MARC

 008260126s2025        us                              c    eng  d
■001000017358656
■00520260202104732
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290650708
■035    ▼a(MiAaPQ)AAI32148959
■035    ▼a(MiAaPQ)PennState28139mjs8688
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a330
■1001  ▼aSwann,  Mitchell  J.
■24510▼aTime  Domain  Source  Separation  Methods  for  Impulsive  Aeroacoustic  Sources
■260    ▼a[Sl]▼bThe  Pennsylvania  State  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a279  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Harris,  Jeff  R.;Krane,  Michael  H.
■5021  ▼aThesis  (Ph.D.)--The  Pennsylvania  State  University,  2025.
■520    ▼aSource  separation  is  a  necessary  signal  processing  task  when  multiple  sources  are  present  in  an  experiment.  Methods  which  seek  to  perform  source  separation  are  often  framed  as  an  inverse  problem,  in  which  the  underlying  sources  are  estimated  from  a  set  of  observations  of  their  mixture.  Many  methods  seek  to  perform  source  separation  with  little  to  no  knowledge  of  both  the  underlying  source  waveforms  as  well  as  the  mixing  parameters,  referred  to  as  blind  source  separation  (BSS).  Solving  the  BSS  problem  is  non-trivial,  particularly  when  time  delays  of  the  source  must  be  accounted  for  across  the  observations.  Most  real-world  problems  will  experience  these  time  delays.  Mixtures  which  account  for  time  delays  across  observations  are  called  convolutive  mixtures.Impulsive  sources  are  common  across  many  different  acoustic  problems.  For  source  separation,  impulsive  sources  violate  many  of  the  assumptions  made  by  canonical  source  separation  methods.  In  recent  years  there  has  been  an  increased  interest  in  data-driven  and  machine  learning  techniques  in  acoustics.  Machine  learning  techniques  are  often  statistical  in  nature  and  can  estimate  model  parameters  in  both  a  deterministic  and  probabilistic  manner.  These  techniques  may  be  leveraged  for  the  separation  of  impulsive  acoustic  sources.Aeroacoustic  sources  can  often  be  impulsive,  like  the  emission  of  a  vortex/edge  (V/E)  interaction.  In  the  present  study,  microphone  array  signals  are  used  which  are  observing  the  V/E  interaction  in  the  presence  of  an  additional  impulsive  source.  The  efficacy  of  these  machine  learning  techniques  for  source  separation  are  evaluated  by  comparing  the  estimated  V/E  interaction  source  parameters  with  theory  and  prior  experiments.  Principal  component  analysis  was  found  to  be  ineffective  in  separating  the  V/E  interaction  source.  Robust  principal  component  analysis,  however,  provided  sufficient  source  separation  to  estimate  the  V/E  source  parameters.  An  iterative  approach  using  robust  principal  component  analysis  for  the  separation  of  multiple  sources  is  also  introduced.Probabilistic  methods  are  also  evaluated  for  impulsive  source  separation.  A  simple  interpretable  model  is  developed  to  approximate  the  V/E  experiment.  Information  about  the  V/E  experiment  and  source  are  used  to  simplify  the  approximating  model.  The  model  is  parameterized  by  source  characteristics  including  time  series  waveforms  and  directivities.  Statistical  inversion  methods  maximum  likelihood  estimation  and  maximum  a  posterioriare  used  to  estimate  the  model  parameters  and  quantify  their  uncertainties.  The  prior  information  included  in  the  Bayesian  estimation  framework  (maximum  a  posteriori)  is  shown  to  increase  the  effectiveness  of  the  source  separation.  The  distributions  describing  the  underlying  source  waveforms  can  then  be  used  to  estimate  the  uncertainty  of  other  V/E  interaction  source  characteristics.
■590    ▼aSchool  code:  0176.
■650  4▼aSparsity
■650  4▼aVortices
■650  4▼aNormal  distribution
■650  4▼aSignal  processing
■650  4▼aMicrophones
■650  4▼aDecomposition
■650  4▼aAcoustics
■650  4▼aParameter  estimation
■690    ▼a0986
■71020▼aThe  Pennsylvania  State  University.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0176
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358656▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서