Sound-Based Imaging Regularization Approaches in Near-field Acoustic Holography
Fecha
2024
Autores
Martinod, T.
Título de la revista
ISSN de la revista
Título del volumen
Editor
Resumen
Regularization of the inverse problem is a complex issue when using Near-field Acoustic Holography (NAH) techniques to identify vibrating sources. This article aims to compare and implement various regularization methods in the context of NAH. Specifically, it compares commonly used Tikhonov regularization, sparsity-based regularization, and neural networks (NN) regularization for a planar NAH array with measurements obtained from an experimental setup. Additionally, it theoretically introduces Green’s function-based regularization. The first three types of regularization methods yield images consistent with the results, and statistical indicators are used to determine which method performs best at different frequencies.
La regularización del problema inverso es un tema complejo cuando se utilizan técnicas de Holografía Acústica en el Campo Cercano (NAH) para identificar fuentes vibratorias. Este artículo tiene como objetivo comparar e implementar varios métodos de regularización en el contexto de NAH. Específicamente, se comparan la regularización de Tikhonov, la regularización basada en la escasez y la regularización mediante redes neuronales (NN) para un arreglo NAH plano con mediciones obtenidas de un montaje experimental. Además, se introduce teóricamente la regularización basada en la función de Green. Los primeros tres tipos de métodos de regularización producen imágenes consistentes, y se utilizan indicadores estadísticos para determinar qué método tiene el mejor rendimiento a diferentes frecuencias.
La regularización del problema inverso es un tema complejo cuando se utilizan técnicas de Holografía Acústica en el Campo Cercano (NAH) para identificar fuentes vibratorias. Este artículo tiene como objetivo comparar e implementar varios métodos de regularización en el contexto de NAH. Específicamente, se comparan la regularización de Tikhonov, la regularización basada en la escasez y la regularización mediante redes neuronales (NN) para un arreglo NAH plano con mediciones obtenidas de un montaje experimental. Además, se introduce teóricamente la regularización basada en la función de Green. Los primeros tres tipos de métodos de regularización producen imágenes consistentes, y se utilizan indicadores estadísticos para determinar qué método tiene el mejor rendimiento a diferentes frecuencias.