Der Artikel beschreibt einen Ansatz zur Rekonstruktion der Raumübertragungsfunktion (RTF) unter Verwendung komplexwertiger neuronaler Netzwerke (CVNN) und unregelmäßig verteilter Mikrofone.
Zunächst wird das Problem der RTF-Rekonstruktion formuliert, bei dem aus einer begrenzten Anzahl von Messungen an verstreuten Punkten im Raum die vollständige RTF-Matrix geschätzt werden soll. Dazu wird ein CVNN-basierter Ansatz vorgestellt, der in der Lage ist, die komplexwertige RTF direkt zu modellieren.
Im Vergleich zu einem state-of-the-art signalverarbeitungsbasierten Ansatz zeigt der vorgeschlagene CVNN-Ansatz Vorteile in Bezug auf die Genauigkeit der Phasenschätzung und die Gesamtqualität des rekonstruierten Schallfelds. Darüber hinaus wird der CVNN-Ansatz mit einem ähnlich strukturierten datengetriebenen Ansatz verglichen, der jedoch nur die Magnitude des Schallfelds rekonstruiert.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Francesca Ro... at arxiv.org 03-27-2024
https://arxiv.org/pdf/2402.04866.pdfDeeper Inquiries