买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：一种基于稀疏贝叶斯学习模型的变压器声源定位成像方法、系统、设备和存储介质，涉及声学成像领域，特别涉及基于稀疏贝叶斯学习模型的变压器声源定位成像领域。本发明解决了现有变压器声源定位成像方法中噪声干扰大导致准确度低的问题。本发明包括以下步骤：S1：预定义参数；S2：构建过完备表示模型；S3：构建稀疏贝叶斯学习模型；S4：计算联合分布函数；S5：更新信号变量；更新信号方差变量；更新噪声方差变量；S6：计算本次更新与上次更新的相对误差；S7：输出最后更新中信号变量的期望作为信号的估计值；根据信号的估计值计算各网格点信号能量，叠加目标平面声压图和变压器图像，显示变压器声源位置。适用于变压器声源定位的高分辨率成像领域。

主权项：1.一种基于稀疏贝叶斯学习模型的变压器声源定位成像方法，其特征在于，所述方法包括以下步骤：S1.建立空间坐标系，确定麦克风阵列参考点的空间坐标以及所有麦克风的空间坐标，确定目标平面，将所述目标平面网格化，确定所述网格化的目标平面中所有网格点的空间坐标，将所有麦克风的空间坐标、网格点的空间坐标和目标频率带入格林函数构建传播矩阵；S2.根据S1所述的传播矩阵采集麦克风阵列的时域信号，利用短时傅里叶变换将时域信号转换为时频域信号，选取所述时频域信号的时频域数据并构建过完备表示模型；S3.根据S2所述过完备表示模型构建稀疏贝叶斯学习模型，所述稀疏贝叶斯学习模型包括信号的多层贝叶斯模型、噪声模型和似然函数；S4.根据S3所述信号的多层贝叶斯模型、噪声模型和似然函数，确定所有变量的联合分布；S5.根据S4所述联合分布，使用变元贝叶斯推断方法获得信号变量的近似后验分布，所述近似后验分布为多维复高斯分布，通过计算多维复高斯分布的期望和协方差矩阵更新信号变量；使用变元贝叶斯推断方法获得信号方差变量的近似后验分布，所述近似后验分布为伽马分布，通过计算伽马分布的期望更新信号方差变量；使用变元贝叶斯推断方法获得噪声方差变量的近似后验分布，所述近似后验分布为伽马分布，通过计算伽马分布的期望更新噪声方差变量；S6.获得S5所述的信号变量、信号方差变量和噪声方差变量本次更新与上次更新的相对误差，根据更新判断条件确定是否停止更新，所述更新判断条件是：当所述相对误差大于10-4并且更新次数小于2000，则重复S5进行更新，当所述相对误差小于等于10-4或者更新次数大于等于2000，则停止更新，执行S7；S7.输出当前的信号变量、信号方差变量和噪声方差变量的期望作为信号的估计值，根据所述估计值计算各网格点位置的信号能量，生成目标平面声压图，读取变压器图像，叠加目标平面声压图和变压器图像，获得变压器声源位置。

全文数据：

权利要求：

百度查询： 广东电网有限责任公司东莞供电局 一种基于稀疏贝叶斯学习模型的变压器声源定位成像方法、系统、设备和存储介质