下载文档原格式
基于麦克风阵列的实时声源定位技术研究引言：现代社会中，人们对声音的定位和识别需求越来越高。
例如，安防系统需要准确地定位入侵者的位置；智能语音助手需要能够识别用户的指令和语音提示，并作出相应的回应；语音会议系统需要准确地定位每个与会人员的位置，以保证音频质量和沟通效果。
这些应用都需要实时地准确地定位声源的位置。
基于麦克风阵列的实时声源定位技术应运而生，成为了当前研究的热点之一主体：1.麦克风阵列的工作原理麦克风阵列是基于传感器阵列的一种声音采集系统。
通过在一定空间范围内布置多个麦克风，可以采集到多个声音信号。
麦克风阵列的工作原理是利用声音信号到达阵列中各个麦克风的时间和相位差异，从而计算声源的位置。
2.声源定位的方法常用的声源定位方法有两种，分别是时域方法和频域方法。
时域方法主要是通过计算声源的到达时间差来确定位置。
常用的算法有交叉相关法、互相关法和延迟和幅度差法。
这些方法可以通过比较麦克风阵列中各个麦克风接收到的声音信号的相位和幅度差异，计算出声源的位置。
这些方法的计算量较大，但可以实现较高的定位精度。
频域方法主要是通过计算声源信号的频谱特性来确定位置。
常用的算法有波束形成法和最大似然法。
这些方法通过比较阵列中各个麦克风接收到的声音信号的频谱特性的差异，计算出声源的位置。
这些方法计算量较小，但定位精度相对较低。
3.算法优化为了提高声源定位的精度和实时性，研究者们进行了各种算法优化的尝试。
在时域方法中，可以通过优化交叉相关法中的互相关函数的计算方式，减少计算量。
同时，可以采用快速傅里叶变换等算法进行加速，提高实时性。
在频域方法中，可以对波束形成法进行优化，改进波束形成器的权重计算方式，提高定位精度。
另外，还可以将多种算法进行融合，利用多传感器的信息进行联合估计，减小误差。
同时，通过深度学习等方法，对声源的定位问题进行建模，提高算法的泛化能力。
4.应用前景基于麦克风阵列的实时声源定位技术在安防、智能家居、自动驾驶等领域有着广泛的应用前景。
《基于麦克风阵列的声源定位技术研究》一、引言随着科技的不断发展，声源定位技术在众多领域中得到了广泛的应用，如智能监控、语音交互、机器人导航等。
麦克风阵列技术作为一种有效的声源定位手段，因其能通过多个麦克风的协同作用实现高精度的声源定位，逐渐成为了研究热点。
本文将重点研究基于麦克风阵列的声源定位技术，探讨其原理、方法及应用。
二、麦克风阵列技术原理麦克风阵列是由多个麦克风按照一定的几何排列组成的系统，通过收集声波的相位差和强度差等信息，实现对声源的定位。
其基本原理包括波束形成、时延估计和到达角度估计等。
1. 波束形成波束形成是麦克风阵列技术中常用的一种方法，通过加权求和的方式将多个麦克风的信号合并成一个指向性较强的波束，从而提高信噪比并实现对声源的定向侦测。
2. 时延估计时延估计是基于声波传播速度恒定的原理，通过测量不同麦克风间接收声波的时间差，估计出声源与麦克风阵列之间的距离和方向。
3. 到达角度估计到达角度估计是利用声波的传播特性，通过分析声波到达不同麦克风的先后顺序和强度差异，估计出声源的方位角或俯仰角。
三、声源定位方法基于麦克风阵列的声源定位方法主要包括基于传统算法的方法和基于机器学习的方法。
1. 基于传统算法的方法传统算法主要包括基于时延估计的方法、基于到达角度估计的方法以及二者结合的方法。
这些方法通常需要预先设定一定的假设条件，如声源位于近场或远场等，然后通过计算和分析声波的传播特性，实现声源定位。
2. 基于机器学习的方法随着机器学习和人工智能的发展，基于机器学习的声源定位方法逐渐成为研究热点。
该方法通过训练神经网络等模型，学习声波的传播特性和环境噪声等因素对声源定位的影响，从而实现高精度的声源定位。
四、应用领域麦克风阵列的声源定位技术在众多领域中得到了广泛的应用。
1. 智能监控在智能监控系统中，通过布置麦克风阵列，可以实现对监控区域内声源的实时定位和追踪，从而提高监控效率和准确性。
2. 语音交互在语音交互系统中，麦克风阵列技术可以实现对多个说话人的识别和定位，从而实现多人都好、智能问答等功能。
有限阵列孔径下的中低频声源识别与声场重构方法汇报人：2023-12-15•引言•有限阵列孔径下的声场模型•中低频声源识别方法目录•声场重构方法•实验验证与分析•结论与展望01引言研究背景与意义声源识别与声场重构在科研与实际应用中的重要性在许多科研领域（如地球物理学、海洋学、气象学等）以及实际应用中（如声音监控、音频信号处理、音乐表演等），都需要对声源进行准确的识别与定位，并对声场进行重构。
有限阵列孔径下的声源识别与声场重构的挑战性在许多实际环境中，由于设备尺寸、成本等因素的限制，往往只能使用有限大小的阵列孔径进行声音采集。
这给准确识别与定位声源、重构声场带来了极大的挑战。
当前主流的声源识别与声场重构方法及其优缺点目前，主流的声源识别方法主要包括基于波束形成（Beamforming）的方法、基于独立成分分析（Independent Component Analysis，ICA）的方法等。
这些方法都有各自的优点，如波束形成方法可以实现较高的定位精度，ICA方法可以有效地抑制噪声。
然而，它们也都存在一些问题，如波束形成方法在低信噪比环境下性能较差，ICA方法在源数未知的情况下可能无法得到正确的结果。
要点一要点二有限阵列孔径下声源识别与声场重构的难点在有限阵列孔径下，由于孔径大小有限，无法实现全空间覆盖，因此难以准确识别与定位所有声源。
此外，由于阵列孔径的限制，可能无法得到完整的声场信息，这给声场重构带来了困难。
研究现状与问题研究内容本研究旨在开发一种有限阵列孔径下的中低频声源识别与声场重构方法。
具体研究内容包括：1）研究适用于有限阵列孔径的中低频声源识别方法；2）研究基于有限阵列孔径的声场重构方法；3）通过实验验证方法的可行性和有效性。
研究方法本研究将采用理论分析和实验验证相结合的方法进行。
首先，通过对现有声源识别和声场重构方法的研究和分析，提出一种新的有限阵列孔径下的中低频声源识别与声场重构方法。
然后，通过实验验证该方法的可行性和有效性。
基于麦克风阵列的声源定位声源定位技术是一种将声源位置信息与声音信号相关联的信号处理技术。
传统的声源定位技术一般使用单个麦克风，通过测量声音到达时间差或幅度差来确定声源位置。
然而，由于环境噪音的影响或者声音传播路径不明确，单个麦克风的精度不高。
而基于麦克风阵列的声源定位技术通过利用多个麦克风之间的空间布置关系，可以更准确地定位声源位置。
麦克风阵列通常采用线性、圆形或矩形的布局，可以接收到多个方向的声音信号。
通过对不同麦克风接收到的信号进行分析，可以计算出声源的位置。
在实现基于麦克风阵列的声源定位技术时，主要的步骤包括：1.麦克风阵列的设计与布置：根据具体的应用场景和需求，选择合适的麦克风数量、类型和布局形式。
一般来说，麦克风之间的距离越远，声源定位的精度越高。
2.信号采集与处理：通过麦克风阵列采集到的声音信号，使用滤波器和放大器对信号进行预处理。
然后，通过快速傅里叶变换（FFT）或相关函数计算麦克风之间的互相关函数，得到声音到达时间差或幅度差。
3. 特征提取与处理：根据互相关函数的结果，进行特征提取和处理，以获得更准确的声源定位信息。
常用的特征包括声音到达时间差（Time Difference of Arrival，TDOA）和声音到达角（Angle of Arrival，AOA）。
4. 定位算法：根据提取得到的特征信息，使用定位算法计算声源的位置。
常用的算法有最小二乘法（Least Squares，LS）、推广的消元法（Generalized Cross-Correlation，GCC）以及基于机器学习的方法等。
5.定位结果的评估与优化：根据实际的应用需求，评估声源定位的精度和实时性，并进行相应的优化，以提高声源定位的准确性和稳定性。
基于麦克风阵列的声源定位技术可以广泛应用于语音识别、人机交互、语音增强等领域。
例如，在视频会议中，可以通过声源定位技术来确定发言人的位置，从而自动调整摄像头的方向和焦距。
球形传声器阵列识别定位汽车内部异响声源目录1. 内容概要 (2)1.1 研究背景 (2)1.2 研究意义 (3)1.3 文献综述 (4)1.4 研究内容与方法 (5)2. 球形传声器阵列基础 (7)2.1 球形传声器阵列概述 (8)2.2 传声器阵列的设计原则 (8)2.3 传声器阵列的校准与优化 (10)3. 汽车内部异响声源特点 (11)3.1 异响声源的分类 (12)3.2 异响声波特性的分析 (13)3.3 异响声源的环境影响 (14)4. 语音信号处理技术 (16)4.1 语音信号的特征提取 (17)4.2 信号的预处理与滤波 (18)4.3 模糊集理论在声源定位中的应用 (19)5. 球形传声器阵列声源定位算法 (21)6. 系统实现与验证 (22)6.1 系统的硬件架构 (23)6.2 软件的开发环境 (24)6.3 实验设置与数据采集 (26)6.4 定位效果评估 (27)7. 应用案例分析 (28)7.1 真实案例描述 (29)7.2 声源定位结果分析 (31)7.3 定位准确性对比 (32)8. 结论与展望 (33)8.1 研究总结 (34)8.2 存在问题的讨论 (35)8.3 未来的研究方向 (36)1. 内容概要本文档旨在介绍一种基于球形传声器阵列的汽车内部异响声源识别定位方法。
该方法通过在汽车内部安装多个球形传声器，收集和分析来自不同方向的声音信号，从而实现对汽车内部异响声源的精确定位。
通过对收集到的声音信号进行时频分析、信号处理和模式识别等技术手段，可以有效地识别出异响声源的位置和类型，为汽车维修和故障诊断提供有力支持。
本文还将探讨球形传声器阵列设计、信号采集与处理以及模式识别等方面的关键技术，以期为相关领域的研究和应用提供参考。
1.1 研究背景随着汽车工业的迅速发展，汽车的内饰材料和设计变得越来越复杂，这导致了汽车内部噪音更加多元化。
异响是汽车设计中经常出现的问题，它可以由多种原因引起，如悬挂系统的噪音、电子元件的振动、塑料材料的粗糙表面等。
声源定位的算法原理声源定位算法是通过分析和处理音频信号，确定声源的位置或方向。
常见的声源定位算法包括交叉相关法、泛音法、多麦克风阵列法等。
下面将详细介绍这些算法的原理。
1.交叉相关法：交叉相关法是一种经典的声源定位算法。
它基于两个麦克风之间的时间差（Time Difference of Arrival，简称TDOA）来确定声源的位置。
首先，通过两个麦克风接收到的声音信号计算出它们的自相关函数。
然后，两个自相关函数进行互相关运算，得到互相关函数。
根据互相关函数的峰值位置，可以通过时间差来确定声源的方向。
具体步骤如下：-麦克风接收到的声音信号进行滤波和采样。
-计算出两个麦克风的自相关函数。
-对两个自相关函数进行互相关运算，得到互相关函数。
-找到互相关函数的峰值位置，根据时间差计算声源的方向。
2.泛音法：泛音法是一种利用声音的频率特征来确定声源方向的算法。
声音在传播过程中会发生多次反射，形成泛音。
这些泛音在不同位置的麦克风上的相对振幅会发生变化。
通过分析不同麦克风上的频率响应，可以确定声源的位置。
具体步骤如下：-通过多个麦克风接收到的声音信号计算频谱。
-分析不同麦克风上的频谱，在频域上找到波峰位置。
3.多麦克风阵列法：多麦克风阵列法是一种基于信号处理技术的声源定位算法。
它利用多个麦克风接收到的声音信号之间的差异来确定声源的方位。
通过利用阵列中的多个麦克风之间的时延差、振幅差和相位差等信息，可以实现高精度的声源定位。
-设置一个具有多个麦克风的阵列。
-同时接收到来自不同麦克风的声音信号，并利用信号处理技术进行预处理。
-通过计算麦克风之间的时延差、振幅差和相位差等信息，确定声源的位置。
声源定位算法在很多领域都有广泛的应用，如语音识别、视频会议、智能家居等。
通过对声音信号的分析和处理，可以准确地确定声源的位置和方位，为人们提供更多便利和服务。
《基于麦克风阵列的声源定向系统的研究与实现》篇一一、引言随着科技的不断发展，声源定向系统在多个领域的应用日益广泛，包括但不限于智能机器人、智能家居、音频处理以及军事应用等。
而基于麦克风阵列的声源定向系统是当前声源定位研究领域的热门话题。
本篇论文将详细介绍基于麦克风阵列的声源定向系统的研究与实现过程。
二、麦克风阵列技术概述麦克风阵列技术是一种利用多个麦克风组成的阵列系统，通过分析声波在空间中的传播特性，实现对声源的定位和定向。
该技术具有高精度、高效率、低成本的优点，广泛应用于音频处理和语音识别等领域。
三、声源定向系统原理基于麦克风阵列的声源定向系统主要依赖于声波传播的相位差和时间差原理。
当声波传播到麦克风阵列时，不同麦克风之间会接收到不同时间和幅度的声波信号，根据这些差异，可以确定声源的方向和位置。
四、系统设计与实现4.1 系统架构设计本系统采用分布式架构设计，包括硬件部分和软件部分。
硬件部分主要包括多个麦克风、信号处理模块和通信模块；软件部分则包括信号采集、预处理、特征提取、声源定位和定向等模块。
4.2 信号采集与预处理首先，通过麦克风阵列采集声波信号，并进行预处理，包括滤波、降噪等操作，以提高信噪比和定位精度。
4.3 特征提取与声源定位利用特征提取算法从预处理后的信号中提取出关键特征，如到达时间差（TDOA）等。
然后通过声源定位算法，如最小均方误差（LMS）算法等，实现对声源的精确定位。
4.4 声源定向与实现结果根据声源的位置信息，结合声音传播方向信息，实现对声源的定向。
本系统通过计算声音传播方向向量和阵列响应矩阵的关系，实现声源定向的精确输出。
同时，我们通过实验验证了系统的性能和准确性。
五、实验与结果分析5.1 实验环境与数据集我们采用多种环境下的实际录音数据作为实验数据集，包括室内、室外、嘈杂环境等场景。
实验环境包括多个不同布局的麦克风阵列系统。
5.2 实验结果与分析通过对实验数据的分析，我们发现本系统在各种环境下的声源定位和定向性能表现良好。
信号子空间：设N 元阵接收p 个信源，则其信号模型为：()()()()1piiii x t s t a N t θ==+∑在无噪声条件下，()()()()()12,,,P x t span a a a θθθ∈称()()()()12,,,P span a a a θθθ 为信号子空间，是N 维线性空间中的P 维子空间，记为P NS 。
PN S 的正交补空间称为噪声子空间，记为N P N N -。
正交投影设子空间m S R ∈，如果线性变换P 满足，()1),,,2),,,0m mx R Px S x S Px x x R y S x Px y ∀∈∈∀∈=∀∈∀∈-=且则称线性变换P 为正交投影。
导向矢量、阵列流形设N 元阵接收p 个信源，则其信号模型为：()()()()1piiii x t s t a N t θ==+∑，其中矢量()i ia θ称为导向矢量，当改变空间角θ，使其在空间扫描，所形成的矩阵称为阵列流形，用符号A 表示，即(){|(0,2)}a A θθπ=∈波束形成波束形成（空域滤波）技术与时间滤波相类似，是对采样数据作加权求和,以增强特定方向信号的功率，即()()()()HHy t W X t s t W a θ==，通过加权系数W实现对θ的选择。
最大似然已知一组服从某概率模型()f X θ的样本集12,,,N X X X ，其中θ为参数集合，使条件概率()12,,,N f X X X θ 最大的参数θ估计称为最大似然估计。
不同几何形态的阵列的阵列流形矢量计算问题假设有P 个信源，N 元阵列，则先建立阵列的几何模型求第i 个信源的导向矢量()i i a θ 选择阵元中的一个作为第一阵元，其导向矢量()1[1]i a θ=然后根据阵列的几何模型求得其他各阵元与第一阵元之间的波程差n ∆，则确定其导向矢量()2jn i a eπλθ∆=最后形成N 元阵的阵列流形矢量()11221N j j N Pe A e πλπλθ-∆∆⨯⎡⎤⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦ 例如各向同性的NxM 元矩形阵，阵元间隔为半个波长，当信源与阵列共面时：首先建立阵列几何模型：对于第m 行、第n 列的阵元，其与第1行、第1列阵元之间的波程差为(1)sin()(1)cos()mn i i n d m d θθ∆=---故：()1122(sin()cos())22((1)sin()(1)cos())11N j j d j j d N M NM P NM Pe e A e e ππθθλλππθθλλθ-∆-∆---⨯⨯⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦而当信源与阵列不共面时： 首先将信源投影到阵列平面然后建立阵列模型对于第m 行、第n 列的阵元，其与第1行、第1列阵元之间的波程差为[(1)sin()(1)cos()]sin()mn i i i n d m d θθϕ∆=-+-故：()1122(sin()cos())cos()22((1)sin()(1)cos())cos()11N j j d j j d N M NM P NM Pe e A e e ππθθϕλλππθθϕλλθ-∆-∆---⨯⨯⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦线性约束最小方差准则（LCMV ）的自适应波束形成算法： 对于信号模型：()()()0X t s t a J N θ=++， 波束形成输出：()()()()0()H H H yt W X t s t W a W J N θ==++LCMV 准则实际上是使()0HW a θ为一个固定值的条件下，求取使得()HWJ N +方差最小的W 作为最有权值，即：()0min .H X WHW R Ws t W a Fθ⎧⎪⎨⎪=⎩，其中F 为常数利用拉格朗日乘子法可解得：()10X opt W R a μθ-=当取1F =时，则()()11H X a R a μθθ-=，μ的取值不影响SNR 和方向图。
麦克风阵列在语音识别中的应用
随着人工智能技术的不断发展，语音识别技术逐渐走进人们的生活。
而在语音识别技术中，麦克风阵列的应用起到了重要的作用。
本文将介绍麦克风阵列在语音识别中的应用，并从多个方面阐述其重要性。
一、麦克风阵列介绍
麦克风阵列是由多个麦克风组成的一种变体形式，它可以将多个麦克风的输入信号进行数字信号处理和分析，并从中提取出任意方向的声音信号。
麦克风阵列通常由四个或更多麦克风组成，这些麦克风通常围绕着一个中心点布置，以形成一个可控制的虚拟听取器。
二、麦克风阵列在语音识别中的应用
1. 声纹识别
麦克风阵列可以用于声纹识别中，通过对人声信号进行分析和处理，从而实现语音识别。
在声纹识别中，麦克风阵列可以提高识别准确性和抗干扰能力，从而更好地识别人的声音特征。
2. 环境噪声抑制
麦克风阵列可以有效地抑制周围环境中的噪声，比如电视声、交通噪声等，从而提高语音识别的精确性和准确性。
麦克风阵列能够精确分析和抑制噪声，使得语音信号更加清晰，使得语音识别更准确。
3. 清晰度提升
麦克风阵列可以通过将多个麦克风的输入信号组合起来，从而使得语音信号更加清晰，更容易被识别。
麦克风阵列可以通过深度学习等技术，将多个麦克风的输入信号进行分析和处理，从而提升语音识别的清晰度和准确性。
三、总结
麦克风阵列在语音识别技术中发挥着重要作用，能够提高识别准确性和抗干扰能力，从而更好地识别人的声音特征。
麦克风阵列还能有效地抑制环境噪声，提高语音识别的精确性和准确性，从而使得语音识别更加优秀。
随着人工智能技术的发展，麦克风阵列技术将会在语音识别中扮演更加重要的作用。
主被动声波阵列信号探测及定位声波阵列信号探测及定位是一种利用声波信号进行目标探测和定位的技术方法。
它主要通过声波在空气或水中传播的特性，通过主动发射或被动接收声波信号，实现对目标位置和特征的探测。
声波阵列系统由多个声源和接收器组成，其中声源可以主动发射声波信号，而接收器可以接收来自目标或其他源的声波信号。
通过将多个声源和接收器分布在空间中的不同位置，声波信号在传递过程中的延迟和强度变化可以提供目标位置和特征的信息。
在主动声波阵列信号探测中，系统通过控制声源发射声波信号，并通过接收器接收回波信号，从而分析回波信号的时延和幅度变化，以确定目标位置。
通过计算声波信号的传播速度和控制声源的发射时刻，可以精确计算目标距离。
此外，目标在声波传播过程中的散射情况也可以提供目标的特征信息，如形状、表面特性等。
被动声波阵列信号探测则是基于接收来自目标或其他源的声波信号进行目标定位。
由于目标本身会散射声波信号，通过分析接收到的声波信号的到达时间差和幅度变化，可以确定目标的位置和特征。
被动声波阵列信号探测通常不需要发射声波信号，因此对目标的隐蔽性较好。
在实际应用中，主被动声波阵列信号探测及定位技术有着广泛的应用，尤其在海洋探测、水声通信和目标定位等领域。
在海洋探测中，声波阵列技术可以用于定位和追踪潜艇、水雷等水下目标；在水声通信中，声波阵列技术可以提高通信质量和距离；在目标定位中，声波阵列技术可以用于定位飞机、船只等目标。
然而，声波在传播过程中存在一些限制和挑战。
首先，声波信号的传播速度与介质有关，而介质的性质又会影响声波信号的衰减和散射。
其次，噪声和干扰对声波信号的传输和接收可能产生影响，降低探测和定位的准确性。
此外，多径效应和多目标问题也是声波阵列探测和定位中需要克服的技术难题。
为了解决以上问题，声波阵列技术可以与其他传感器技术相结合，如雷达、红外、电磁等，实现多模态的目标探测和定位。
不同传感器的组合可以提供更全面和准确的目标信息，并具有互补优势。
阵列信号识别声源相关总结1 阵列信号识别声源的方法归类噪声源的识别方法可大致分为3类：传统的噪声源识别方法，如选择运行法、铅覆盖法及数值分析方法等，传统方法虽然陈旧、使用效率低，但目前仍有许多企业在应用。
例如，为了测量汽车高速行驶时的车内噪声，需要将车门缝隙用铅皮封住；第二类，利用现代信号处理技术进行噪声源识别，如声强法、相干分析、偏相干分析适合与很多场合，能解决许多一般问题。
如评价某些噪声源、某些频谱对场点(模拟人头耳朵处)，这时采用相干分析就可以解决。
第三类，利用现代图像识别技术进行振动噪声源识别，其分为两种，一种是近场声全息方法(NAH)，一种是波束形成方法(Beamforming)。
相比于传统识别和现代信号处理方法，声阵列技术具有测试操作简单、识别效率高，以及可对声源进行量化分析并对声场进行预测等优点。
1.1 声全息方法近场声全息技术经过很长时间的发展已经日趋成熟，广泛应用于近距离测量和对中低频噪声源的识别。
声全息方法，其基本原理是首先在采样面上记录包括声波振幅和相位信息的全息数据，然后利用声全息重建公式推算出重建面上的声场分布。
该方法一方面可以获得车外声场分布的三维信息，另一方面可以进行运动车辆车外噪声源识别的研究，而且还具有在进行噪声测试时，抗外界干扰强的特点。
按声场测量的原理可分为常规声全息、近场声全息和远场声全息三种。
常规声全息，全息数据是在被测物体的辐射或散射场的菲涅尔区和弗朗和费区(即全息接收面与物体的距离d远大于波长λ的条件下)采用光学照相或数字记录设备记录的，因为受到自身实用条件的限制，根据全息测量面重建的图像受制于声波的波长。
它只能记录空间波数小于等于2π/λ的传播波成分，而且其全息测量面只能正对从声源出来的一个小立体角。
因此，当声源辐射场具有方向性时，可能丢失声源的重要信息。
并且通过声压记录得到的全息图，只能用于重建声压场，而不能得到振速、声强等物理量。
远场声全息NAH(Near-field Acoustical Holography)，其特点是全息记录平面与全息重建平面的距离d远远大于声波的波长λ，即其全息数据是在被测声源产生声场的辐射或散射声场的菲涅尔区和弗朗和费区获得的。
这种方法通过测量离声源很远的声压场来重建表面声压及振速场，由此可预报辐射源外任意一点的声压场、振速场、声强矢量场。
由于进行全息数据记录的表面距离被测声源面较远，而全息记录的表面的面积是有限的。
所以声源发出的声波有很大一部分不能够被全息记录平面所检测到，不利于对声场声源的识别。
和常规声全息一样，用远场声全息方法记录的全息数据，所获得的重建像的分辨率受限于声波波长 ，不适宜高分辨率的场合。
传感器的布置受精度要求限制，且通过扫描方式获得全息数据，测量工作比较费时，效率较低。
近场声全息，是一种新的成像技术，是全息成像理论的推广和突破。
近场声全息是在紧靠被测声源物理表面的测量面(d<<λ)记录全息数据，然后通过变换技术重建三维空间声压场、振速场、声强矢量场，并能预报远场指向性。
由于是近场测量，所以除了记录传播波成分外，还能记录空间频率高于且随传播距离按指数规律衰减的倏逝波成分。
由于它含有振动体细节信息，所以理论上可获得不受波长限制的高分辨率图像，测量覆盖了从声源出来的一个大的方位角，有指向性的声源能够被不失信息地检测出来。
比较上面三种声全息技术，NAH实用面最广，分辨率最高，可操作性最强，所以近些年来，国内外对NAH研究相当活跃。
1.2 波束形成方法(Beamforming)波束形成是基于传声器阵列的一种信号处理方法，适合中高频和中长距离声源的识别。
相对于近场声全息法必须要求规则阵列，波束形成方法可以用不规则阵列，比如随机阵列、圆环阵列等等。
因此，波束形成算法对传声器的数量要求大大降低。
对于波束形成算法，传声器阵列的布局对识别效果影响很大，选择合适的阵列形式可以遏制旁瓣、避免一定的混叠现象、提高识别精度、减少传声器的数量。
基于麦克风阵列的声源定位问题，利用一组按一定几何位置摆放的麦克风，定出声源的空间位置，按照定位原理大体上可分为三大类：(1) 基于最大输出功率的可控波束形成技术；(2) 基于到达时间差TDOA技术；(3) 基于高分辨率谱估计的定位技术。
1.2.1 基于最大输出功率的可控波束的声源定位算法基于可控波束的定位算法，是早期的一种定位方法。
该算法的基本思想是，采用波束形成技术，调节麦克风阵列的接收方向，在整个接收空间内扫描，能量最大的方位为声源的方位。
采用不同的波束形成器可得到不同的算法。
该方法在满足最大似然准则的前提下，以搜索的方式，使麦克风阵列所形成的波束对准信号源，从而获得最大输出功率。
即，对麦克风所接收到的声源信号滤波，并加权求和来形成波束，进而通过搜索声源可能的位置来引导该波束，波束输出功率最大的点就是声源的位置。
基于可控波束形成的定位算法，主要分为延迟累加波束算法和自适应波束算法。
前者运算量较小，信号失真小，但抗噪性能差，需要较多的阵元才有比较好的效果。
后者因为加了自适应滤波，所以运算量比较大，而且输出信号有一定程度的失真，但需要的麦克风数目相对较少，在没有混响时有比较好的效果。
由于该方法需要进行全局搜索，运算量极大，虽然可以采用一些迭代方法来减少运算量，但常常没有有效的全局峰值，收敛于几个局部最大值，且对初始搜索值极度敏感。
并且，可控波束定位技术依赖于声源信号的频谱特性，其最优化准则绝大多数都基于背景噪声和声源信号的频谱特性的先验知识。
因此，该类方法在实际系统中性能差异很大，再加之计算复杂度高，限制了该类算法的应用范围。
1.2.2 基于时延估计的声源定位算法基于时延估计的声源定位算法，在导航、声纳等领域有广泛的应用。
该算法首先估计各麦克风之间的相对时延，然后利用估计出的时延，确定声源的位置。
在现有的麦克阵列声源定位方法中，该方法运算量相对较小，实时性较好，硬件成本较低，因而倍受关注。
但是，该算法适合于单个声源的定位系统，如果用于多声源定位，性能将会严重下降。
基于时延估计的定位方法，主要由时延估计和声源定位两部分组成。
时延估计算法的方法很多，广义互相关函数法(Gee，Generalized Cross-Correlation)运用最为广泛。
广义互相关法通过求两信号之间的互功率谱，并在频域内给予一定的加权，来抑制噪声和反射的影响，再反变换到时域，得到两信号之间的互相关函数，其峰值位置，即两信号之间的相对时延。
由于实际应用中，一般不能预先得到有关信号和噪声的先验知识，只能用其估计值来代替加权函数的理论值。
因此，实际性能与理论性能有较大差距，尤其在混响较强的情况下。
互功率谱相位加权C(SP)法，对两路输入信号进行了白化处理，从而锐化了相关函数的峰值，使算法本身具有一定抗混响和噪声的能力。
但随着信噪比的降低和混响的增强，其性能急剧下降。
基于时延估计的声源定位的方法第二步，要根据第一步计算出的时延，估计声源的方位。
从理论上看，估计二维/三维参数仅需要2-3个独立的时延估计值，每一个时延估计对应一个双曲线/面，其交点为声源位置。
但是，由于估计误差和分辨率的影响，往往不能交于一点。
多个时延估计值对应的双曲线/面在空间交于一个区域，采用最小二乘拟合可求出最优解。
基于时延估计的声源定位算法在运算量上优于其它的定位算法，可以在实际系统中低成本实现。
就目前的文献报道来看，基于时延估计的定位算法仅仅适合于单声源定位，而对多声源的定位效果就不好；在房间有较强混响和噪声的情况下，往往很难获得精确的时延，从而导致第二步的定位产生很大的误差。
由于阵列结构和系统采样率等条件的限制，其定位精度远远不能与超分辨类算法相比，其应用受到限制。
1.2.3 基于子空间技术的声源定位算法基于子空间技术的声源定位算法，来源于现代高分辨谱估计技术。
子空间技术是阵列信号处理技术中研究最多、应用最广、最基本也是最重要的技术之一。
该方法已经成功地应用到通信、雷达等许多民用和军事领域。
阵列信号处理最主要的任务之一，是信号的波达方向(DOA，Direction of Arrival)估计，也称为方向估计、角度估计、测向或空间谱估计超(高)分辨谱估计。
由于空间信号的方向估计与时间信号的频率估计十分相似，许多时域非线性谱估计方法可以推广成为空域谱估计方法。
这类基于线性预测理论的高分辨谱估计方法主要有：谐波分析法、最大嫡法(MEM)、最小方差法(MVM)。
子空间分解类算法，就是利用两个子空间的正交特性，构造出“针状”空间谱峰，从而大大提高算法的分辨力。
子空间分解类算法从处理方式上可分为两类：一类是以MUSIC 为代表的噪声子空间类算法，另一类是以旋转不变子空间(ESPRIT)为代表的信号子空间类算法。
2 阵列识别声源的商业设备与公司NAH 和Beamforming这2种技术测量的距离和适用的频率不同,因此在实际测试中根据不同的要求选用,频率高、中远距离测量时用Beamforming ,中低频率、近距离测量时则用NA H ,也可以将它们综合应用。
国产的有北京声望(代理BBM)、东方所、声运等，国外的BK、和朗德(GFAI 的声照相机)，分析软件是重点。
2.1 相关声全息仪器设备与软件声学全息术是一种将噪声映射为声强分布并定位噪声源的技术，它使用麦克风或天线阵列生成噪声源的声音图像。
系统中的通道越多，图像的分辨率就越高。
目前的典型系统能够使用64到128个通道甚至更多。
汽车制造商想要价格更低的400通道以上的系统。
采用阵列中麦克风之间的相位关系就可以定位较强的噪声源。
2.1.1 SenSoundSenSound拥有专利的获奖声全息技术是由位于美国底特律的Wayne State 大学工程机械系的振动噪声实验室团队所开发的。
SenSound的声全息技术可以准确、快捷的诊断声源和传递路径。
适用于汽车、飞机、船舶、工程机械、建筑业和工程公司等。
SenSound通过在被测物的近场区域测量声压，使用HELS方法重建出声场中的声压、微粒速度、声强及被测物体表面的法向速度。
SenSound可以应用于：对稳态、非稳态、瞬态声源进行诊断分析；对声音在结构内部和外部空间及各种复杂结构中的传递路径进行诊断分析；阶次分析；将结构传递声音与空气传播声音区分开来；面板或墙的声音泄漏途径(孔、破损)分析；揭示声音产生的机理，识别与声音辐射相关的振动模式；声源或面板贡献度分析PCA(Panel Contribution Analysis)验证有限元(FEA)或统计能量分析(SEA)模型。
SenSound硬件产品：SenSound提供了一整套的集成的测试软硬件系统，保证了软硬件的兼容性和完整的技术支持。
硬件系统包括：1/4"ICP 传声器，集成的前置放大器，支持TEDS；传声器阵列支架，可以方便的将传声器放置在距离被测物很近的地方及改变传声器阵列的形状；数据采集前端，64通道，24位模数转换，61.44kHz采样率；便携式三维数字化坐标仪，可以方便的获得传声器和声源的坐标，创建声源的网格划分。
