[论文解读] Fast acoustic source imaging using multi-frequency sparse data

Ala Alzaalig, Guanghui Hu+2 more|arXiv (Cornell University)|Dec 7, 2017

Ultrasonics and Acoustic Wave Propagation参考文献 1被引用 10

一句话总结

本文提出一种快速、非迭代的采样方法，用于利用多频带稀疏远场或近场数据进行声源成像。通过矩阵-向量乘法计算指示函数，该方法能高效重建声源支撑区域，即使在数据有限的情况下仍具有高精度，并证明仅通过单个观测方向即可利用多频带数据恢复声源位置和尺寸。

ABSTRACT

We consider the acoustic source imaging problems using multiple frequency data. Using the data of one observation direction/point, we prove that some information (size and location) of the source support can be recovered. A non-iterative method is then proposed to image the source for the Helmholtz equation using multiple frequency far field data of one or several observation directions. The method is simple to implement and extremely fast since it only computes an indicator function on the interested domain using only matrix vector multiplications. Numerical examples are presented to validate the effectiveness of the method.

研究动机与目标

• 解决从稀疏宽带多频带测量中重建声源支撑区域的挑战。
• 克服单频带数据无法唯一确定扩展声源的局限性。
• 开发一种计算高效的非迭代方法，避免迭代求解正问题。
• 建立理论与数值验证，证明仅使用一个或少数几个观测方向的多频带数据即可实现声源支撑区域的恢复。
• 展示该方法对具有不同空间分布和频率依赖特性的声源的鲁棒性。

提出的方法

• 提出一种基于改进因子分解法的非迭代采样方法，利用多频带远场或近场数据。
• 通过涉及远场散射图和观测方向的矩阵-向量乘法，在感兴趣区域上构造指示函数。
• 利用多频带数据 $k \in (0, k_{\text{max}})$ 提高分辨率和稳定性，即使在测量稀疏时亦然。
• 通过识别指示函数中高值区域来检测声源支撑区域，利用Helmholtz方程的渐近行为。
• 该方法依赖于远场模式 $u^\infty(\theta, k) = \int_D e^{-ik\theta \cdot y} F(y,k) dy$，该模式将声源与可测量数据联系起来。
• 通过离散化 $k$ 和 $\theta$ 实现数值计算，仅依赖矩阵-向量运算，无需迭代求解正问题，从而实现快速计算。

实验结果

研究问题

• RQ1 能否利用非迭代方法，仅通过稀疏多频带远场或近场数据重建声源支撑区域？
• RQ2 当拥有多频带数据时，单个观测方向在多大程度上能提供关于声源支撑区域的信息？
• RQ3 该方法在声源具有空间变化或频率依赖分布时表现如何？
• RQ4 声源尺寸与波长对重建精度有何影响，特别是对扩展或大尺寸物体？
• RQ5 当测量集具有正Lebesgue测度或为稀疏时，该方法是否仍能恢复声源位置和尺寸？

主要发现

• 该方法仅使用一个观测方向和多频带数据即可成功重建声源支撑区域，声源位置和尺寸在指示函数中清晰可辨。
• 对于具有双组件或复杂形状的声源，多个观测方向生成的条带交集能准确包围声源支撑区域。
• 即使声源函数 $F$ 依赖于波数 $k$，如 $F_1(x,y;k) = k^2(x^2 - y^2 + 5)$ 或 $F_2(x,y;k) = e^{ik(x\cos 3\pi/2 + y\sin 3\pi/2)}(x^2 - y^2 + 5)$，重建仍保持准确。
• 当使用多个观测方向（$M=20$）时，尺寸与最短波长（$\lambda_{\text{min}} \approx 0.628$）相当或更大的物体能被良好重建，准确捕捉形状、尺寸和位置。
• 更短的波长可提升重建质量，实现对细小结构细节（如三角形和薄板支撑）的精确恢复。
• 该方法计算高效，仅依赖矩阵-向量运算，避免了求解正问题的昂贵迭代过程，适用于实时或大规模应用。