CN111830465A - 二维牛顿正交匹配追踪压缩波束形成方法 - Google Patents
二维牛顿正交匹配追踪压缩波束形成方法 Download PDFInfo
- Publication number
- CN111830465A CN111830465A CN202010731042.8A CN202010731042A CN111830465A CN 111830465 A CN111830465 A CN 111830465A CN 202010731042 A CN202010731042 A CN 202010731042A CN 111830465 A CN111830465 A CN 111830465A
- Authority
- CN
- China
- Prior art keywords
- sound source
- sound
- newton
- estimation
- optimization
- 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.)
- Granted
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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种二维牛顿正交匹配追踪压缩波束形成方法,包括以下步骤:步骤1、构建数学模型和声源估计表达式,步骤2、基于离散化网格模型从离散网格节点中粗略估计声源位置坐标,步骤3、牛顿法对粗略估计单个声源位置坐标进行优化,步骤4、在完成步骤3的单一优化基础上,进一步对已识别出的s个声源位置坐标及声源强度估计进行循环优化。本发明的优点是:利用二维牛顿优化克服基不匹配问题,获得了更高的定位和量化性能;本方法发明引入的全局循环优化反馈过程,使已识别的相距较近的声源获得更新而有机会得以准确分离,从而提升空间分辨能力。
Description
技术领域
本发明属于声场识别技术领域。
背景技术
现有二维离散压缩波束形成声源识别技术是假设声源位于一组离散的聚焦网格点,利用压缩感知理论求解麦克风测量声压与聚焦点声源强度分布构成的欠定方程组获得各聚焦点的声源强度分布并进行声源成像,进而识别声源。当实际声源与离散的聚焦点不一致、即发生基不匹配时,声源定位精度下降。
发明内容
针对现有技术存在的问题,本发明所要解决的技术问题就是提供一种二维牛顿正交匹配追踪压缩波束形成方法,它提高空间分辨能力,实现声源的准确定位。
本发明所要解决的技术问题是通过这样的技术方案实现的,它包括以下步骤:
步骤1、构建数学模型和声源估计表达式
式中,p=[p1,p2,...,pM]T∈CM×1为所有麦克风测量信号向量,
上标“H”表示转置共轭;C表示复数集,上标“M×1、M×S”表示矩阵维度;M为麦克风总数,S为平面内的声源总数;
步骤2、基于离散化网格模型从离散网格节点中粗略估计声源位置坐标
单个声源位置坐标估计:
pr为麦克风声压信号的残差向量;|·|表示取模,||·||2表示向量的二范数;
步骤3、牛顿法对粗略估计单个声源位置坐标进行优化
二维牛顿优化过程为:
步骤4、全局循环牛顿优化提高定位精度
第(l+1)迭代步对第k个声源优化包括:
更新pr:
由于本方法发明将二维连续平面内的声源识别问题构造为以声源位置坐标和声源强度为参数的极大似然估计问题,首先基于离散化网格模型求解获得声源临近的聚焦点坐标,再通过二维牛顿法结合反馈机制在局部的连续平面范围内进一步优化坐标估计,使其收敛至真实位置,进而实现声源的准确定位。
与现有的正交匹配追踪算法求解的离散压缩波束形成方法相比,本发明的优点是:
本方法发明继承了高计算效率的同时,利用二维牛顿优化克服基不匹配问题,获得了更高的定位和量化性能;本方法发明引入的全局循环优化反馈过程,使已识别的相距较近的声源获得更新而有机会得以准确分离,从而提升空间分辨能力。另外,本发明不受限于平面阵列传声器分布,适用于传声器任意布置的平面阵列,且无需任何先验参数,具有很好的应用前景。
附图说明
本发明的附图说明如下:
图1为随机麦克风阵列的测量模型;
图2为在4000Hz下6个声源的仿真模拟图;
(a)为现有正交匹配追踪算法当声源位于网格点并处于瑞利分辨率范围内;
(b)为本发明当声源位于网格点并处于瑞利分辨率范围内;
(c)为现有正交匹配追踪算法当声源位于格点以外和/或不在瑞利分辨率范围内;
(d)为本发明当声源位于格点以外和/或不在瑞利分辨率范围内;
图3为实验布置图;
图4为实验结果图,(a)现有正交匹配追踪算法,(b)本发明。
具体实施方式
麦克风声压测量及现有离散压缩波束形成模型为:(即本方法发明背景知识):
图1为随机麦克风阵列的测量模型,其中“·”代表麦克风,“*”代表点声源。设笛卡尔坐标系原点O位于麦克风阵列中心且XOY平面与麦克风阵列平面重合,声源平面平行于麦克风阵列平面且相距h。麦克风阵列包括M个麦克风,则第m个麦克风的坐标且令是第m个麦克风的X、Y坐标组成的向量。
依据文献P.Simard and J.Antoni,"Acoustic source identification:Experimenting theminimization approach,"Applied Acoustics,74(7),974-986(2013).(P.Simard and J.Antoni,“声源识别:范数最小化方法,”Applied Acoustics,74(7),974-986(2013))记载,第m个麦克风位置的声压信号在频域中可表示为:
由于麦克风实际测量的信号除声压信号外还包含噪声干扰,则所有麦克风测量信号构成的向量p=[p1,p2,...,pM]T∈CM×1亦可写为如下矩阵形式:
n∈CM×1为麦克风测量噪声向量。在本发明的仿真中通过添加30dB信噪比的高斯白噪声来生成噪声干扰n,信噪比定义为SNR=20log10(p★||2/||n||2)。
以上为正向测量方法步骤,是声源识别方法已有的理论基础。
离散压缩波束形成将目标声源区域离散成N个网格点,第n个网格点的坐标为令且假设每个网格点对应于一个潜在声源,表示第n个网格节点的X、Y坐标组成的向量;ΩG表示这些向量组成的集合,则有麦克风测量信号向量p:
以上是离散压缩波束形成模型,也是现有的理论。
下面结合附图和实施例对本发明作进一步说明:
本发明按以下步骤:
步骤1、建立数学模型和声源估计表达式
基于公式(4)最小化剩余能量:
定义似然函数为
即是:
在整个声源平面内同步寻找所有声源位置坐标的极大似然估计值难以实现,因此求解此问题时,本方法发明对每个声源逐个处理,采用以下步骤:
步骤2、基于离散化网格模型从离散网格节点中粗略估计声源位置坐标
对第s个声源进行估计时,定义此时的麦克风声压信号的残差向量pr:
式(13)和式(14)中,|·|表示取模。
步骤3、牛顿法对粗略估计单个声源位置坐标进行优化
二维牛顿优化过程表示为:
式(18)中
式(21)中
式(19)、(20)及式(22)、(23)、(24)、(25)推导过程为:
步骤4、全局循环牛顿优化提高定位精度
在完成步骤3的单个优化基础上,进一步对已识别出的s个声源位置坐标及声源强度估计进行循环优化。首先利用步骤3优化获得的声源位置坐标及声源强度估计结果,初始化 k为已识别声源序号(k在步骤2和3逐步得到)。
全局循环牛顿优化本质是通过迭代使似然函数收敛至当前情况下局部范围内极大值,使已识别的声源进一步向其真实位置收敛。本方法发明利用两次全局循环之间残差能量的变化量作为迭代终止条件,当残差能量减小量l迭代步终止。
最后,进一步利用公式(11)更新所有已识别声源强度,并作为识别下一个声源时的初始值或当所有声源识别完成后的输出值。
本步骤的算法流程如下:
声学仿真试验
为验证所提出方法的有效性,采用了仿真试验,本方法发明的声源识别,与正交匹配追踪算法的相对比。
测量阵列为the Bruel&Denmark)直径0.65m、平均麦克风间距0.1m的36通道扇形轮阵列,几何布置如图1。阵列与声源平面平行且相距1m,将声源平面划分为间距为0.05m的网格,网格点数目为21×21=441。假设6个声源,分别标记为源1、源2、源3、源4、源5、源6,对应的坐标分别为(-0.30,0.30),(-0.10,0.20),(0.15,0.10),(0.35,0.10),(0.00,-0.25)和(0.20,-0.25)他们均位于网格点上,源强分别为98dB、97dB、100dB、99dB、95dB、94dB,声源频率设为4000Hz。
分别利用本方法发明和正交匹配追踪算法对其进行识别,结果见图2(a)和图2(b):图中,“○”和“*”分别代表声源真实位置和估计位置,二者均能准确定位声源位置坐标并量化源强。
再改变声源位置坐标:使之分别落在(-0.32,0.32),(-0.10,0.18),(0.15,0.08),(0.25,0.08),(0.00,-0.25)和(0.10,-0.25)位置,因此源3和源4之间及源5和源6之间都具有了更近的间距,且除源5源6外其他源均不在网格点上,结果见图2(c)和图2(d):
图2(c)中,传统正交匹配追踪算法未能准确定位六个声源,更不必说准确量化声源。对于不在网格点上的源1源2,正交匹配追踪算法只能识别出靠近声源位置坐标的网格点作为真实声源的代替;对于间距小于瑞利分辨率的两个源,如不在网格点上的源3和源4、在网格点上的源5和源6,无论源是否落在网格点上,正交匹配追踪算法都不能准确地将它们分离。
图2(d)中,本方法发明不仅很好的识别了不在网格点上的声源,而且准确分离出了相距很近的声源,六个声源均得到了准确定位,源强量化亦准确。由此可见,所提出方法能够有效的克服基不匹配问题,且相比于正交匹配追踪算法具有更高的空间分辨率。
就仿真试验而言,正交匹配追踪算法获得图2(c)的结果在1.90GHz Intel(R)Core(TM)i7–8550U CPU花费约0.05s,而本方法发明获得图2(d)的结果花费约0.83s,本方法发明继承了传统正交匹配追踪算法计算效率高的优点。
对比试验验证
半消声室内的声源定位试验布局如图3所示,为直观体现声源定位精度,采用小尺寸(外径12mm,发声孔径2.6mm)的蜂鸣器作为待识别声源,蜂鸣器声源频率约为2788Hz;传声器阵列为the Bruel&(Denmark)36通道扇形轮阵列,阵列平面与声源平面相距1m。利用Brüel&PULSE数据采集及分析系统同步采集所有传声器的声压信号并进行FFT分析得到其频谱,采样频率16384Hz,频率分辨率4Hz。采用正交匹配追踪算法和本方法发明对蜂鸣器进行定位识别,将识别结果相比较:
正交匹配追踪算法定位识别结果见图4(a),正交匹配追踪算法只能粗略定位蜂鸣器的位置,存在明显的定位偏差。本方法发明定位识别结果见图4(b),本方法发明能够准确定位蜂鸣器的位置。现场试验与仿真结果一致,证明了本方法发明比现有技术的声源定位准确高。
Claims (2)
1.二维牛顿正交匹配追踪压缩波束形成方法,其特征是,包括以下步骤:
步骤1、构建数学模型和声源估计表达式
上标“H”表示转置共轭;C表示复数集,上标“M×1、M×S”表示矩阵维度;M为麦克风总数,S为平面内的声源总数;
步骤2、基于离散化网格模型从离散网格节点中粗略估计声源位置坐标
单个声源位置坐标估计:
pr为麦克风声压信号的残差向量;|·|表示取模,||·||2表示向量的二范数;
步骤3、牛顿法对粗略估计单个声源位置坐标进行优化
二维牛顿优化过程为:
步骤4、全局循环牛顿优化提高定位精度
第(l+1)迭代步对第k个声源优化包括:
更新pr:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731042.8A CN111830465B (zh) | 2020-07-27 | 2020-07-27 | 二维牛顿正交匹配追踪压缩波束形成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731042.8A CN111830465B (zh) | 2020-07-27 | 2020-07-27 | 二维牛顿正交匹配追踪压缩波束形成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111830465A true CN111830465A (zh) | 2020-10-27 |
CN111830465B CN111830465B (zh) | 2023-07-07 |
Family
ID=72925653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010731042.8A Active CN111830465B (zh) | 2020-07-27 | 2020-07-27 | 二维牛顿正交匹配追踪压缩波束形成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111830465B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687306A (zh) * | 2021-05-26 | 2021-11-23 | 重庆大学 | 多频率同步二维离网压缩波束形成声源识别方法 |
CN116008911A (zh) * | 2022-12-02 | 2023-04-25 | 南昌工程学院 | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150074238A1 (en) * | 2013-09-12 | 2015-03-12 | Qualcomm Incorporated | Method for compressed sensing of streaming data and apparatus for performing the same |
CN104749572A (zh) * | 2015-04-01 | 2015-07-01 | 西北工业大学 | 一种鲁棒的压缩感知窄带自旋目标成像方法 |
EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
WO2019174743A1 (en) * | 2018-03-16 | 2019-09-19 | Huawei Technologies Co., Ltd. | Receiver and transmitter for multipath angle estimation |
CN110429964A (zh) * | 2019-06-14 | 2019-11-08 | 清华大学 | 一种基于二维相控天线阵列的快速精确波束跟踪方法 |
-
2020
- 2020-07-27 CN CN202010731042.8A patent/CN111830465B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150074238A1 (en) * | 2013-09-12 | 2015-03-12 | Qualcomm Incorporated | Method for compressed sensing of streaming data and apparatus for performing the same |
CN104749572A (zh) * | 2015-04-01 | 2015-07-01 | 西北工业大学 | 一种鲁棒的压缩感知窄带自旋目标成像方法 |
EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
WO2019174743A1 (en) * | 2018-03-16 | 2019-09-19 | Huawei Technologies Co., Ltd. | Receiver and transmitter for multipath angle estimation |
CN110429964A (zh) * | 2019-06-14 | 2019-11-08 | 清华大学 | 一种基于二维相控天线阵列的快速精确波束跟踪方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687306A (zh) * | 2021-05-26 | 2021-11-23 | 重庆大学 | 多频率同步二维离网压缩波束形成声源识别方法 |
CN113687306B (zh) * | 2021-05-26 | 2023-07-21 | 重庆大学 | 多频率同步二维离网压缩波束形成声源识别方法 |
CN116008911A (zh) * | 2022-12-02 | 2023-04-25 | 南昌工程学院 | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 |
CN116008911B (zh) * | 2022-12-02 | 2023-08-22 | 南昌工程学院 | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111830465B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104020439B (zh) | 基于空间平滑协方差矩阵稀疏表示的波达方向角估计方法 | |
CN106093921B (zh) | 基于稀疏分解理论的声矢量阵宽带测向方法 | |
CN110208735B (zh) | 一种基于稀疏贝叶斯学习的相干信号doa估计方法 | |
CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
CN103308889B (zh) | 复杂环境下被动声源二维doa估计方法 | |
CN106443587B (zh) | 一种高分辨率的快速反卷积声源成像算法 | |
CN104020469B (zh) | 一种mimo雷达距离-角度二维超分辨率成像算法 | |
CN106019215B (zh) | 基于四阶累量的嵌套阵列波达方向角估计方法 | |
CN107340512B (zh) | 一种基于子阵划分的近远场混合源被动定位方法 | |
CN110082708A (zh) | 非均匀阵列设计和波达方向估计方法 | |
CN108802674A (zh) | 一种针对直接定位的联合搜索方法及装置 | |
CN109490819A (zh) | 一种基于稀疏贝叶斯学习的离格波达方向估计方法 | |
CN109343003B (zh) | 一种快速迭代收缩波束形成声源识别方法 | |
CN109298383A (zh) | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 | |
CN109212466B (zh) | 一种基于量子蜻蜓演化机制的宽带测向方法 | |
CN111830465A (zh) | 二维牛顿正交匹配追踪压缩波束形成方法 | |
CN112147571B (zh) | 基于正则正交匹配追踪和蝙蝠算法的声源方位角估计方法 | |
CN113567913B (zh) | 基于迭代重加权可降维的二维平面doa估计方法 | |
CN115119142A (zh) | 一种基于传感器网络的分布式直接定位方法 | |
CN111812581A (zh) | 基于原子范数的球面阵列声源波达方向估计方法 | |
WO2020199351A1 (zh) | 一种声源定位方法、装置及存储介质 | |
CN111273269A (zh) | 基于ipso-bp的频率分集阵列的雷达目标定位方法 | |
CN113593596B (zh) | 一种基于子阵划分的鲁棒自适应波束形成定向拾音方法 | |
CN107592654A (zh) | 一种基于压缩感知的同频多辐射源场强定位方法 | |
CN110736976A (zh) | 一种任意阵形的声纳波束形成器性能估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |