CN107941324A - 一种消费级惯性传感单元环境噪声的估计方法 - Google Patents
一种消费级惯性传感单元环境噪声的估计方法 Download PDFInfo
- Publication number
- CN107941324A CN107941324A CN201710926878.1A CN201710926878A CN107941324A CN 107941324 A CN107941324 A CN 107941324A CN 201710926878 A CN201710926878 A CN 201710926878A CN 107941324 A CN107941324 A CN 107941324A
- Authority
- CN
- China
- Prior art keywords
- source
- frequency
- time
- signal
- phase
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000000654 additive Substances 0.000 claims abstract description 10
- 230000000996 additive effect Effects 0.000 claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 8
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 4
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 4
- 238000000926 separation method Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000010363 phase shift Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 2
- 241001269238 Data Species 0.000 abstract 1
- 239000004480 active ingredient Substances 0.000 abstract 1
- 238000012856 packing Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种消费级惯性传感单元环境噪声的估计方法，步骤1、使用消费级惯性传感单元采集传感单元的信号；步骤2、采进行源信号和加性噪声分离处理；步骤3、对采集到的加速度、角速度等信号进行频谱分析；步骤4、对谱线的频率、幅值及相位三个参数进行估计；步骤5、基于相位一致性准则对CIMU传感数据中的单源成分进行判别，采用数据密度聚类算法完成频率合成及有效成分判定，基于混合矩阵估计、空间投影等算法对BSS模型中的具体处理进行修正；步骤6、基于频率判定的结果，结合混合矩阵估计和空间投影算法，完成盲源分离，估计出噪声频谱。与现有技术相比，本发明根据噪声估计结果可以设计滤波器滤除噪声，提高数据精度。
Description
技术领域
本发明涉及信号处理、数据处理应用领域，特别是涉及一种惯性传感单元环境噪声的估计方法。
背景技术
近年来，随着惯性技术和电子加工技术的发展，惯性测量单元(InertialMeasurement Unit，IMU)的性价比不断提高，使得基于惯性导航的室内定位方案快速发展。运用惯性导航进行室内定位，主要包括步长计算、方向估计等技术。
按照步长-方向(Stride-Heading-System，SHS)的框架，人员行进过程可被分为单步运动，由单步步长和行进方向两个因素确定人员的位移。与采用战术级惯性传感单元(Tactical Inertial Measurement Unit，TIMU)的SHS框架不同，采用CIMU采集数据的误差常常会由于环境条件(电磁辐射等)出现数据激变。因此，数据采集后的噪声频谱估计及滤波处理对于获得良好的人员行进传感至关重要。此外，CIMU的加速度数据、角速度数据以及磁力数据所采用的传感原理不同，例如：加速度计可能采用真空压阻式、压电式以及电位器等多种方式。而角速度计和磁力计则可能采用陀螺仪等技术。不同的物理传感方式受到周围的环境条件影响不同。因此，如何对所采集的信号进行盲源分离，为不同的传感数据建立快速的噪声频谱估计，并对CIMU的传感信号进行滤波和校正是一个惯性导航系统中必须解决的问题。
发明内容
为了克服现有技术的不足，本发明提出了一种消费级惯性传感单元环境噪声的估计方法，针对消费级传感单元(Consumer-grade Inertial MeasurementUnit，CIMU)传感数据时的环境噪声，采用盲源分离BSS模型，快速完成对环境噪声频谱估计的方法。
一种消费级惯性传感单元环境噪声的估计方法，该方法包括以下步骤：
步骤1、使用消费级惯性传感单元采集传感单元的信号，采集数据至少包括加速度、角速度；
步骤2、采用基本谐波盲源分离BSS模型实现源信号S和加性噪声N的分离处理：
定义源信号为sk(t),k＝1,...,K，K为源数目，经线性瞬时系统混合，得到的混合信号为xm(t),m＝1,…,M，M为混合信号的数目，混合信号xm(t)表达式如下：
其中，am,k为混合系数，Nm(t)为第m个混合信号的加性噪声；将上式表示为矩阵形式，则有：
x(t)＝As(t)+N(t)
其中，s(t)为K×1维源信号向量，表示为s(t)＝[s1(t),s2(t),...,sk(t)]T；x(t)＝[x1(t),x2(t),...,xM(t)]T为M×1维混合信号向量；N(t)＝[N1(t),N2(t),...,NM(t)]T为M×1维加性噪声矢量，A为M×K维混合矩阵；t表示是时间；
对上式做时频变换，得到混合信号的频域表达式：
X(τ,ω)＝AS(τ,ω)
将单源成分表示如下：
其中，τ0表示某个源信号活跃的那一时刻，ω0、c0、分别表示单源成分频率、幅值、相位参数，将以上单源成分的表达式代入时频BSS模型，得到：
可见，单源时频点(τ0,ω0)上的混合时频向量X(τ0,ω0)与混合矩阵A第n个列向量an平行；找到所有的单源时频点，即确定整个混合矩阵A，用于信号恢复；
步骤3、采用短时傅立叶变换等时频分析工具对采集到的加速度、角速度信号进行频谱分析；短时傅里叶变换也叫短时谱(加窗的方式)，具体变换公式如下：
Xn(ejw)中的下标n表示区别于标准的傅里叶变换，w(n-m)是窗口函数序列，w(n-m)中的n表示是关于n的离散函数，w表示是关于角频率w的连续函数；
步骤4、采用比值法频谱校正技术对频率、幅值及相位三个参数进行估计，实现频谱校正；实现了在某个固定的时刻τ0上，利用混合信号谱线Xm(τ0，kΔω)，简记为Xm(τ0，k)，k＝1,2,…,L,L是STFT的窗长，m＝1,…,M提取所有谐波的三个参数：是当前时刻上的谱峰个数，也就是谐波分分量个数；
步骤5、基于相位一致性准则对CIMU传感数据中的单源成分进行判别，采用数据密度聚类算法完成频率合成及有效成分判定，使用相位一致特性作为有效成本判断准则，在某个时刻τ0下，对于第n个源的单源频率成分ω0，其理想的时频混合向量X(τ0，ω0)，也即在时刻τ0下频率成分ω0所对应的模式向量将平行于an，与此同时，X(τ0，ω0)的每项都由实数am，n，列向量an的第m个元素，m＝1,2，…，M和同一复数乘积生成，因而理论上X(τ0，ω0)每项的相位应与Φ0相等；即对于某个模式向量当其满足：
判定其为单源头成分，其中，ξ为给定的小阈值；
基于混合矩阵估计、空间投影等算法对BSS模型中的具体处理进行修正：当混合矩阵中系数存在负号时，该路源信号经过混合后其相位发生大小为π的相移；假设某单源成分为了排除相移π所带来的影响，将相位一致性准则修正为：
其中‘<·>’代表内积操作，对于的所有相位，定义一个相位差异指数
仅当满足：
构造单源成分对应的单源模式：
根据相位一致特性组建一个实值的模式向量，以第一路混合信号中的相位为参考，有：
其中：
其中，为实值模式向量的分量值，为混合信号中的谐波参数，为的相位，为第一路混合信号中的相位；
进一步，将归一化，所有时刻的单源成分将组成单源模式集合P*为所有时刻的单源成分总数，对进行聚类即可得到混合矩阵估计；
步骤6、基于频率判定的结果，结合混合矩阵估计和子空间投影算法，进行盲源信号恢复处理，完成盲源分离，估计出噪声频谱：允许源信号在时域的支撑区有重叠，但完全恢复需要满足如下条件，重叠成分只能被小于混合信号数目M的ρ个源信号共有，为提供足够多的重叠可能，不妨令ρ(ρ＝M-1)；直接将每个时频点的所有混合信号的STFT值组成向量作为输入，求得
在每个时频点(τ0，ω0)上，找到与该点对应的ρ个源信号下标α1，…，αp,进一步从混合矩阵估计中获得M×ρ维的子矩阵
然后通过下式求得各个源信号在时频点(τ0,ω0)上的STFT值：
对所有时频点运行子空间投影算法，得到N个源信号的STFT谱估计再对其进行逆STFT变换，则得到恢复信号完成盲源分离，完成盲源分离后即可确定环境噪声的模型。
与现有技术相比，本发明根据噪声估计结果可以设计滤波器滤除噪声，提高数据精度。
附图说明
图1是本发明CIMU环境噪声的滤除方法路线图；
图2是CIMU的源信号和环境噪声信号的盲源分离处理方法的流程示意图。
具体实施方式
下面将结合附图对本发明的实施方式作进一步的详细描述。
步骤1、使用消费级惯性传感单元(Consumer-grade Inertial MeasurementUnit，CIMU)采集传感单元的信号，主要包括加速度、角速度等数据；
步骤2、采用基本谐波盲源分离BSS模型(Blind Source Separation)实现源信号S(Source)和加性噪声N(Noise)分离处理：
如图1所示，CIMU感知到的信号被视为线性瞬时混合信号，即信号为源信号的线性组合，通道不存在时延。假设源信号为sn(t),n＝1,...,N，N为源数目，经线性瞬时系统混合，得到的混合信号为xm(t),m＝1,…,M，M为混合信号的数目，其数学表达式如下：
其中，am,n为混合系数，nm(t)为第m个混合信号的加性噪声。将上式表示为矩阵形式，则有：
x(t)＝As(t)+n(t)
其中，s(t)为N×1维源信号向量，表示为s(t)＝[s1(t),s2(t),...,sN(t)]T；x(t)＝[x1(t),x2(t),...,xM(t)]T为M×1维混合信号向量；n(t)＝[n1(t),n2(t),...,nM(t)]T为M×1维加性噪声矢量，A为M×N维混合矩阵。
对上公式做时频变换，得到混合信号的频域表达式：
X(τ,ω)＝AS(τ,ω)
假设在某时刻τ0仅有第n个源信号活跃，且仅含一个频率成分(此处假设为了简化表达式，并非一定只能含有一个成分)，并假定该单源成分频率、幅值、相位参数分别为ω0、c0、则单源成分的表达式如下：
其中，τ0表示某个源信号活跃的那一时刻，ω0、c0、分别表示单源成分频率、幅值、相位参数将以上单源成分的表达式代入时频BSS模型，得到：
可见，单源时频点(τ0,ω0)上的混合时频向量X(τ0,ω0)与混合矩阵A第n个列向量an平行。故若找到所有的单源时频点，即可确定整个混合矩阵A，用于信号恢复；
步骤3、采用短时傅立叶变换(Short-time Fourier Transform，STFT)等时频分析工具对采集到的加速度、角速度等信号进行频谱分析，引入比值法谱校正技术对STFT分析进行频谱矫正，短时傅里叶变换也叫短时谱(加窗的方式)，具体变换公式如下：
Xn(ejw)中的下标n表示区别于标准的傅里叶变换，w(n-m)是窗口函数序列，w(n-m)中的n表示是关于n的离散函数，w表示是关于角频率w的连续函数。
步骤4、采用比值法频谱校正技术对谱线的频率、幅值及相位三个参数进行估计，来校正由于时频分析工具有一些性能缺陷(如：短时傅立叶变换STFT的不确定性等)谱校正的主要目的就是在某个固定的时刻τ0上，利用混合信号谱线Xm(τ0，kΔω)(简记为Xm(τ0，k)，k＝1,2,…,L,L是STFT的窗长，m＝1,…,M)提取所有谐波的三个参数：是当前时刻上的谱峰个数，也就是谐波分分量个数。考虑到谱间干扰，在选择谱校正算法时，要求使用的谱线数目越少越好。所以本发明采用两根谱线的比值校正方法；
步骤5、基于相位一致性准则对CIMU传感数据中的单源成分进行判别，采用数据密度聚类算法(K-Means等)完成频率合成及有效成分判定，基于混合矩阵估计、空间投影等算法对BSS模型中的具体处理进行修正；
频率合并及有效成分判定处理中，使用相位一致特性作为有效成本判断准则。当混合矩阵中系数存在负号时，该路源信号经过混合后其相位发生大小为π的相移。假设某单源成分为了排除相移π所带来的影响，将相位一致性准则修正为：
其中‘<·>’代表内积操作，对于的所有相位，定义一个相位差异指数
仅当满足：
ξ为给定的小阈值,通过实验获得。
构造单源成分对应的单源模式：
为了后续步骤处理的方便，可根据相位一致特性组建一个实值的模式向量。以第一路混合信号中的相位为参考，有：
其中：
为实值模式向量的分量值，为混合信号中的谐波参数，为的相位，为第一路混合信号中的相位。
进一步，考虑到BSS的幅值不确定性，须将归一化。所有时刻的单源成分将组成单源模式集合(P*为所有时刻的单源成分总数)。对进行聚类即可得到混合矩阵估计。本发明采用基于数据密度峰的聚类法，由于源头数目未知，故课试探地指定传统的K-均值聚类方法的类参数K值，使之从M开始逐一递增做多次聚类，依据各次聚类的性能变化来确定源数目。对于当前的K-均值聚类，其聚类性能指标DK可以定义为：
其中Gi为第i个簇(其聚类中心为ci)的类内离散程度值。
DK值越小，聚类性能越好。因而DK值最小的K-均值聚类的类参数K值即为最佳的源数目估计值。
步骤6、基于频率判定的结果，结合混合矩阵估计和子空间投影算法，进行盲源信号恢复处理，完成盲源分离，估计出噪声频谱：允许源信号在时域的支撑区有一定的重叠，但完全恢复需要满足如下条件，重叠成分只能被小于混合信号数目M的ρ个源信号共有，为提供足够多的重叠可能，不妨令ρ(ρ＝M-1)；直接将每个时频点的所有混合信号的STFT值组成向量作为输入，求得
在每个时频点(τ0，ω0)上，找到与该点对应的ρ个源信号下标α1，…，αp,进一步从混合矩阵估计中获得M×ρ维的子矩阵
然后通过下式求得各个源信号在时频点(τ0,ω0)上的STFT值：
对所有时频点运行子空间投影算法，得到N个源信号的STFT谱估计再对其进行逆STFT变换，则得到恢复信号完成盲源分离，完成盲源分离后即可确定环境噪声的模型。
Claims (1)
1.一种消费级惯性传感单元环境噪声的估计方法，其特征在于，该方法包括以下步骤：
步骤(1)、使用消费级惯性传感单元采集传感单元的信号，采集数据至少包括加速度、角速度；
步骤(2)、采用基本谐波盲源分离BSS模型实现源信号S和加性噪声N的分离处理：
定义源信号为sk(t),k＝1,...,K，K为源数目，经线性瞬时系统混合，得到的混合信号为xm(t),m＝1,…,M，M为混合信号的数目，混合信号xm(t)表达式如下：
<mrow>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>s</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，am,k为混合系数，Nm(t)为第m个混合信号的加性噪声；将上式表示为矩阵形式，则有：
x(t)＝As(t)+N(t)
其中，s(t)为K×1维源信号向量，表示为s(t)＝[s1(t),s2(t),...,sk(t)]T；x(t)＝[x1(t),x2(t),...,xM(t)]T为M×1维混合信号向量；N(t)＝[N1(t),N2(t),...,NM(t)]T为M×1维加性噪声矢量，A为M×K维混合矩阵；t表示是时间；
对上式做时频变换，得到混合信号的频域表达式：
X(τ,ω)＝AS(τ,ω)
将单源成分表示如下：
其中，τ0表示某个源信号活跃的那一时刻，ω0、c0、分别表示单源成分频率、幅值、相位参数，将以上单源成分的表达式代入时频BSS模型，得到：
可见，单源时频点(τ0,ω0)上的混合时频向量X(τ0,ω0)与混合矩阵A第n个列向量an平行；找到所有的单源时频点，即确定整个混合矩阵A，用于信号恢复；
步骤(3)、采用短时傅立叶变换等时频分析工具对采集到的加速度、角速度信号进行频谱分析；短时傅里叶变换也叫短时谱(加窗的方式)，具体变换公式如下：
<mrow>
<msub>
<mi>X</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>j</mi>
<mi>w</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</munderover>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mi>w</mi>
<mi>m</mi>
</mrow>
</msup>
</mrow>
Xn(ejw)中的下标n表示区别于标准的傅里叶变换，w(n-m)是窗口函数序列，w(n-m)中的n表示是关于n的离散函数，w表示是关于角频率w的连续函数；
步骤(4)、采用比值法频谱校正技术对频率、幅值及相位三个参数进行估计，实现频谱校正；实现了在某个固定的时刻τ0上，利用混合信号谱线Xm(τ0，kΔω)，简记为Xm(τ0，k)，k＝1,2,…,L,L是STFT的窗长，m＝1,…,M提取所有谐波的三个参数： 是当前时刻上的谱峰个数，也就是谐波分分量个数；
步骤(5)、基于相位一致性准则对CIMU传感数据中的单源成分进行判别，采用数据密度聚类算法完成频率合成及有效成分判定，使用相位一致特性作为有效成本判断准则，在某个时刻τ0下，对于第n个源的单源频率成分ω0，其理想的时频混合向量X(τ0，ω0)，也即在时刻τ0下频率成分ω0所对应的模式向量将平行于an，与此同时，X(τ0，ω0)的每项都由实数am，n，列向量an的第m个元素，m＝1,2，…，M和同一复数乘积生成，因而理论上X(τ0，ω0)每项的相位应与Φ0相等；即对于某个模式向量当其满足：
判定其为单源头成分，其中，ξ为给定的小阈值；
基于混合矩阵估计、空间投影等算法对BSS模型中的具体处理进行修正：当混合矩阵中系数存在负号时，该路源信号经过混合后其相位发生大小为π的相移；假设某单源成分为了排除相移π所带来的影响，将相位一致性准则修正为：
其中‘<·>’代表内积操作，对于的所有相位，定义一个相位差异指数
仅当满足：
<mrow>
<mo>|</mo>
<msub>
<mover>
<mi>D</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>p</mi>
<mo>*</mo>
</mrow>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mo><</mo>
<mi>&xi;</mi>
<mo>;</mo>
</mrow>
构造单源成分对应的单源模式：
根据相位一致特性组建一个实值的模式向量，以第一路混合信号中的相位为参考，有：
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>p</mi>
<mo>*</mo>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>d</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>p</mi>
<mo>*</mo>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>z</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>p</mi>
<mo>*</mo>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>p</mi>
<mo>*</mo>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>M</mi>
<mo>,</mo>
<mi>p</mi>
<mo>*</mo>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>,</mo>
</mrow>
其中：
其中，为实值模式向量的分量值，为混合信号中的谐波参数，为的相位，为第一路混合信号中的相位；
进一步，将归一化，所有时刻的单源成分将组成单源模式集合P*为所有时刻的单源成分总数，对进行聚类即可得到混合矩阵估计；
步骤(6)、基于频率判定的结果，结合混合矩阵估计和子空间投影算法，进行盲源信号恢复处理，完成盲源分离，估计出噪声频谱：允许源信号在时域的支撑区有重叠，但完全恢复需要满足如下条件，重叠成分只能被小于混合信号数目M的ρ个源信号共有，为提供足够多的重叠可能，不妨令ρ(ρ＝M-1)；直接将每个时频点的所有混合信号的STFT值组成向量作为输入，求得
<mrow>
<mover>
<mi>A</mi>
<mo>~</mo>
</mover>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
</msub>
<mo>,</mo>
<mi>L</mi>
<mo>,</mo>
<msub>
<mi>a</mi>
<msub>
<mi>&alpha;</mi>
<mi>K</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
</mrow>
在每个时频点(τ0，ω0)上，找到与该点对应的ρ个源信号下标α1，…，αp,进一步从混合矩阵估计中获得M×ρ维的子矩阵
然后通过下式求得各个源信号在时频点(τ0,ω0)上的STFT值：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<msub>
<mi>&alpha;</mi>
<mi>&rho;</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>=</mo>
<msup>
<msub>
<mover>
<mi>A</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>{</mo>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>&alpha;</mi>
<mi>&rho;</mi>
</msub>
<mo>}</mo>
</mrow>
</msub>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>X</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>,</mo>
<mi>n</mi>
<mo>&NotElement;</mo>
<mo>{</mo>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>&alpha;</mi>
<mi>&rho;</mi>
</msub>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
对所有时频点运行子空间投影算法，得到N个源信号的STFT谱估计再对其进行逆STFT变换，则得到恢复信号完成盲源分离，完成盲源分离后即可确定环境噪声的模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710926878.1A CN107941324A (zh) | 2017-10-08 | 2017-10-08 | 一种消费级惯性传感单元环境噪声的估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710926878.1A CN107941324A (zh) | 2017-10-08 | 2017-10-08 | 一种消费级惯性传感单元环境噪声的估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107941324A true CN107941324A (zh) | 2018-04-20 |
Family
ID=61936005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710926878.1A Pending CN107941324A (zh) | 2017-10-08 | 2017-10-08 | 一种消费级惯性传感单元环境噪声的估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107941324A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109520496A (zh) * | 2018-09-28 | 2019-03-26 | 天津大学 | 一种基于盲源分离方法的惯性导航传感器数据去噪方法 |
| CN109781248A (zh) * | 2019-01-28 | 2019-05-21 | 中国民航大学 | 飞机发动机噪声模拟合成可听化方法、系统及装置 |
| CN113001546A (zh) * | 2021-03-08 | 2021-06-22 | 常州刘国钧高等职业技术学校 | 一种提高工业机器人运动速度安全性的方法及系统 |
| CN113240076A (zh) * | 2021-04-27 | 2021-08-10 | 北京无线电计量测试研究所 | 一种基于聚类和神经网络算法的钟差异常数据检测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127084A (zh) * | 2007-09-04 | 2008-02-20 | 西安理工大学 | 基于盲源分离技术的扫描图像去噪方法 |
| CN101251446A (zh) * | 2008-04-16 | 2008-08-27 | 邓艾东 | 基于离散分数余弦变换的碰摩声发射信号降噪方法 |
| CN101403684A (zh) * | 2008-11-06 | 2009-04-08 | 上海交通大学 | 基于盲源分析技术的旋转机械复合故障的诊断方法 |
| CN104166959A (zh) * | 2014-01-09 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种图像降噪的加速方法和装置 |
| WO2015162309A1 (es) * | 2014-04-23 | 2015-10-29 | Centro Tecnologico Acustico, S.L. | Equipo medidor de ruido ambiental |
| CN105371945A (zh) * | 2015-10-10 | 2016-03-02 | 同济大学 | 去除厅堂脉冲响应测量声信号中噪声的方法及装置 |
| CN105527016A (zh) * | 2015-12-31 | 2016-04-27 | 国家电网公司 | 一种基于时频比分布的电力变压器振动分离方法及系统 |
| CN105654963A (zh) * | 2016-03-23 | 2016-06-08 | 天津大学 | 频谱校正及数据密度聚类法语音欠定盲识别方法和装置 |
| CN105910701A (zh) * | 2016-04-15 | 2016-08-31 | 天津大学 | 基于短样本频谱校正旋转机械振动信号盲分离方法及装置 |
| US20160314800A1 (en) * | 2013-12-23 | 2016-10-27 | Analog Devices, Inc. | Computationally efficient method for filtering noise |
| CN106500827A (zh) * | 2016-09-25 | 2017-03-15 | 郑州航空工业管理学院 | 一种单通道振动信号盲源分离方法 |
| CN106531181A (zh) * | 2016-11-25 | 2017-03-22 | 天津大学 | 一种基于谐波提取的欠定语音盲分离方法及装置 |
-
2017
- 2017-10-08 CN CN201710926878.1A patent/CN107941324A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127084A (zh) * | 2007-09-04 | 2008-02-20 | 西安理工大学 | 基于盲源分离技术的扫描图像去噪方法 |
| CN101251446A (zh) * | 2008-04-16 | 2008-08-27 | 邓艾东 | 基于离散分数余弦变换的碰摩声发射信号降噪方法 |
| CN101403684A (zh) * | 2008-11-06 | 2009-04-08 | 上海交通大学 | 基于盲源分析技术的旋转机械复合故障的诊断方法 |
| US20160314800A1 (en) * | 2013-12-23 | 2016-10-27 | Analog Devices, Inc. | Computationally efficient method for filtering noise |
| CN104166959A (zh) * | 2014-01-09 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种图像降噪的加速方法和装置 |
| WO2015162309A1 (es) * | 2014-04-23 | 2015-10-29 | Centro Tecnologico Acustico, S.L. | Equipo medidor de ruido ambiental |
| CN105371945A (zh) * | 2015-10-10 | 2016-03-02 | 同济大学 | 去除厅堂脉冲响应测量声信号中噪声的方法及装置 |
| CN105527016A (zh) * | 2015-12-31 | 2016-04-27 | 国家电网公司 | 一种基于时频比分布的电力变压器振动分离方法及系统 |
| CN105654963A (zh) * | 2016-03-23 | 2016-06-08 | 天津大学 | 频谱校正及数据密度聚类法语音欠定盲识别方法和装置 |
| CN105910701A (zh) * | 2016-04-15 | 2016-08-31 | 天津大学 | 基于短样本频谱校正旋转机械振动信号盲分离方法及装置 |
| CN106500827A (zh) * | 2016-09-25 | 2017-03-15 | 郑州航空工业管理学院 | 一种单通道振动信号盲源分离方法 |
| CN106531181A (zh) * | 2016-11-25 | 2017-03-22 | 天津大学 | 一种基于谐波提取的欠定语音盲分离方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 李胜杨: "《基于双通道定位的柴油机辐射噪声盲分离研究》", 《机械工程学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109520496A (zh) * | 2018-09-28 | 2019-03-26 | 天津大学 | 一种基于盲源分离方法的惯性导航传感器数据去噪方法 |
| CN109781248A (zh) * | 2019-01-28 | 2019-05-21 | 中国民航大学 | 飞机发动机噪声模拟合成可听化方法、系统及装置 |
| CN113001546A (zh) * | 2021-03-08 | 2021-06-22 | 常州刘国钧高等职业技术学校 | 一种提高工业机器人运动速度安全性的方法及系统 |
| CN113001546B (zh) * | 2021-03-08 | 2021-10-29 | 常州刘国钧高等职业技术学校 | 一种提高工业机器人运动速度安全性的方法及系统 |
| CN113240076A (zh) * | 2021-04-27 | 2021-08-10 | 北京无线电计量测试研究所 | 一种基于聚类和神经网络算法的钟差异常数据检测方法 |
| CN113240076B (zh) * | 2021-04-27 | 2023-11-28 | 北京无线电计量测试研究所 | 一种基于聚类和神经网络算法的钟差异常数据检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107941324A (zh) | 一种消费级惯性传感单元环境噪声的估计方法 | |
| CN107192553B (zh) | 基于盲源分离的齿轮箱复合故障诊断方法 | |
| Yinfeng et al. | Analysis of earthquake ground motions using an improved Hilbert–Huang transform | |
| WO2020041935A1 (zh) | 一种基于扩展稀疏分量分析的非比例阻尼结构模态识别方法 | |
| CN103900541B (zh) | 一种海况估计器 | |
| CN106225786B (zh) | 一种自适应的行人导航系统零速区间检测方法 | |
| CN105654963B (zh) | 频谱校正及数据密度聚类法语音欠定盲识别方法和装置 | |
| CN114912547B (zh) | 一种线性时变结构的欠定工作模态参数识别方法和系统 | |
| CN103728663B (zh) | 一种时频分析方法 | |
| CN111189638B (zh) | 基于hmm和qpso优化算法的轴承故障程度辨识方法 | |
| CN104166804A (zh) | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 | |
| CN108491608B (zh) | 传感器数量不完备时结构模态识别的稀疏分量分析方法 | |
| CN109214469B (zh) | 一种基于非负张量分解的多源信号分离方法 | |
| Spiridonakos et al. | An FS-TAR based method for vibration-response-based fault diagnosis in stochastic time-varying structures: experimental application to a pick-and-place mechanism | |
| CN108009584A (zh) | 基于单源点检测的欠定盲源分离方法 | |
| CN104101780A (zh) | 基于联合去噪和频率调制的微弱信号检测方法 | |
| CN105699082B (zh) | 一种稀疏化的最大谐噪比解卷积方法 | |
| JP6361225B2 (ja) | 車両の運動性能解析方法 | |
| CN106534014A (zh) | 一种多分量lfm信号的精确检测与分离方法 | |
| CN105021210A (zh) | Mems陀螺仪随机漂移误差的处理方法 | |
| CN112345248B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
| CN104036283A (zh) | 用于确定移动元素的活动的系统和方法 | |
| CN109658944A (zh) | 直升机声信号增强方法及装置 | |
| CN105910701B (zh) | 基于短样本频谱校正旋转机械振动信号盲分离方法及装置 | |
| CN106679659A (zh) | 一种基于参数可调非线性跟踪微分器的信号去噪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180420 |
|
| WD01 | Invention patent application deemed withdrawn after publication |