities with Bayesian sparsity enforcing. Journal of Sound and Vibration, 2020, 480, pp.115334. ⟨10.1016/j.jsv.2020.115334⟩. ⟨hal-02613347⟩
42 Consultations
48 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More