一种基于阵列扩展与SE移动反向瓶颈卷积神经网络的声源识别方法

本发明涉及一种基于阵列扩展与SE移动反向瓶颈卷积神经网络的声源识别方法，包括：获取利用声压互谱矩阵计算MUSIC算法的18阵列声源分布图，将18阵列声源分布图输入EAG‑U‑Net数据转换模型，将18阵列声源分布图转换成64阵列声源分布图，达到扩展麦克风阵列的效果，该模型引入EAG机制在空间维度和通道维度上优化模型特征选择，提高模型在数据转化过程的表示能力和准确性，生成数据转换后的声学成像图；将64阵列声源分布图输入基于SE注意力机制的移动反向瓶颈卷积神经网络模型进行特征提取和图像重建，获取预测声源分布图。通过预测声源分布图，进行局部极大值检测，获取声源定位和强度。