用于稀疏声场重建的数据自适应模式耦合贝叶斯压缩感知

用更少的麦克风“听见”声音

从追求更安静车舱的汽车制造商到定位机器杂响的工程师，现代工业常常需要详尽描绘声音在空间中的传播。获得这种描绘通常意味着在目标周围布置密集的麦克风网格，这既耗时又昂贵。本文提出了一种更智能的“听取”方式，能够从更少的测量中恢复出丰富的三维声场，在不牺牲精度的前提下减少硬件和测试时间。

为什么重建声场如此困难

近场声学全息是一种把靠近声源的麦克风测量转换为周围声场完整图谱的常用技术。理论上，如果测量足够密集，常规数学方法可以在任何位置重建声音。但在实践中，麦克风之间所需的间距非常小，实际测试装置往往膨胀成包含数百个传感器的笨重阵列，从而推高成本并限制了在大型或复杂结构上的应用。压缩感知是过去二十年发展起来的一个数学框架，为此提供了出路：如果潜在的声场可以用少数几个关键基模描述，那么经过精心选择的测量仍然可以重建整个场景。

利用声场的隐含构件

作者基于“等效声源”思想，将真实振动物体替换为一组假想点声源，其组合效应能够再现所测得的声音。通过分析这些等效声源的辐射方式，可以找到一组自然压缩问题的辐射模式：只有少数模式携带大部分能量。用这些模式来表示声场，就把重建问题转化为寻找一组稀疏系数。早先的贝叶斯压缩感知方法将每个系数视为相互独立，事实上等于假定重要贡献是随机分散的。然而真实的声源通常在空间上是平滑的——热点和安静区域倾向于以连片的形式出现，而非孤立的像素。

让相邻点“相互沟通”

为了更好地反映这一物理现实，新方法称为数据自适应模式耦合贝叶斯压缩感知（DA‑PCBCS），它将相邻系数联系在一起。算法并不是为每个系数分配完全独立的强度控制，而是通过一个可学习的变换让这些控制相互影响。在重建过程中，该方法根据测量数据反复调整系数和这些耦合强度。真正辐射声能的区域彼此鼓励保持活跃，形成非零值的簇，而安静区域则加强邻近系数向零收缩的趋势。在数学上，这种行为被编码为分层概率模型，偏好块状模式而无需事先知道这些块的位置。

从仿真到实验室验证

团队在振动钢板上对其方法进行了测试，先在计算机仿真中，再在半消声室的受控实验中验证。他们将新方法与两种既有的贝叶斯技术进行了比较：一种忽略邻域结构，另一种使用固定的非自适应耦合形式。在广泛的频率范围内，自适应方法始终产生更低的重建误差，尤其在中高频率下传统方法表现欠佳时优势明显。当麦克风数量大幅减少或加入模拟现实测量条件的人工噪声时，该方法也保持了更高的精度。在使用扫描麦克风阵列的实验室测试中，新算法在整个测试频带内将误差维持在约百分之十以下，在使用相同受限数据的情况下优于基准方法。

用更少的努力实现更清晰的声学视野

通俗地说，这项工作展示了如何用更少的“耳朵”得到更清晰的声音“图像”。通过允许重建算法学习声场中相邻点如何共同升降，该方法从每次麦克风读数中提取更多信息。对于工程师而言，这意味着更简单的测量配置、更低的测试成本以及对噪声结构更可靠的诊断能力——即便数据稀疏或被噪声污染。尽管当前实现计算量较大，未来的改进可能为实用的实时声学成像工具铺平道路，让设备学会更聪明地听，而不仅仅是更多地听取声音。

引用: Xiao, Y., Liu, Y., Chen, Z. et al. Data-adaptive pattern-coupled Bayesian compressive sensing for sparse sound field reconstruction. Sci Rep 16, 14551 (2026). https://doi.org/10.1038/s41598-026-44624-z

关键词: 声学全息, 压缩感知, 声场重建, 贝叶斯方法, 稀疏传感