汽车异响噪声源定位方法研究进展与展望

赵卫东，徐鑫蔚，宋 睿，杨明亮

(1.江苏大学 汽车与交通工程学院， 江苏 镇江 212013； 2.中国汽车技术研究中心， 天津 300300；3.西南交通大学 机械工程学院， 成都 610031)

0 引言

目前我国汽车工业的发展已经进入内涵式的稳健增长期，汽车品质的提升已取代产能的增长成为发展的主流，这对汽车噪声、振动和声振粗糙度(noise,vibration and harshness,NVH)提出更加严格的要求，使得汽车NVH性能越来越受到重视，并已经成为衡量汽车品质最重要的指标[1]。而汽车异响(buzz,squeak and rattle,BSR)作为NVH性能的重要组成部分，是影响消费者购买决定、使用满意度的关键因素[2]，异响噪声的控制成为NVH性能开发的重要一环。近年来，汽车轻量化使异响出现的概率大大增加[3]，在NVH控制技术进步及电动汽车普及使得车辆内部NVH噪声显著降低的背景下，异响噪声控制的迫切性更为凸显。

汽车异响是指汽车运行过程中，由于材料缺陷、材料不相容以及不良的几何匹配，所导致的非正常、没有规律的声音。Buzz，一般是指结构自身共振而产生的声音；Squeak，由摩擦粘滑效应引起；Rattle，是一种由零部件间发生相对运动导致碰撞而引起的噪声[3-4]。异响的特征和持续时间都没有规律，其动态特征和声学原理非常复杂，是一种非线性很强的物理现象，难以用成熟的理论和方法分析处理[4]。20世纪90年代末，随着计算机技术的发展，CAE(computer aided engineering)技术逐渐成熟并开始应用于汽车异响噪声计算与分析，针对当时技术领域新的发展动态与趋势，Farokh等[5]对汽车Squeak及Rattle异响问题进行了系统性研究，总结了汽车Squeak及Rattle噪声产生的原因，并对2001年之前汽车异响噪声控制的技术措施、技术流程进行了综述。

CAE的应用，使得新车型开发过程中，异响控制得以提前，极大降低了车辆异响噪声出现的概率，但仍无法完全避免，需要实车测试并予以解决[4]。由于异响具有随机发生、特征不明显、能量低、问题源头广等特点，导致异响噪声源在测试中难以准确定位。随着声学的发展，波束形成、声全息阵列等新方法开始逐渐应用于汽车异响噪声源的定位中。在此背景下，Cook等[6]研究了汽车异响噪声源定位技术领域的新动态，并对2012年之前汽车BSR异响噪声的定位方法进行了系统性归纳总结，论述了心理声学与波束形成法相结合定位汽车异响噪声源的原理，并对心理声学、声成像技术在异响噪声源识别定位方面做出了展望。

声成像、阵列声源定位技术在汽车异响噪声源定位领域应用仍有很多的局限性，如需要传感器数量较多，测试耗时长、成本较高、定位精度不理想等，导致其在汽车异响噪声源定位领域仍未获得广泛的应用。现阶段在工程应用中仍以主观评价法为主[7]。但主观评价法对工程师的经验要求较高，评价试验工作量大，且对于难以判定的异响问题，容易引起争议。发展新的异响噪声源客观定位技术仍是NVH领域的迫切需求。

近几年，随着人工智能技术的发展，基于人工智能的声源定位方法，如压缩感知和机器学习等技术也逐渐被应用于噪声源定位中。针对领域出现的研究新动态，本文拟对整车噪声源定位方法进行总结，对比分析各噪声源定位方法应用于汽车异响噪声源定位领域的优缺点，并对汽车异响噪声源定位技术发展趋势做出展望，期望为汽车异响检测定位的学术研究及工程应用提供参考。

1 噪声源定位方法分类

目前应用于整车噪声源定位的方法主要分为：传统噪声源识别方法，包括主观评价法、分步运行法、表面测振及近场声压法等；工程信号处理方法，包括相关分析、频谱分析、时频分析、盲信号分析等；阵列信号处理方法，包括声强识测量、波束形成、声全息、时间反转法等[8]。本文拟对整车噪声源定位方法及基于人工智能的声源定位方法进行分析。噪声源定位方法分类如图1所示。

2 传统噪声源定位方法

传统噪声源定位方法是指人耳主观识别法，或是通过测试声、振信号，并观察信号分布趋势来判别噪声源位置。本章将对主观评价法、分步运行法、表面测振法和近场声压法等几种常见的传统声源定位方法展开介绍。

2.1 主观评价法

目前汽车异响源识别在工程应用中由专家主观评估，通过人的主观判断进行定位。一般是在消音室中进行，将待测部件置于振动台架，通过采集的实车道路谱激励台架，依靠人耳的双耳效应来识别异响源位置[9]。对于有争议性的复杂部件异响位置判断，则需要通过回放定位结合换件、隔离、润滑等方法来判别。回放定位判断方法，是通过测量人耳旁声音信号，并进行滤波回放，确定异响主要频率范围及响度大小，然后根据测量部件主要振动频率和响度，确定异响位置，一般应用于复杂底盘件异响问题确认。

主观定位法的优点是可以快速找到异响部件，定位简单，缺点是对工程师经验要求较高，存在贡献量相近地众多噪声源，不能精准地识别各个噪声源地贡献量大小，且对于钣金件内部的声源往往难以判别，对于难以判定的异响问题容易引发争议[10]。

2.2 分步运行法

分步运行法测试时，首先要测试整体噪声声压级，然后依次将某些部件停止运行，通过声学的计算方法，得到各个部件运行时对整车噪声的贡献量[11]。分布运行法可以较为准确的判断出异响发生的部件，缺点是实测中停止某一部件会影响其他部件运行的状态，导致测量状态不同，影响声源识别的准确性且测试时间比较长[12]。

2.3 表面测振及近场声压法

振动表面的声辐射与法向振动速度密切相关。根据测得的表面振动速度，通过计算可求得声辐射。宋艳华等[13]研究了测点位置对声源识别的影响，利用辐射模态对平板表面的振速分布进行重构，从而达到识别噪声源的目的。该方法测试的精度不高，可作为声学测量环境很差时的备用方法。

近场声压法是利用声级计测量噪声源表面声压级，然后通过比较各噪声源声压级贡献大小来判断噪声源位置。测试时使声级计传声器贴近被测部件表面，并沿其表面各点依次扫描，得到噪声源表面声压分布信息[14]。该方法测试时无法避免邻近表面声辐射的影响，定位精度不高，且在混响声场环境下测量时效果较差。

综上所述，传统的声源识别方法有着方法简单的优点，但同时存在识别精度不高等缺点。为了更加精确、高效、便捷地实现异响源的定位，探索新的定位方法是十分必要的。以下将对整车噪声源常用定位方法的原理及应用进行介绍，期望为汽车异响检测定位提供参考。

3 基于工程信号处理的声源定位

工程信号的处理方法很多，其中相关分析、频谱分析等方法一般处理对象为平稳信号；小波分析、希尔伯特-黄变换等方法对非平稳信号分析有很好效果。下文将对相关分析、频谱分析、时频分析、盲源分离在声源定位中的应用展开综述。

3.1 相关分析

相关分析是指研究2个或2个以上处于同等地位的随机变量间的相关关系的统计方法[15]。在声源定位时，对整体噪声信号与某噪声信号进行相关分析，根据相关程度判定某噪声信号对整体噪声贡献量的大小，来识别声源区域[16-17]。不足是对于两同频率信号，相关分析结果将出现“伪相关”，对识别带来干扰，而且相关分析一般需要信号为周期性的，对于随机性较强的异响信号，相关分析往往难以发挥作用。

3.2 频谱分析法

频谱分析是指通过傅里叶变换将时域信号转换为频域进行分析，其原理是把复杂的时间历程波形，经傅里叶变换转换为若干单一的谐波分量来研究，以获得信号的频率结构以及各谐波幅值、相位、功率及能量与频率的关系[18]。Santana等[19]通过测试信号频谱分析对内燃机振动与噪声进行分析，确定内燃机振动和噪声的主要来源。陈江艳等[20]针对汽车空调管路异响，采用主观评级、横向对比、频谱等方法进行分析，并通过空调系统台架模拟及脉动数据分析确定了“水击”是引起管路异响的原因。频谱分析对于平稳噪声源定位是有效的，但是对于时变非平稳信号分析，往往不能判断出某频率成分发生的具体时刻，无法对信号做局部分析。一般噪声由不同频率的源共同组成时，由于频率混叠，频谱分析方法难以区分。在实际中信号常是时变的，往往需要结合主观评价方法来确定异响位置。

3.3 时频分析

频谱分析只能提供能量分布与时间或者频率的变换关系，但不能同时考虑两个域的整体和局部特征，在时空域中没有分辨率[21]。而异响信号是一种时变的非平稳信号，需要利用时间和频率的联合函数来体现信号的全部信息，频谱分析不能准确表达异响信号的时-频信息。以下将以小波分析为例介绍时频分析的原理和应用。

Morlet提出的小波分析，能成功克服Fourier的缺陷，是Fourier分析发展史上的一个里程碑[22]。小波变换的原理类似傅里叶变换，与Fourier不同的只是把三角函数基换成了小波基。小波变换有2个变量：尺度因子和平移因子。尺度因子可以调控小波函数的带宽，平移因子控制小波函数的平移，平移量对应时间。通过信号的伸缩平移，可以得到某种重合情况，这样积分也会得到一个极大值，小波分析得到频率成分的同时，还可以确定该频率的时间信息。

小波分析方法在噪声分析方面有很多应用，如提取特征信号[23]、对Lamb波传播过程的频散效应进行分析[24]、确定信号到达时刻[25]等。在声源定位方面，陈书明等[26]利用小波分析，得到各信号的特征向量，并据此得到车内噪声与各部件振动、噪声信号的相关系数，从而判断了噪声源位置。黄海波等[27]提出了一种基于小波偏相干分析的噪声源识别方法，经试验验证可以快速准确地识别汽车车内噪声源。

小波分析具有实现对非平稳信号的时频分析、对淹没在噪声中的异响信号提取、确定信号到达时刻等优点，可作为时变、非平稳、微弱的异响信号提取和特征分析的工具。

3.4 盲信号分离

盲信号分离是指在未知源信号和传递函数参数的条件下，根据输入源信号的统计特性，仅由观测信号来恢复源信号的各个独立成分的方法[28]。典型情况下，观测数据向量是一组传感器的输出，每个传感器接收到的是源信号的不同组合，其核心问题是分离矩阵的学习算法，基本思想是抽取统计独立的特征作为输入的表示，同时不丢失信息[29]。时频盲信号分离是盲信号分离中的一种，适用于非平稳信号的分析，具有较强的抗噪声性能。在实际测量中，将多路测试信号记为矩阵形式，则观测信号可以表示为[30]：

X(t)=AS(t)+n(t)

(1)

式中：X(t)为M维观测信号矢量；S(t)为N维未知源信号矢量；n(t)引入噪声；A为未知混合矩阵；每个观测信号都是N个未知源信号Si(t)的瞬时线性组合。

盲信号分离问题就是求出分离矩阵W，使得通过该矩阵仅从观测信号X(t)来恢复出源信号S(t)，设y(t)为源信号的估计矢量，则分离系统输出可通过以下数学模型表示：

y(t)=WX(t)

(2)

近年来，盲信号分离方法已经在机械故障诊断[31]，强噪音环境下盲信号的分离[32]等方面取得一定的成果。在对车辆运行过程中产生的异响信号特征有一定认识后，基于盲信号分离方法来分离其中的异响信号，是十分具有参考意义的。

4 基于阵列技术的噪声源定位

基于阵列技术的噪声源定位方法、声场可视化是目前声学领域研究的前沿问题。阵列技术主要包括声强测量技术、波束形成、声全息、时间反转法等，本章将对这几种主要阵列技术定位方法的特点和应用进行分析。

4.1 声强测量法

声强定义为单位时间内通过垂直于声波传播方向上单位面积的声能[33]。声强测量技术的发展基础是声强的互谱关系，即声场中某点在某方向的声强，在频域与沿该方向2个相邻声压信号的互功率谱函数之间的关系[34]。传统的声强定位测试有两种方法，即扫描法和离散法[35]。孙嵩松等[36]利用声强与频谱分析相结合的方法，最终确定某款发动机的主要噪声源及各个部分噪声源的主要频率，进而确定了各部分噪声产生的机理。舒歌群等[37]研究了在汽车内燃机噪声测量中，双传声器声强测试技术及其在混响条件下的应用，探讨了应用声强测试方法在测试技术及处理中的一些有益经验。

声强测量技术同时适用于远场、近场噪声测量，且对环境要求低，不需要消音室等较严格的声学环境，对于单一声源来说识别效果很好，缺点是对于复杂的复合声源无法识别，且只适用于稳态声源，对于非稳态的异响声源，难以定位。

4.2 波束形成技术

波束形成又名相控阵，是一种基于远场麦克风阵列测量的信号处理技术。当阵列完成声场的空间采样后，波束形成算法执行空间滤波操作，使得有可能在距离阵列一定距离处绘制源的分布，定位最强的源[38]。

波束形成最早在20世纪40年代被提出，用于军用无线电开发[39]。1987年，Brooks等[40]设计了一种特殊的阵列系统，将时域信号转换到频域后，通过延时求和方法进行计算，成功识别出了直升机旋翼上的噪声源分布。1996年，Barsikow[41]使用多维阵列，对高速列车上的噪声源进行了准确定位。波束形成作为一种适用于远场中、高频声源识别的技术，被广泛应用于声源定位[42]、语音增强[43]等领域。

延迟求和波束形成法作为最基础的算法，可以使用以下公式计算[38]：

(3)

图2 波束形成示意图

在汽车噪声源定位方面，Lee[45]使用波束形成法开发了BSR可视化系统。Zhang等[46]通过波束形成方法进行声源定位，以便于确定影响汽车关门声品质的关键区域。施全等[47]利用波束形成技术基本确定辐射声源位置。波束形成法可以实现异响信号的定位，不过由于波束形成的空间分辨率与阵列和声源之间的距离、波长成正比，与阵列的尺寸成反比，这样导致分辨率被限制在一个波长左右，在对于低频(低于1 kHz)的信号处理时没有优势可言[48-50]。且对于钣金内部异响问题，波束形成技术往往无法准确定位异响噪声源位置。根据中汽中心零部件异响实验室报告，使用波束形成技术对汽车车门、仪表板等零部件进行异响测试时，可以定位到大概区域，对于底盘异响等复杂部件异响问题，波束形成技术不能很好的识别其所在位置。

波束形成技术适用于远场的中高频声源定位，对于低频目标分辨率低、聚焦效果差。针对中低频的声源在近场成像问题，较常用的方法是近场声全息技术[51]。

4.3 近场声全息技术

声全息是利用干涉原理获得被观察声场幅值和相位分布信息的声成像技术，通过包围声源的全息测量面做声压全息测量，然后根据测量表面和全息面之间空间场变换关系，由全息面声压重建源面的声场[49]。近场声全息技术是指反演声源的一种声学逆问题求解算法，典型的有基于边界元法的近场声全息、基于等效源法的近场声全息、基于Helmholtz方程最小二乘法近场声全息等[50]。

近场声全息技术于80年代初由Williams提出，是一种有效的噪声源识别、定位以及声场可视化的技术[52]。在国内相关研究中，哈尔滨工程大学自1989年起开展了水下近场声全息研究，在消声水槽中完成薄板被激振动平面全息场重建[49]。1991年中科院的张德俊等[53]针对声源重建问题的不适定性，提出一种新的空间频率域滤波方法，改善了重建结果的稳定性。自此，近场声全息技术开始广泛应用于声场重建噪声源定位与识别领域[54-56]。由于声全息技术利用了声压和相位信息，因而具有一些其他噪声识别技术不具备的特点，且近场声全息测试时不仅测试传播波成分，还保留了倏逝波的成分，可以真实的还原声场信息。理论不受波长的限制，适用于近场的低频声源识别定位。

在汽车噪声源定位领域，Li等[57]通过近场声全息技术确定了主观倾听和更换零件都无法判断的发动机异响问题。Shin等[58]对汽车仪表板异响源定位进行研究，应用近场可视化设备获得了近场声全息图，确定了定位BSR的潜在源区域。

尽管声全息技术可以真实的还原声场信息，但是基于对测量阵列进行空间变换，然后在波数域中处理数据，这一过程需要非常大的麦克风阵列来避免空间截断效应[59]。大量的传感器布置以及传感器标定工作，无疑在一定程度上限制了其工程应用。

4.4 时间反转法

为了解决聚焦成像技术中常用的波束形成技术和声全息技术所遇到的问题，如对测量阵布置要求严格，测量工作复杂等，有学者提出基于相位共轭法对声源进行聚焦成像[60-61]。时间反转法首先在光学中提出，信号在频域中的相位共轭反映在时域就是时间的反转，根据声波方程的时间反转不变性和介质的空间互易性，在信号接收处发射时间反转信号，能够克服多径效应，在发射源位置实现信号在时间和空间上的聚焦[62-64]。聚焦过程不需要介质不均匀性的先验知识和阵列的细节信息，具有抗多途干扰的作用，研究表明相位共轭法聚焦成像具有测点少，算法简单，对阵列偏移不敏感等优点[61]。

自时间反转法提出以来，在水声通讯、结构健康检测等领域大放异彩。国内也有许多学者针对时间反转法的应用展开研究，吴昊等[65]研究了固体板中横波和纵波传播的多径效应，并将时间反转法应用于固体板中声波的传播研究。时洁等[66]采用虚拟时间反转技术，通过估计的水声传播信道，可以实现多目标进行定位。王强等[67-68]在复合材料和板材Lamb波检测中应用了时间反转处理，提出了直接时反成像和合成时反成像，并分析了波包重建技术。夏梦璐[69]研究了被动时反通讯在时变环境中实现高速稳定的上行通讯的作用。表明时间反转聚焦法，在流体、固体、复合材料以及时变环境中，均有良好的适用性。

时间反转信号聚焦原理如下。设待区域P某处存在声源S，激发频谱为s(ω)的信号。在待区域P表面布置n个信号传感器，从声源S到i传感器处，两者之间的传递函数为h(ri,ω)，ri表示声源S到i传感器之间的距离。时间反转信号聚焦示意图如图3所示。i传感器接收到的振动信号为：

图3 时间反转信号聚焦示意图

yi(ω)=s(ω)·h(ri,ω)

(4)

(5)

式(5)中，h(ri,ω)·h*(ri,ω)表现自相关，此时在异响源处信号叠加增强。

(6)

在汽车噪声源定位方面，Kwak等[70]首次将时间反转法应用到汽车异响源定位中，用谱元法建立了振动传播传递函数，将汽车车身采集的振动信号与传递函数进行卷积，使用多节点的时间反转，有效地定位车辆中的冲击异响声源，给汽车异响源定位提供了新的思路。时间反转声源定位方法，能够克服不同传播路径对定位结果的影响，可以有效提高异响信号的信噪比和定位精度，为汽车异响源准确定位提供了参考。

5 基于人工智能的声源识别技术

5.1 基于压缩感知技术的声源定位

传统的阵列信号处理方法在声源定位应用时，为了获得足够的声场信息，声学传感器阵列需要一定数量阵元，且为了保证定位精度，必须满足空间采样定理。因此声学传感器阵列的整体尺寸比较庞大，系统也较为复杂，以上缺点无疑一定程度上限制了其应用[71]。

压缩感知理论2004年由Candes等从数学角度给出理论推导，作为一种对稀疏信号进行采样与重构的理论，打破了Nyquist采样定理的限制，迅速成为各个学科的研究热点[72]。张阳等[73]基于压缩感知技术建立了基于压缩感知和快速波叠加谱的等效源近场声全息方法，结果表明，识别低频声源精度与传统算法相当，高频声源的识别精度优于传统算法。代超蓝等[74]提出一种结合时间反演压缩感知的目标信号检测方案，利用时间反演能够在抗噪声、降低多径环境影响上具有优势，同时应用压缩感知技术，有效减轻信号处理压力。

压缩感知技术的提出，使得复杂的采样过程一定程度上得到了简化，在波束形成、声全息定位等领域均有应用。在汽车异响噪声源识别定位领域，通过压缩感知技术，可以在一定程度上减少传感器数量的布置。尤其是适用于低频异响声信号定位的近场声全息技术，其在使用中往往需要大量麦克风阵列来避免空间截断问题。可以使用压缩感知技术来改善这一问题[75]。缺点在于压缩感知算法在实际场景应用时，由于场景复杂，单一稀疏矩阵往往无法准确表达全部信息，而混合稀疏表示比较复杂问题尚待探索。

5.2 基于机器学习的声源定位

通过机器学习来识别声特征，在噪声源识别中应用越来越广泛，为声源识别定位提供了新的思路。目前机器学习在声源定位中的应用主要分为以下两大类：① 基于模式分类的阵列信号处理声源定位算法。张岁岁等[76]研究了通过相位变换加权的互相关函数来计算搜索区域离散位置的特征向量，利用Fisher加权朴素贝叶斯分类器估计声源位置。Chen等[77]提出了使用最小二乘法支持向量机算法进行声源定位。比起传统声源定位算法，机器学习方法在低信噪比、高混响等声学条件下，具有更强的鲁棒性。缺点是识别特征所需样本量较大，尤其是在复杂的汽车异响噪声源定位方面，需要积累大量的试验数据才能满足定位条件。② 基于计算场景分析的双耳声源定位。人的双耳能够同时定位和分离多个声源，这种现象被称为“鸡尾酒效应”。通过这个效应，模拟人耳听觉的空间感知特性，通过两个麦克风就可以实现复杂声学环境下的声源定位[78]。双工理论表明耳间时间差可用于低频的声源定位，耳间强度可用于高频声源定位[79]。钱伟杰[78]基于双耳定位原理，提出一种基于电路耦合的仿生麦克风阵列设计，试验表明该方法能够实现低频声源(500 Hz)的声源定位。Liu等[80]提出一种新的基于特征和频率加权的双耳声源定位方法，训练阶段在无噪声条件下计算每个频带中方向相关的耳间互相关函数和耳间强度差作为样本，在测试阶段，首先在所有特征和频带中，计算测试信号和样本的耳间互相关函数和耳间强度差之间的余弦相似性，然后可以通过加权相似性来获得声源方向似然性，最大似然方向被认定为声源方向。

在汽车异响噪声源定位方面，Ahn等[81]将在汽车内部采集的时域声信号预处理为2D图像数据，然后基于深度机器学习来检测异响信号，该方法为异响定位提供了新的方向。黄海波等[82]针对人工经验提取特征进行减振器异响鉴别的复杂性与不可扩展性的问题，分析了深度信念网络在减振器异响鉴别中的应用，提供了机器学习方法在异响信号分离方面应用的方案。

基于机器学习的声源定位方法，可以很大程度上降低传统声源定位技术的复杂性，且在低信噪比的环境下具有一定的鲁棒性，是声源定位领域的前沿问题。缺点是训练所需样本数量要求多，定位精度取决于所选参数的特征是否合适。

综上所述，将人工智能与传统声源定位方法相结合，可降低测试系统的复杂性，减少测试成本、提高在低信噪比条件下的定位精度和鲁棒性，因此在汽车异响噪声源定位方面有着广阔的应用前景。

6 异响噪声源定位方法对比

对比上述各类声源定位方法，其中适用于异响噪声源定位的方法及其应用优缺点如表1所示。在异响噪声源定位中，可根据实际测试条件，选择合适的定位方法。

7 结论

目前在解决汽车异响噪声方面已经积累了大量的经验。但是对于异响噪声源的识别定位方面，开展的研究较少。一是因为异响信号的能量比较低，容易淹没在噪声信号中，不易分离；二是因为异响的特征和持续时间没有规律，要对短暂、随机的异响信号进行数据处理比较困难。本文对声源识别定位技术近年来国内外研究现状进行综述，在汽车异响声源的定位方面，有以下结论：

1) 传统异响源识别方法比较简单、可靠，是目前工程应用的首选。不过该方法对工程师的经验要求较高，对异响源的特征信息分析不够全面，对于难以判别的异响容易引起争议；

2) 信号处理过程中，由于异响声源容易被噪声掩盖，传统的分析方法很难定位异响源位置，通过时频分析、盲信号分离、基于机器学习的特征信号提取优化等方法，获得异响信号特征，是异响噪声信号提取及源准确定位的重要前提；

3) 波束形成技术适用于远场、中高频异响信号的定位，对低频异响信号分辨率较低；声全息技术适用于低频异响信号定位，但需要布置大量传感器，测试过程较为复杂，一定程度上限制了其在异响噪声源定位方面的应用；

4) 时间反转方法具有自适应聚焦的特性，不需要布置大量传感器即可实现时间反转自适应聚焦成像。可以根据这一特性，对汽车异响信号进行时间反转处理，实现自适应聚焦定位异响源。目前在汽车噪声源定位方面研究较少，有必要进一步探索和研究；

5) 基于人工智能的声源定位方法，包括压缩感知算法、基于机器学习的模式分类算法，双耳声源定位方法等，是目前声源识别定位领域的研究前沿热点。