CN108333575B - 基于高斯先验与区间约束的移动声源时延滤波方法 - Google Patents

基于高斯先验与区间约束的移动声源时延滤波方法 Download PDF

Info

Publication number
CN108333575B
CN108333575B CN201810105261.8A CN201810105261A CN108333575B CN 108333575 B CN108333575 B CN 108333575B CN 201810105261 A CN201810105261 A CN 201810105261A CN 108333575 B CN108333575 B CN 108333575B
Authority
CN
China
Prior art keywords
time delay
delay estimation
sound source
cross
estimation result
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.)
Active
Application number
CN201810105261.8A
Other languages
English (en)
Other versions
CN108333575A (zh
Inventor
陈积明
常先宇
史治国
杨超群
史秀纺
吴均峰
吴泽先
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810105261.8A priority Critical patent/CN108333575B/zh
Publication of CN108333575A publication Critical patent/CN108333575A/zh
Application granted granted Critical
Publication of CN108333575B publication Critical patent/CN108333575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于高斯先验与区间约束的移动声源时延滤波方法。该方法利用移动声源的时延估计结果具有连贯性的特点，结合其先验信息以及实际声阵列尺寸的约束条件，优化时延估计的结果。首先利用阵列具体尺寸限定时延的可行区间，利用广义互相关函数计算出互功率谱密度函数，然后利用上一时刻时延估计结果构造高斯先验概率函数，最后更新预测得到当前时刻的时延估计互功率谱密度函数，求解其峰值位置对应的时刻，并根据其时延估计结果是否为零进一步判断得到当前时刻的时延估计结果。该方法对于解决移动声源目标在低信噪比情况下的时延估计具有重要的应用价值，能够极大提高移动声源的时延估计结果。

Description

基于高斯先验与区间约束的移动声源时延滤波方法
技术领域
本发明涉及移动声源目标时延信息估计领域，特别涉及低信噪比且多径效应严重的情况下的移动声源时延信息估计。
背景技术
近年来，无人机市场迅速发展，无人机的数量呈现井喷式的增长；与此同时，无人机“黑飞”、“滥飞”的事件层出不穷，对公共安全和个人隐私带来了严重的影响，因此，无人机的监管与防御成了各国学术界和工业界研究的重点。而声音传感器可以实现对入侵无人机的检测定位，虽然声音检测的距离较短，但是可以通过增加传感的数量和覆盖面积，增加其有效的检测定位距离，因此利用声音传感器对无人机进行检测定位得到了广泛的关注。
无人机作为一个移动的声源目标，尤其是在外界噪声干扰和低信噪比的情况下，给采用声音传感器进行定位带来了巨大的挑战。利用广义互相关函数进行时延估计，然后进行声源目标定位是广泛采用的方法，其中时延估计结果的准确性直接影响定位的精度，因此也是该问题的核心所在。但是，在采用广义互相关函数计算移动声源时延信息时，由于环境中物体的发射，会出现声音传播的多径效应，使得广义互相关函数中出现虚假的峰值，由此引发时延估计的不准确；同时，当声源的信噪比较低时，信号之间的相关性较低，在零值附近出现尖锐的峰值，因而进一步加重了时延估计的误差。
在目前的研究内容中，大多采用波束形成的方法进行信号增强，从而提升有效信号的信噪比，增加时延估计的准确性。但是这样会大大增加声音传感器的数量，同时计算的复杂度也会提升，使得系统的实时性也难以保证。因此，急需一种新的方法来增加时延估计的准确性，同时能够保证较快的运行速度和系统较低的成本。而本发明在不改变声阵列形式和声音传感器数量的基础上，结合时延估计的先验概率和约束条件来增加其准确性，同时算法复杂度较低，具有很好的适用性。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于高斯先验与区间约束的移动声源时延滤波方法。该方法在不改变声阵列形式的基础上，利用时延估计的先验信息和阵列形式的约束条件，进行时延曲线的滤波估计，以提供更加准确的无人机声源时延估计结果。
本发明的目的是通过以下技术方案来实现的：一种基于高斯先验与区间约束的移动声源时延滤波方法，该方法包括以下步骤：
(1)在声音传感器覆盖的范围内，仅有一个移动声源目标，且其声音信号强度能够被声音传感器接收感知；保证进行互相关函数计算的声音传感器之间时间同步；根据广义互相关函数计算两组时域声信号x1(t)、x2(t)互功率谱密度函数
Figure GDA0002570046610000021
Figure GDA0002570046610000022
其中
Figure GDA0002570046610000023
为x1(t)和x2(t)的傅立叶变换结果，
Figure GDA0002570046610000024
为x1(t)和x2(t)的频域滤波器同时令
Figure GDA0002570046610000025
表示当前时刻的互功率谱密度函数，
Figure GDA0002570046610000026
表示上一时刻的互功率谱密度函数；
(2)利用
Figure GDA0002570046610000027
得到的上一时刻的时延估计结果tpast计算先验概率密度分布函数GPDF(t)；
(3)计算当前时刻互功率谱密度分布函数
Figure GDA0002570046610000028
其中t满足实际声阵列模型下的时延约束条件；
(4)利用GCC(t)峰值和
Figure GDA0002570046610000029
峰值联合估计出最终的时延结果。
进一步地，根据实际声阵列模型，写出时延约束条件t∈[-d/c,d/c]，其中t表示声源到达两个声传感器之间的时延，d表示两个声传感器之间的距离，c表示声速；将t作为GCC(t)的约束区间，减少时延估计的搜索区间，降低噪点的影响。
进一步地，所述步骤(1)中，采用相位变换(PHAT)加权函数
Figure GDA00025700466100000210
进一步地，所述步骤(2)中，利用
Figure GDA00025700466100000211
得到的时延估计结果tpast以及互功率谱密度函数计算高斯分布的先验概率密度分布函数GPDF(t)：
Figure GDA00025700466100000212
其中μ＝tpast，
Figure GDA00025700466100000213
B表示上一时刻
Figure GDA00025700466100000214
所对应的值左右两侧零点所限定的区间范围；构造的高斯分布的先验概率密度分布函数，其均值为上一时刻的时延估计结果，方差根据上一时刻的互功率谱密度函数实时更新。
进一步地，所述步骤(4)中，计算GCC(t)峰值所对应的时刻tnow，如果tnow≠0，那么取tnow作为最终的时延估计结果；如果tnow＝0，那么计算
Figure GDA0002570046610000031
峰值所对应的时刻作为最终的时延估计结果。
本发明提出的基于高斯先验与区间约束的移动声源时延滤波方法，可以更加精确地计算出移动声源的时延结果，从而为移动声源目标定位奠定基础，本发明具有以下优势：
1、不改变声阵列系统的具体形式，不增加系统的成本和复杂度，利用声源移动的特点构造先验概率密度函数，联合预测时延估计结果，大大提高了准确度；
2、当移动声源的信噪比较低，同时环境中存在较为严重的多径效应时，利用该方法能够取得很好的时延估计结果，能够有效抑制时延估计中的噪点；
3、算法简便易行，实时性好，易实现。
附图说明
图1为实验所用声阵列模型图；
图2为时延估计的互功率谱密度函数；
图3为广义互相关法时延估计结果；
图4为多径效应；
图5为利用高斯先验预测当前时刻的互功率谱密度函数；
图6为滤波后时延估计结果。
具体实施方式
以下结合附图对本发明的实施作如下详述：
附图1是实验所用声阵列模型图，该设备部署在浙江大学行政楼的楼顶。声音传感器采用声传科技的CHZ-213，同时配置前置放大器。首先声阵列系统前端由2个四面体阵型的声音阵列组成，每个声阵列安装4个声音传感器，每个声音传感器距离四面体底部中心点的距离为1m；声音信号通过NI-9234四通道数据采集卡进行采集，每个采集卡保证单个四面体阵列上的4个声音传感器信号采集同步，采集频率为25600Hz。
附图2时延估计的互功率谱密度函数，其峰值所对应的横坐标的时刻，即为时延估计的结果。具体的实现方式为：将两个声音传感器接收到的时域信号x1(t)，x2(t)，每0.5秒截取一段数据，对两路数据进行傅里叶变换得到频域结果X1(w)，X2(w)，预滤波器采用相位变换加权(PHAT)，那么具体的互功率谱密度函数可以由下式计算：
Figure GDA0002570046610000032
其中X2 *(w)表示X2(w)的共轭，然后在时间尺度上对R进行变换，将其横坐标与时间对应即可得到
Figure GDA0002570046610000041
然后搜索
Figure GDA0002570046610000042
峰值所对应的横坐标，即为广义互相关时延估计的结果。
附图3是采用广义互相关法对单个四面体阵列估计的时延估计结果，由于有4个声音传感器，两两之间做互相关计算，可以得到6组时延估计结果，4个声音传感器分别标号为1，2，3，4；tmn表示两个声音传感器之间的额时延估计结果，m＝1,2,3,4，n＝1,2,3,4且m≠n；在本图中，只取其中的三组时延估计结果进行观察，从时延估计曲线可以看出，时延估计存在较大的跳变，时延结果的估计非常不准确，存在很多噪点。
附图4是声音信号传输的多径效应，它是将多个时刻的互相关功率谱密度函数以强度图的形式表现出来，从图中可以看到有多杂乱的轨迹，这是由于声音通过地面或者其他物体反射造成，正因为多径效应的存在，造成了时延估计巨大的误差。
附图5展示了利用高斯先验预测当前时刻的互功率谱密度函数，其具体的实施步骤为：根据上一时刻的时延估计结果以及互功率谱密度函数，计算高斯分布先验概率密度分布函数：
Figure GDA0002570046610000043
其中μ＝tpast，
Figure GDA0002570046610000044
tpast表示上一时刻的时延估计的最终结果，B表示上一时刻互功率谱密度函数
Figure GDA0002570046610000045
所对应的值左右两侧零点限定的区间范围；根据
Figure GDA0002570046610000046
计算当前时刻的互功率谱密度分布函数，其中t满足t∈[-d/c,d/c]约束条件，
Figure GDA0002570046610000047
表示当前时刻的互功率谱密度函数；为了防止时延估计结果陷入到零点附近，需要做以下处理：计算互功率谱密度分布函数GCC(t)峰值所对应的时间tnow，如果tnow≠0，那么取tnow作为最终的时延估计结果；如果tnow＝0，那么计算
Figure GDA0002570046610000048
峰值所对应的时间作为最终的时延估计结果。
附图6为滤波后得时延估计结果图，通过采用本文提出的基于高斯先验与区间约束的移动声源时延滤波方法可以有效地去除时延估计曲线中的噪点，大大提高了时延估计的准确度。

Claims (5)

1.一种基于高斯先验与区间约束的移动声源时延滤波方法，其特征在于，包括以下步骤：
(1)根据广义互相关函数计算两组时域声信号x1(t)、x2(t)互功率谱密度函数
Figure FDA0002570046600000011
Figure FDA0002570046600000012
其中
Figure FDA0002570046600000013
为x1(t)和x2(t)的傅立叶变换结果，
Figure FDA0002570046600000014
为x1(t)和x2(t)的频域滤波器，同时令
Figure FDA0002570046600000015
表示当前时刻的互功率谱密度函数，
Figure FDA0002570046600000016
表示上一时刻的互功率谱密度函数；
(2)利用
Figure FDA0002570046600000017
得到的上一时刻的时延估计结果tpast以及互功率谱密度函数计算高斯分布先验概率密度分布函数GPDF(t)；
(3)计算当前时刻互功率谱密度分布函数
Figure FDA0002570046600000018
其中t满足实际声阵列模型下的时延约束条件；
(4)利用GCC(t)峰值和
Figure FDA00025700466000000112
峰值联合估计出最终的时延结果。
2.根据权利要求1中所述的一种基于高斯先验与区间约束的移动声源时延滤波方法，其特征在于，根据实际声阵列模型，写出时延约束条件t∈[-d/c,d/c]，其中t表示声源到达两个声传感器之间的时延，d表示两个声传感器之间的距离，c表示声速；将t作为GCC(t)的约束区间，减少时延估计的搜索区间，降低噪点的影响。
3.根据权利要求1中所述的一种基于高斯先验与区间约束的移动声源时延滤波方法，其特征在于，所述步骤(1)中，采用相位变换(PHAT)加权函数
Figure FDA0002570046600000019
4.根据权利要求1中所述的一种基于高斯先验与区间约束的移动声源时延滤波方法，其特征在于，所述步骤(2)中，利用
Figure FDA00025700466000000110
得到的上一时刻的时延估计结果tpast以及互功率谱密度函数计算高斯分布的先验概率密度分布函数GPDF(t)：
Figure FDA00025700466000000111
其中μ＝tpast，
Figure FDA0002570046600000021
B表示上一时刻
Figure FDA0002570046600000022
所对应的值左右两侧零点所限定的区间范围；构造的高斯分布的先验概率密度分布函数，其均值为上一时刻的时延估计结果，方差根据上一时刻的互功率谱密度函数实时更新。
5.根据权利要求1中所述的一种基于高斯先验与区间约束的移动声源时延滤波方法，其特征在于，所述步骤(4)中，计算GCC(t)峰值所对应的时刻tnow，如果tnow≠0，那么取tnow作为最终的时延估计结果；如果tnow＝0，那么计算
Figure FDA0002570046600000023
峰值所对应的时刻作为最终的时延估计结果。
CN201810105261.8A 2018-02-02 2018-02-02 基于高斯先验与区间约束的移动声源时延滤波方法 Active CN108333575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810105261.8A CN108333575B (zh) 2018-02-02 2018-02-02 基于高斯先验与区间约束的移动声源时延滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810105261.8A CN108333575B (zh) 2018-02-02 2018-02-02 基于高斯先验与区间约束的移动声源时延滤波方法

Publications (2)

Publication Number Publication Date
CN108333575A CN108333575A (zh) 2018-07-27
CN108333575B true CN108333575B (zh) 2020-10-20

Family

ID=62927711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810105261.8A Active CN108333575B (zh) 2018-02-02 2018-02-02 基于高斯先验与区间约束的移动声源时延滤波方法

Country Status (1)

Country Link
CN (1) CN108333575B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110007276B (zh) * 2019-04-18 2021-01-12 太原理工大学 一种声源定位方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4815661B2 (ja) * 2000-08-24 2011-11-16 ソニー株式会社 信号処理装置及び信号処理方法
GB2403013B (en) * 2002-05-01 2005-06-22 Quester Tangent Corp Compensation of sonar image data primarily for seabed classification
CN102438189B (zh) * 2011-08-30 2014-07-09 东南大学 基于双通路声信号的声源定位方法
CN103439688B (zh) * 2013-08-27 2015-04-22 大连理工大学 一种用于分布式麦克风阵列的声源定位系统及定位方法
CN106683122B (zh) * 2016-12-16 2020-02-04 华南理工大学 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法

Also Published As

Publication number Publication date
CN108333575A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
US10871548B2 (en) Systems and methods for transient acoustic event detection, classification, and localization
CN106353821B (zh) 一种微地震事件定位方法
CN105589066B (zh) 一种利用垂直矢量阵估计水下匀速运动航行器参数的方法
CN107015205B (zh) 一种分布式mimo雷达检测的虚假目标消除方法
CN104765064B (zh) 一种微地震干涉成像的方法
CN106707258A (zh) 一种非高斯背景下微动目标多参数估计方法
CN108957403B (zh) 一种基于广义互相关的高斯拟合包络时延估计方法及系统
CN104614718A (zh) 基于粒子群算法的激光雷达波形数据分解的方法
CN108363041B (zh) 基于k均值聚类迭代的无人机声源定位方法
CN104394588A (zh) 基于Wi-Fi指纹和多维尺度分析的室内定位方法
CN104076404A (zh) 运用多通道相干抑制地磁背景噪声的磁异常探测方法
KR101426226B1 (ko) 레이더의 신호 처리 방법
CN110446160A (zh) 一种基于多路径信道状态信息的车辆位置估计的深度学习方法
CN105301584A (zh) 同时解距离模糊的ipphdf机动多目标跟踪方法
CN109444864A (zh) 一种深海微弱多目标深度长时累积估计方法
CN105353340B (zh) 一种双层圆柱阵水下被动目标检测方法
CN108333575B (zh) 基于高斯先验与区间约束的移动声源时延滤波方法
CN103376443B (zh) 探地雷达探测地面干扰快速消除方法
CN105388470A (zh) 一种估计目标运动参数的方法
CN108983158A (zh) 一种基于Hankel矩阵奇异值分解的探地雷达噪声抑制方法
CN105652256B (zh) 一种基于极化信息的高频地波雷达tbd方法
CN115166817B (zh) 一种基于冰层模态群慢度差特征的冰声定位方法
CN102928837B (zh) 一种基于srmf和序列clean的空间自旋目标成像方法
CN105929390B (zh) 一种多目标检测前跟踪方法
Azimi-Sadjadi et al. Acoustic localization of vehicular sources using distributed sensors

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
GR01 Patent grant
GR01 Patent grant