CN110332987B - 一种声纹信号成像方法及麦克风阵列信号的成像方法 - Google Patents
一种声纹信号成像方法及麦克风阵列信号的成像方法 Download PDFInfo
- Publication number
- CN110332987B CN110332987B CN201910778723.7A CN201910778723A CN110332987B CN 110332987 B CN110332987 B CN 110332987B CN 201910778723 A CN201910778723 A CN 201910778723A CN 110332987 B CN110332987 B CN 110332987B
- Authority
- CN
- China
- Prior art keywords
- signal
- voiceprint
- voiceprint signal
- imaged
- microphone array
- 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
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Studio Devices (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本申请公开了一种声纹信号成像方法、麦克风阵列信号的成像方法及相关装置,其中声纹信号成像方法包括:根据待成像声纹信号建立第一声纹信号,其中,第一声纹信号的信号强度与待成像声纹信号的信号强度相同;根据第一声纹信号和待成像声纹信号,建立双变量目标函数模型;根据交替方向乘子算法,求解双变量目标函数模型,得到待成像声纹信号的强度分布信息;根据强度分布信息对待成像声纹信号进行成像,得到待成像声纹信号的成像结果,解决了现有声纹信号成像方法效率低且准确率低的技术问题。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种声纹信号成像方法、麦克风阵列信号的成像方法及相关装置。
背景技术
随着科学技术的发展,声纹识别技术被广泛用于汽车、飞机及工业中。其中对声纹进行成像是关键步骤,现有声纹信号成像主要通过对声纹施加稀疏约束,以获得声纹信号成像结果。上述方法在实际应用中需要大量时间才能满足终止条件,效率较低。为提高声纹信号成像的效率,提出了正交匹配追踪反卷积声纹信号成像方法,其中将正交匹配追踪算法用于求解反卷积问题,计算效率得到提升。但是该方法会使用一些估计值,导致该方法存在不确定性。
因此,提供一种兼顾高效率和高准确率的声纹信号成像方法成为本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本申请提供了一种声纹信号成像方法、麦克风阵列信号的成像方法及相关装置,解决了现有声纹信号成像方法效率低且准确率低的技术问题。
本申请第一方面提供了一种声纹信号成像方法,包括:
根据待成像声纹信号建立第一声纹信号,其中,所述第一声纹信号的信号强度与所述待成像声纹信号的信号强度相同;
根据所述第一声纹信号和所述待成像声纹信号,建立双变量目标函数模型;
根据交替方向乘子算法,求解所述双变量目标函数模型,得到所述待成像声纹信号的强度分布信息;
根据所述强度分布信息对所述待成像声纹信号进行成像,得到所述待成像声纹信号的成像结果。
优选地,
所述根据交替方向乘子算法,求解所述双变量目标函数模型,得到所述待成像声纹信号的强度分布信息具体包括:
在第一声纹信号保持不变时,利用对所述双变量目标函数模型进行预置次数的迭代计算得到所述待成像声纹信号的强度分布信息。
优选地,
一次所述迭代计算具体为:
步骤一,根据公式一求解待成像声纹信号qk+1,其中公式一为:
其中,arg min为当函数取最小值时返回函数的自变量;
步骤二,根据公式二求解第一声纹信号pk+1,其中公式二为:
其中,I为N×N维单位矩阵。AHA+uI为对麦克风阵列信号正则化,求解的pk+1为,pk+1=sign(qk+1-sk)·max(|qk+1-sk|-λ/u,0),其中sign(·)为符号函数;
步骤三,根据公式三更新辅助向量,其中公式三为:
sk+1=sk-(qk+1-pk+1)
步骤四,将pk+1、sk+1代入步骤一求得qk+1进入下一次迭代。
优选地,
所述根据待成像声纹信号建立第一声纹信号包括:
对待成像声纹信号进行傅里叶变换,得到对应的傅里叶谱;
获取采集所述待成像声纹信号的采集器对应的互谱矩阵;
根据所述傅里叶谱和所述互谱矩阵,得到与所述待成像声纹信号的信号强度相同的第一声纹信号。
本申请第二方面提供了一种麦克风阵列信号的成像方法,所述麦克风阵列信号的成像结果由如下步骤得到:
根据麦克风阵列信号建立第一声纹信号,其中,所述第一声纹信号的信号强度与所述麦克风阵列信号的信号强度相同;
根据所述第一声纹信号和所述麦克风阵列信号,建立双变量目标函数模型;
根据交替方向乘子算法,求解所述双变量目标函数模型,得到所述麦克风阵列信号的强度分布信息;
根据所述强度分布信息对所述麦克风阵列信号进行成像,得到所述麦克风阵列信号的成像结果。
本申请第三方面提供了一种声纹信号成像装置,包括:
第一建立单元,用于根据待成像声纹信号建立第一声纹信号,其中,所述第一声纹信号的信号强度与所述待成像声纹信号的信号强度相同;
第二建立单元,用于根据所述第一声纹信号和所述待成像声纹信号,建立双变量目标函数模型;
求解单元,用于根据交替方向乘子算法,求解所述双变量目标函数模型,得到所述待成像声纹信号的强度分布信息;
成像单元,用于根据所述强度分布信息对所述待成像声纹信号进行成像,得到所述待成像声纹信号的成像结果。
本申请第四方面提供了一种麦克风阵列信号的成像装置,包括:
第一建立单元,用于根据麦克风阵列信号建立第一声纹信号,其中,所述第一声纹信号的信号强度与所述麦克风阵列信号的信号强度相同;
第二建立单元,用于根据所述第一声纹信号和所述麦克风阵列信号,建立双变量目标函数模型;
求解单元,用于根据交替方向乘子算法,求解所述双变量目标函数模型,得到所述麦克风阵列信号的强度分布信息;
成像单元,用于根据所述强度分布信息对所述麦克风阵列信号进行成像,得到所述麦克风阵列信号的成像结果。
本申请第五方面提供了一种声纹信号成像设备,包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的声纹信号成像方法。
本申请第六方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的声纹信号成像方法。
本申请第七方面提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得所述计算机执行第一方面所述的声纹信号成像方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种声纹信号成像方法,包括:根据待成像声纹信号建立第一声纹信号,其中,第一声纹信号的信号强度与待成像声纹信号的信号强度相同;根据第一声纹信号和待成像声纹信号,建立双变量目标函数模型;根据交替方向乘子算法,求解双变量目标函数模型,得到待成像声纹信号的强度分布信息;根据强度分布信息对待成像声纹信号进行成像,得到待成像声纹信号的成像结果。
本申请中,首先建立待成像声纹信号相同信号强度的第一声纹信号,再根据第一声纹信号和待成像声纹信号建立双变量目标函数模型,然后根据交替方向乘子算法,求解双变量目标函数模型,得到待成像声纹信号的强度分布信息,最后根据强度分布信息对待成像声纹进行成像,得到待成像声纹信号的成像结果,整个过程中,通过引入双变量目标函数模型,并通过交替方向乘子算法求解向量形式的第一声纹信号,大幅提高了声纹信号的成像效率和成像准确率,从而解决了现有声纹信号成像方法效率低且准确率低的技术问题。
附图说明
图1为本申请实施例中一种声纹信号成像方法的第一实施例的流程示意图;
图2为本申请实施例中一种声纹信号成像方法的第二实施例的流程示意图;
图3为本申请实施例中一种麦克风阵列信号的成像方法的实施例的流程示意图;
图4为本申请实施例中一种声纹信号成像装置的实施例的结构示意图;
图5为本申请实施例中一种麦克风阵列信号的成像装置的实施例的结构示意图。
具体实施方式
本申请实施例提供了一种声纹信号成像方法、麦克风阵列信号的成像方法及相关装置,解决了现有声纹信号成像方法效率低且准确率低的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请第一方面提供了一种声纹信号成像方法。
请参阅图1,本申请实施例中一种声纹信号成像方法的第一实施例的流程示意图,包括:
步骤101、根据待成像声纹信号建立第一声纹信号,其中,第一声纹信号的信号强度与待成像声纹信号的信号强度相同。
需要说明的是,在对采集到的待成像声纹信号进行成像,首先获取到与待成像声纹信号的信号强度相同的第一声纹信号。
步骤102、根据第一声纹信号和待成像声纹信号,建立双变量目标函数模型。
需要说明的是,在得到第一声纹信号后,建立第一声纹信号和待成像声纹信号的双变量目标函数模型。
步骤103、根据交替方向乘子算法,求解双变量目标函数模型,得到待成像声纹信号的强度分布信息。
需要说明的是,建立双变量目标函数模型后,根据交替方向乘子算法,求解双变量目标函数模型,得到待成像声纹信号的强度分布信息。
步骤104、根据强度分布信息对待成像声纹信号进行成像,得到待成像声纹信号的成像结果。
需要说明的是,根据强度分布信息对待成像声纹信号进行成像可以是,获得强度信息后参考基准声源强度,然后转化为dB值,参照最大值作为主要评价依据,并保留其在动态范围上的结果成像,刻度按照[-动态范围,0]绘制。
本实施例中,首先建立待成像声纹信号相同信号强度的第一声纹信号,再根据第一声纹信号和待成像声纹信号建立双变量目标函数模型,然后根据交替方向乘子算法,求解双变量目标函数模型,得到待成像声纹信号的强度分布信息,最后根据强度分布信息对待成像声纹进行成像,得到待成像声纹信号的成像结果,整个过程中,通过引入双变量目标函数模型,并通过交替方向乘子算法求解向量形式的第一声纹信号,大幅提高了声纹信号的成像效率和成像准确率,从而解决了现有声纹信号成像方法效率低且准确率低的技术问题。
以上为本申请实施例提供的一种声纹信号成像方法的第一实施例,以下为本申请实施例提供的一种声纹信号成像方法的第二实施例。
请参阅图2,本申请实施例中一种声纹信号成像方法的第二实施例的流程示意图,包括:
步骤201、获取待成像声纹信号。
需要说明的是,获取待成像声纹信号可以利用现有工具,包括但不限于麦克风阵列。
步骤202、对待成像声纹信号进行傅里叶变换,得到对应的傅里叶谱。
需要说明的是,在获取到待成像声纹信号后,对待成像声纹信号进行傅里叶变换,得到该待成像声纹信号对应的傅里叶谱。
步骤203、获取采集待成像声纹信号的采集器对应的互谱矩阵。
需要说明的是,在计算第一声纹信号时,还需要获取采集了待成像声纹信号的采集器对应的互谱矩阵,本实施例中是通过麦克风阵列采集待成像声纹信号的,因此,此处获取麦克风阵列对应的互谱矩阵。
步骤204、根据傅里叶谱和互谱矩阵,得到与待成像声纹信号的信号强度相同的第一声纹信号。
需要说明的是,获取到傅里叶谱和互谱矩阵后,根据所述傅里叶谱和所述互谱矩阵,得到与待成像声纹信号的信号强度相同的第一声纹信号。
步骤205、根据第一声纹信号和待成像声纹信号,建立双变量目标函数模型。
步骤206、在第一声纹信号保持不变时,对双变量目标函数模型进行预置次数的迭代计算得到待成像声纹信号的强度分布信息。
本实施例中,迭代计算具体为:
步骤一,根据公式一求解待成像声纹信号qk+1,其中公式一为:
其中,arg min为当函数取最小值时返回函数的自变量;
步骤二,根据公式二求解第一声纹信号pk+1,其中公式二为:
其中,I为N×N维单位矩阵。AHA+uI为对麦克风阵列信号正则化,求解的pk+1为,pk+1=sign(qk+1-sk)·max(|qk+1-sk|-λ/u,0),其中sign(·)为符号函数;
步骤三,根据公式三更新辅助向量,其中公式三为:
sk+1=sk-(qk+1-pk+1)
步骤四,将pk+1、sk+1代入步骤一求得qk+1进入下一次迭代。
步骤207、根据强度分布信息对待成像声纹信号进行成像,得到待成像声纹信号的成像结果。
需要说明的是,步骤207与实施例一中步骤104相同,具体可以参见上述描述,在此不再赘述。
本实施例中,首先建立待成像声纹信号相同信号强度的第一声纹信号,再根据第一声纹信号和待成像声纹信号建立双变量目标函数模型,然后根据交替方向乘子算法,求解双变量目标函数模型,得到待成像声纹信号的强度分布信息,最后根据强度分布信息对待成像声纹进行成像,得到待成像声纹信号的成像结果,整个过程中,通过引入双变量目标函数模型,并通过交替方向乘子算法求解向量形式的第一声纹信号,大幅提高了声纹信号的成像效率和成像准确率,从而解决了现有声纹信号成像方法效率低且准确率低的技术问题。
本申请第二方面提供一种麦克风阵列信号的成像方法。
请参阅图3,本申请实施例中一种麦克风阵列信号的成像方法的实施例的流程示意图,包括:
步骤301、获取麦克风阵列信号。
本实施例中,由b=Aq获取待成像声纹信号q,其中b为基于麦克风阵列的N×1维波束形成输出,q为N×1维待成像声纹信号的强度列向量,N为离散聚焦点数目,A为组成N×N维点传播函数矩阵。
其中b的表达式为其中rm表示第m个麦克风坐标向量,m=1,2,3,…,M,M为麦克风数目,r表示离散聚焦点坐标向量,C是M×M维麦克风声压信号互谱矩阵,1为所有元素都为1的M×M维全1矩阵,v(r)=[v1(r),v2(r),…,vm(r),…,vM(r)]T是聚焦点r处的转向列向量,w(r)=[|v1(r)|2,|v2(r)|2,…,|vm(r)|2,…,|vM(r)|2]T,上标“T”和“*”分别表示转置和共轭,v(r)的表达式为:其中为波数,f为信号频率,c为声速,j为虚数单位。
步骤302、根据麦克风阵列信号建立第一声纹信号,其中,第一声纹信号的信号强度与麦克风阵列信号的信号强度相同。
在实际声源识别中,通常是少数几个声源的起决定作用,所以声源具有稀疏特性,因此可以对麦克风阵列信号添加稀疏约束后为:
其中,ε是噪声的容差,||·||1表示1范数,即为所有源强之和,||·||2表示2范数,s.t.代表约束条件。
实际噪声容差ε的准确估计存在一定难度,上式(1)受到ε估计的准确性影响,上述转换为如下:
其中,λ≥0是稀疏促进正则化参数。
变量分裂技术引入一个与q等价的分裂变量p,上述式(2)可以等价写为如下:
步骤303、根据第一声纹信号和麦克风阵列信号,建立双变量目标函数模型。
为求解式(3)约束优化问题,通过增加二次惩罚函数构造如下双变量目标增广拉格朗日函数:
其中,u>0为惩罚参数,s为N×1维辅助向量。
步骤304、根据交替方向乘子算法,求解双变量目标函数模型,得到麦克风阵列信号的强度分布信息。
在求解麦克风阵列信号的强度分布信息时,给定初始分裂变量p0=0,辅助向量s0=0,选择合适的稀疏促进正则化参数λ和惩罚参数u,迭代上述式(4)直到迭代次数满足。
其中一次迭代迭代计算具体为:
步骤一,根据公式一求解麦克风阵列信号qk+1,其中公式一为:
其中,arg min为当函数取最小值时返回函数的自变量,求解的qk+1为qk+1=(AHA+uI)-1(AHb+u(pk+sk)),其中,符号“H”表示共轭转置。
步骤二,根据公式二求解第一声纹信号pk+1,其中公式二为:
其中,I为N×N维单位矩阵。AHA+uI为对麦克风阵列信号正则化,求解的pk+1为,pk+1=sign(qk+1-sk)·max(|qk+1-sk|-λ/u,0),其中sign(·)为符号函数,该求解步骤没有大维度矩阵与矩阵乘法运算,所以计算效率高。
步骤三,根据公式三更新辅助向量,其中公式三为:
sk+1=sk-(qk+1-pk+1);
步骤四,将pk+1、sk+1代入步骤一求得qk+1进入下一次迭代。
步骤305、根据强度分布信息对麦克风阵列信号进行成像,得到麦克风阵列信号的成像结果。
本实施例中,根据麦克风阵列信号建立第一声纹信号,其中,第一声纹信号的信号强度与麦克风阵列信号的信号强度相同;求解双变量目标函数模型,得到麦克风阵列信号的强度分布信息,其中,双变量目标函数模型由麦克风阵列信号和第一声纹信号建立;根据强度分布信息对麦克风阵列信号进行成像,得到麦克风阵列信号的成像结果,解决了现有声纹信号成像方法效率低且准确率低的技术问题。
本申请第三方面提供了一种声纹信号成像装置。
请参阅图4,本申请实施例中一种声纹信号成像装置的实施例的结构示意图,包括:
第一建立单元401,用于根据待成像声纹信号建立第一声纹信号,其中,第一声纹信号的信号强度与待成像声纹信号的信号强度相同;
第二建立单元402,用于根据第一声纹信号和待成像声纹信号,建立双变量目标函数模型;
求解单元403,用于根据交替方向乘子算法,求解双变量目标函数模型,得到待成像声纹信号的强度分布信息;
成像单元404,用于根据强度分布信息对待成像声纹信号进行成像,得到待成像声纹信号的成像结果。
本实施例中,首先建立待成像声纹信号相同信号强度的第一声纹信号,再根据第一声纹信号和待成像声纹信号建立双变量目标函数模型,然后根据交替方向乘子算法,求解双变量目标函数模型,得到待成像声纹信号的强度分布信息,最后根据强度分布信息对待成像声纹进行成像,得到待成像声纹信号的成像结果,整个过程中,通过引入双变量目标函数模型,并通过交替方向乘子算法求解向量形式的第一声纹信号,大幅提高了声纹信号的成像效率和成像准确率,从而解决了现有声纹信号成像方法效率低且准确率低的技术问题。本申请第四方面提供了一种麦克风阵列信号的成像装置。
请参阅图5,本申请实施例中一种麦克风阵列信号的成像装置的实施例的结构示意图,包括:
第一建立单元501,用于根据麦克风阵列信号建立第一声纹信号,其中,第一声纹信号的信号强度与麦克风阵列信号的信号强度相同;
第二建立单元502,用于根据第一声纹信号和麦克风阵列信号,建立双变量目标函数模型;
求解单元503,用于根据交替方向乘子算法,求解双变量目标函数模型,得到麦克风阵列信号的强度分布信息;
成像单元504,用于根据强度分布信息对麦克风阵列信号进行成像,得到麦克风阵列信号的成像结果。
本实施例中,根据麦克风阵列信号建立第一声纹信号,其中,第一声纹信号的信号强度与麦克风阵列信号的信号强度相同;求解双变量目标函数模型,得到麦克风阵列信号的强度分布信息,其中,双变量目标函数模型由麦克风阵列信号和第一声纹信号建立;根据强度分布信息对麦克风阵列信号进行成像,得到麦克风阵列信号的成像结果,解决了现有声纹信号成像方法效率低且准确率低的技术问题。
本申请第五方面提供了一种声纹信号成像设备,包括处理器以及存储器;存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行第一方面的声纹信号成像方法。
本申请第六方面提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行第一方面的声纹信号成像方法。
本申请第七方面提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行第一方面的声纹信号成像方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的待安装电网网络,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (7)
1.一种声纹信号成像方法,其特征在于,包括:
根据待成像声纹信号建立第一声纹信号,其中,所述第一声纹信号的信号强度与所述待成像声纹信号的信号强度相同;
根据所述第一声纹信号和所述待成像声纹信号,建立双变量目标函数模型;
在第一声纹信号保持不变时,利用对所述双变量目标函数模型进行预置次数的迭代计算得到所述待成像声纹信号的强度分布信息;
根据所述强度分布信息对所述待成像声纹信号进行成像,得到所述待成像声纹信号的成像结果;
一次所述迭代计算具体为:
步骤一,根据公式一求解待成像声纹信号qk+1,其中公式一为:
其中,qk+1为第k+1次迭代计算时的待成像声纹信号,A为组成N×N维点传播函数矩阵,b为基于待成像声纹信号采集器的N×1维波束形成输出,q为N×1维待成像声纹信号的强度列向量,u为惩罚参数,u>0,sk为第k次迭代计算时的辅助向量,pk为第k次迭代计算时的第一声纹信号,||·||2表示2范数,N为离散聚焦点数目,arg min为当函数取最小值时返回函数的自变量;
步骤二,根据公式二求解第一声纹信号pk+1,其中公式二为:
其中,pk+1为第k+1次迭代计算时的第一声纹信号,p为与q等价的分裂变量p,λ为稀疏促进正则化参数,λ≥0,||·||1表示1范数,求解的pk+1为,pk+1=sign(qk+1-sk)·max(|qk+1-sk|-λ/u,0),其中sign(·)为符号函数;
步骤三,根据公式三更新辅助向量,其中公式三为:
sk+1=sk-(qk+1-pk+1)
式中,sk+1为第k+1次迭代计算时的辅助向量;
步骤四,将pk+1、sk+1代入步骤一求得qk+2进入下一次迭代。
2.根据权利要求1所述的声纹信号成像方法,其特征在于,所述根据待成像声纹信号建立第一声纹信号包括:
对待成像声纹信号进行傅里叶变换,得到对应的傅里叶谱;
获取采集所述待成像声纹信号的采集器对应的互谱矩阵;
根据所述傅里叶谱和所述互谱矩阵,得到与所述待成像声纹信号的信号强度相同的第一声纹信号。
3.一种麦克风阵列信号的成像方法,其特征在于,所述麦克风阵列信号的成像结果由如下步骤得到:
根据麦克风阵列信号建立第一声纹信号,其中,所述第一声纹信号的信号强度与所述麦克风阵列信号的信号强度相同;
根据所述第一声纹信号和所述麦克风阵列信号,建立双变量目标函数模型;
在第一声纹信号保持不变时,利用对所述双变量目标函数模型进行预置次数的迭代计算得到所述麦克风阵列信号的强度分布信息;
根据所述强度分布信息对所述麦克风阵列信号进行成像,得到所述麦克风阵列信号的成像结果;
一次所述迭代计算具体为:
步骤一,根据公式一求解麦克风阵列信号qk+1,其中公式一为:
其中,qk+1为第k+1次迭代计算时的麦克风阵列信号,A为组成N×N维点传播函数矩阵,b为基于麦克风阵列的N×1维波束形成输出,q为N×1维麦克风阵列信号的强度列向量,u为惩罚参数,u>0,sk为第k次迭代计算时的辅助向量,pk为第k次迭代计算时的第一声纹信号,||·||2表示2范数,N为离散聚焦点数目,arg min为当函数取最小值时返回函数的自变量;
步骤二,根据公式二求解第一声纹信号pk+1,其中公式二为:
其中,pk+1为第k+1次迭代计算时的第一声纹信号,p为与q等价的分裂变量p,λ为稀疏促进正则化参数,λ≥0,||·||1表示1范数,求解的pk+1为,pk+1=sign(qk+1-sk)·max(|qk+1-sk|-λ/u,0),其中sign(·)为符号函数;
步骤三,根据公式三更新辅助向量,其中公式三为:
sk+1=sk-(qk+1-pk+1)
式中,sk+1为第k+1次迭代计算时的辅助向量;
步骤四,将pk+1、sk+1代入步骤一求得qk+2进入下一次迭代。
4.一种声纹信号成像装置,其特征在于,包括:
第一建立单元,用于根据待成像声纹信号建立第一声纹信号,其中,所述第一声纹信号的信号强度与所述待成像声纹信号的信号强度相同;
第二建立单元,用于根据所述第一声纹信号和所述待成像声纹信号,建立双变量目标函数模型;
求解单元,用于在第一声纹信号保持不变时,利用对所述双变量目标函数模型进行预置次数的迭代计算得到所述待成像声纹信号的强度分布信息;
成像单元,用于根据所述强度分布信息对所述待成像声纹信号进行成像,得到所述待成像声纹信号的成像结果;
一次所述迭代计算具体为:
步骤一,根据公式一求解待成像声纹信号qk+1,其中公式一为:
其中,qk+1为第k+1次迭代计算时的待成像声纹信号,A为组成N×N维点传播函数矩阵,b为基于待成像声纹信号采集器的N×1维波束形成输出,q为N×1维待成像声纹信号的强度列向量,u为惩罚参数,u>0,sk为第k次迭代计算时的辅助向量,pk为第k次迭代计算时的第一声纹信号,||·||2表示2范数,N为离散聚焦点数目,arg min为当函数取最小值时返回函数的自变量;
步骤二,根据公式二求解第一声纹信号pk+1,其中公式二为:
其中,pk+1为第k+1次迭代计算时的第一声纹信号,p为与q等价的分裂变量p,λ为稀疏促进正则化参数,λ≥0,||·||1表示1范数,求解的pk+1为,pk+1=sign(qk+1-sk)·max(|qk+1-sk|-λ/u,0),其中sign(·)为符号函数;
步骤三,根据公式三更新辅助向量,其中公式三为:
sk+1=sk-(qk+1-pk+1)
式中,sk+1为第k+1次迭代计算时的辅助向量;
步骤四,将pk+1、sk+1代入步骤一求得qk+2进入下一次迭代。
5.一种麦克风阵列信号的成像装置,其特征在于,包括:
第一建立单元,用于根据麦克风阵列信号建立第一声纹信号,其中,所述第一声纹信号的信号强度与所述麦克风阵列信号的信号强度相同;
第二建立单元,用于根据所述第一声纹信号和所述麦克风阵列信号,建立双变量目标函数模型;
求解单元,用于在第一声纹信号保持不变时,利用对所述双变量目标函数模型进行预置次数的迭代计算得到所述麦克风阵列信号的强度分布信息;
成像单元,用于根据所述强度分布信息对所述麦克风阵列信号进行成像,得到所述麦克风阵列信号的成像结果;
一次所述迭代计算具体为:
步骤一,根据公式一求解麦克风阵列信号qk+1,其中公式一为:
其中,qk+1为第k+1次迭代计算时的麦克风阵列信号,A为组成N×N维点传播函数矩阵,b为基于麦克风阵列的N×1维波束形成输出,q为N×1维麦克风阵列信号的强度列向量,u为惩罚参数,u>0,sk为第k次迭代计算时的辅助向量,pk为第k次迭代计算时的第一声纹信号,||·||2表示2范数,N为离散聚焦点数目,argmin为当函数取最小值时返回函数的自变量;
步骤二,根据公式二求解第一声纹信号pk+1,其中公式二为:
其中,pk+1为第k+1次迭代计算时的第一声纹信号,p为与q等价的分裂变量p,λ为稀疏促进正则化参数,λ≥0,||·||1表示1范数,求解的pk+1为,pk+1=sign(qk+1-sk)·max(|qk+1-sk|-λ/u,0),其中sign(·)为符号函数;
步骤三,根据公式三更新辅助向量,其中公式三为:
sk+1=sk-(qk+1-pk+1)
式中,sk+1为第k+1次迭代计算时的辅助向量;
步骤四,将pk+1、sk+1代入步骤一求得qk+2进入下一次迭代。
6.一种声纹信号成像设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1至2中任一项所述的声纹信号成像方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1至2中任一项所述的声纹信号成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778723.7A CN110332987B (zh) | 2019-08-22 | 2019-08-22 | 一种声纹信号成像方法及麦克风阵列信号的成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778723.7A CN110332987B (zh) | 2019-08-22 | 2019-08-22 | 一种声纹信号成像方法及麦克风阵列信号的成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110332987A CN110332987A (zh) | 2019-10-15 |
CN110332987B true CN110332987B (zh) | 2020-09-01 |
Family
ID=68150141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910778723.7A Active CN110332987B (zh) | 2019-08-22 | 2019-08-22 | 一种声纹信号成像方法及麦克风阵列信号的成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110332987B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449263A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 基于稀疏性促进正则化的多径误差校正方法、系统及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3711823A (en) * | 1970-07-27 | 1973-01-16 | American Express Invest | Acoustic to optical image converter using an acoustic grating |
JP4367484B2 (ja) * | 2006-12-25 | 2009-11-18 | ソニー株式会社 | 音声信号処理装置、音声信号処理方法及び撮像装置 |
CN105266849B (zh) * | 2014-07-09 | 2017-10-17 | 无锡祥生医学影像有限责任公司 | 实时超声弹性成像方法和系统 |
CN107146263B (zh) * | 2017-04-27 | 2019-11-01 | 浙江大学 | 一种基于张量字典约束的动态pet图像重建方法 |
CN107945129B (zh) * | 2017-11-28 | 2020-07-31 | 电子科技大学 | 一种mri图像重构方法 |
-
2019
- 2019-08-22 CN CN201910778723.7A patent/CN110332987B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110332987A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10229092B2 (en) | Systems and methods for robust low-rank matrix approximation | |
US10607358B2 (en) | Ear shape analysis method, ear shape analysis device, and ear shape model generation method | |
CN107817465A (zh) | 超高斯噪声背景下的基于无网格压缩感知的doa估计方法 | |
CN108832934B (zh) | 一种基于奇异值分解的二维正交匹配追踪优化算法 | |
Jorgensen et al. | Model selection for Gaussian kernel PCA denoising | |
CN107390216B (zh) | 基于波数域相干因子的高速超分辨率驻点扫描成像方法 | |
JP2014154141A (ja) | ノイズを含む画素からなる入力画像のノイズを除去する方法 | |
CN111049556A (zh) | 一种基于干扰协方差矩阵重构的互素阵稳健自适应波束形成方法 | |
CN109343003B (zh) | 一种快速迭代收缩波束形成声源识别方法 | |
CN110018438B (zh) | 一种波达方向估计方法和装置 | |
CN109444844B (zh) | 一种提取目标散射中心特征的方法和装置 | |
Smith | Cluster ensemble Kalman filter | |
CN110332987B (zh) | 一种声纹信号成像方法及麦克风阵列信号的成像方法 | |
CN115950837A (zh) | 基于即插即用先验的快照式光谱成像方法、系统及介质 | |
CN108919192B (zh) | 一种基于贝叶斯压缩感知的雷达信号测量方法 | |
CN106056158B (zh) | 基于掩膜矩阵和快速傅立叶变换的模板图像全局搜索方法 | |
CN115032591A (zh) | 一种宽带多声源定位非同步测量方法、装置及相关介质 | |
Koyakumaru et al. | Learning sparse graph with minimax concave penalty under Gaussian Markov random fields | |
CN110146841B (zh) | 一种提高阵列波达方向估计性能的优化方法 | |
CN111105363A (zh) | 一种含噪高光谱图像快速解混方法 | |
CN113793280B (zh) | 局部噪声方差估计与bm3d块匹配相结合的真实图像降噪方法 | |
CN113721191B (zh) | 自适应栅格化提升矩阵补全性能的信号源定位方法和系统 | |
CN114047481A (zh) | 一种基于子空间正交性的稳健自适应波束形成方法 | |
CN114400018A (zh) | 语音降噪方法、装置、电子设备及计算机可读存储介质 | |
Gao et al. | Regularized state estimation and parameter learning via augmented Lagrangian Kalman smoother method |
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 |