CLEAN-SC算法在声源定位中的旁瓣抑制与弱源检测

1. 声源定位中的旁瓣干扰问题

在阵列信号处理领域，声源定位技术一直面临着旁瓣干扰和弱源被掩盖的挑战。传统波束形成方法（如CBF、MVDR、MUSIC）虽然能够提供声源的空间分布信息，但在实际工程应用中常常遇到以下典型问题：

• 主瓣定位准确但旁瓣能量过高，导致虚假声源出现
• 强声源产生的旁瓣完全掩盖邻近弱声源
• 复杂声场环境下点扩散函数(PSF)建模不准确
• 宽频信号处理时频带能量分布不均

我在处理螺旋桨噪声测试项目时就遇到过这种情况：当需要定位多个旋转声源时，强噪声源的旁瓣会形成"鬼影"，使得弱噪声源完全无法识别。这种场景下，传统波束形成方法给出的"脏图"(Dirty Map)往往包含大量干扰信息。

2. CLEAN-SC算法原理剖析

2.1 算法核心思想

CLEAN-SC的核心创新在于它摒弃了传统CLEAN算法依赖理论PSF的做法，转而利用数据自身的空间相干特性来定义需要清理的干扰成分。这种数据驱动的方式使其在复杂声场环境下表现出更强的鲁棒性。

算法的工作流程可以概括为：

1. 计算互谱矩阵(CSM)
2. 通过波束形成生成初始脏图
3. 迭代寻找峰值并提取相干分量
4. 从CSM中去除该相干分量
5. 重复直到满足停止条件
6. 重建干净声源图

2.2 互谱矩阵的关键作用

互谱矩阵(CSM)是CLEAN-SC算法的数据基础，定义为：

$$
\mathbf C \in \mathbb{C}^{M\times M},\quad \mathbf C = \mathbb{E}{\mathbf p,\mathbf p^H}
$$

其中M是阵元数量，p是该频点上阵列接收的复声压向量。CSM包含了阵列各通道间的幅度和相位关系，完整描述了声场的空间相干特性。

在实际测量中，CSM通常通过多次快拍平均来估计：

matlab复制% 示例：CSM计算MATLAB代码
N_snapshots = 100; % 快拍数
CSM = zeros(M,M);
for n = 1:N_snapshots
    p = fft(data_windowed(n,:)); % 单次快拍的FFT
    CSM = CSM + (p * p')/N_snapshots; 
end

3. CLEAN-SC算法实现细