CN112147571B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112147571B CN112147571B CN202010894915.7A CN202010894915A CN112147571B CN 112147571 B CN112147571 B CN 112147571B CN 202010894915 A CN202010894915 A CN 202010894915A CN 112147571 B CN112147571 B CN 112147571B
- Authority
- CN
- China
- Prior art keywords
- sound source
- sound
- signal
- azimuth angle
- matrix
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000005236 sound signal Effects 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 19
- 241000288673 Chiroptera Species 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 6
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000004613 tight binding model Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
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
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/80—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using ultrasonic, sonic or infrasonic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明属于声源定位领域,具体涉及一种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。包括如下步骤:步骤(1):用软件模拟阵列采集的声音信号;步骤(2):声音信号预处理;步骤(3):建立基于压缩感知理论的声源方位角估计稀疏表达模型;步骤(4):应用正则正交匹配追踪算法与蝙蝠算求解稀疏表达模型,获得具有最大声源强度的网格节点的位置,该位置即代表目标声源相对于传声器阵列的方位角。本发明结合了正则正交匹配追踪和蝙蝠算法,提高了正则正交匹配追踪算法的原子寻优过程的求解效率,与传统方位角估计算法相比可以用更少的声音信号数据得到更优的精度,与现有的基于压缩感知原理的方位角估计算法相比提升了求解效率。
Description
技术领域
本发明属于声源定位领域,具体涉及一种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。
背景技术
通常声音信号属于宽带信号,目前有四种方法解决宽带信号的声源方位角估计问题:基于子空间、基于最大似然、基于时延估计这三种传统理论的方法和基于信号稀疏分解理论的算法。
基于子空间的算法运算量较小,但是当信噪比较低时宽带信号的时频聚集性不好,特别是对于多个声源,传统时频分析方法的交叉项对算法结果有较大的影响。
基于最大似然的算法有较高的分辨性能,但是算法复杂度高、运算量大,而且不易于实现。
基于时延估计的算法原理简单,易于实现,但是这种算法的精度依赖于时延差的测量精度,而且这种算法只适用于近场的声源,声源的距离越远,算法的误差越大。
信号的稀疏分解重构理论,即压缩感知理论,在诸多研究领域都有应用,基于该理论的声源方向角估计技术不受奈奎斯特采样定理的限制,它与传统技术相比所需的声音信号数据比较少,因此数据处理效率有了很大的提高,而且它的估计结果准确度也高于传统方法。
目前的基于压缩感知理论的方位角估计算法求解方式中,有一种正交匹配追踪算法,该算法的方位角分辨性能还有待提升,而且该算法的计算量较大,不能实时给出;还有一种正则正交匹配追踪算法,与正交匹配追踪算法相比,它的估计结果更接近于全局最优解,所以准确度更高,但是它要花费更长的迭代计算时间。
发明内容
本发明的目的在于提供一种基于正则正交匹配追踪与蝙蝠算法的声源方位角估计方法,解决了在声源方位角估计过程中声音信号可用数据过少、求解精度与求解效率不能兼得的问题。
实现本发明目的的技术解决方案为:一种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,包括如下步骤:
步骤(1):用软件模拟阵列采集的声音信号;
步骤(2):声音信号预处理;
步骤(3):建立基于压缩感知理论的声源方位角估计稀疏表达模型;
步骤(4):应用正则正交匹配追踪算法与蝙蝠算求解稀疏表达模型,获得具有最大声源强度的网格节点的位置,该位置即代表目标声源相对于传声器阵列的方位角。
进一步的,所述步骤(1)“用软件模拟阵列采集的声音信号”具体为:
在MATLAB模型中添加圆形传声器阵列的阵列流型矩阵,用函数生成多声源声音信号,该信号与阵列流型矩阵结合可模拟阵列采集到的声音信号,获得阵列采集到的声音信号在时域的时域测量数据。
进一步的,所述步骤(2)“声音信号预处理”具体为:
对步骤(1)采集的时域测量数据进行离散傅里叶变换处理,获得声音信号在频域的测量数据;选择所需的频段和频率点个数,获取所述频段内各个频率点的测量数据。
进一步的,所述步骤(3)“建立基于压缩感知理论的声源方位角估计稀疏表达模型”包括对二维声源平面的网格划分和测量矩阵的建立,具体步骤如下:
步骤(3-1):假设声源点与传声器阵列处在同一平面,对圆形传声器阵列所对应的圆进行等角度的网格划分,以每个网格节点为可能的声源方位角,共划分了3600×1=3600个网格,每两个相邻的网格节点所代表的方位角相差0.1°;
步骤(3-2):假设未知的声源信号z,z为一3600×1的列向量,z的元素的值代表了声源在对应的网格节点处的强度;
步骤(3-3):基于自由场格林函数的Helmoltz方程,建立对应频率点fj的测量矩阵C(fj);
步骤(3-4):建立频段内各频率点下的声源方位角稀疏表达模型:
y(fj)=C(fj)z(fj)+e(fj),j=1,2,…,W
其中y(fj)为传声器阵列的测量值,z(fj)为频率点fj下的声源原始信号,e(fj)为噪声信号,W为频率点个数;
步骤(3-5):对声源方位角稀疏表达模型中的y(fj)进行SVD分解:
y(fj)SV=y(fj)VDK,z(fj)SV=z(fj)VDK,e(fj)SV=e(fj)VDK
其中DK=[IK 0]T,V为对测量值y(fj)奇异值分解后的酉矩阵,IK为K×K阶单位矩阵,K为声源信号的稀疏度,假设K=3;
步骤(3-6):将稀疏表达模型再次变形为其中/>和/>由ySV,zSV,eSV的每一列首尾相连得到;由N个矩阵C组成对角线得到新矩阵/>N与稀疏度K相关,当K为3时N为9。
进一步的,所述步骤(4)“应用正则正交匹配追踪算法与蝙蝠算求解稀疏表达模型,获得具有最大声源强度的网格节点的位置,该位置即代表目标声源相对于传声器阵列的方位角”具体包括如下步骤:
步骤(4-1):给迭代索引集合Λt、索引对应列向量组成的矩阵At以及重构声音信号的残差rt赋初始值;
步骤(4-2):用蝙蝠算法求解传感矩阵A的列向量与残差初始值的内积u的H个较大值或所有非零值,H为K的正整数倍,倍数自拟,这些值对应的列序号j组成集合J;K为信号的稀疏度,在数值上等于声源的个数;
步骤(4-3):从集合J中得到子集合J0,集合J0均满足:|u(i)|≤2|u(j)|,i,j∈J0选择所有子集J0中具有最大能量的K个J0;
步骤(4-4):求Λt和At,Λt=Λt-1∪J0,At=At-1∪aj,aj为J0内的所有列向量;
步骤(4-5):求y=Atθt的最小二乘解:y为观测向量;/>为信号稀疏表示系数的估计值;
步骤(4-6):求残差rt的更新值,
步骤(4-7):如果迭代次数t小于信号稀疏度K,则返回步骤(4-2);如果t大于K或||Λt||0≥2K或残差rt=0则停止迭代进入下一步;
步骤(4-8):重构所得的值为最后一次迭代所得/>用稀疏矩阵Ψ可得重构信号 中K个较大的值对应的方位角即为假设的K个声源的方位角估计值。
进一步的,所述步骤(4-2)“用蝙蝠算法求解传感矩阵A的列向量与残差初始值的内积u的K个较大值或所有非零值”具体包括如下步骤:
步骤(4-2-1):设定初始参数,设定脉冲频率范围[fmin,fmax],设定最大迭代次数M,设定初始响度Ck t,设定终止阙值εt,在360°的空域内随机产生N个蝙蝠的初始位置xk(k=1,2,…N),N的值根据传感矩阵A的列向量个数与最大迭代次数M自拟,xk与传感矩阵A中的列向量所对应的角度θk一一对应;
步骤(4-2-2):根据蝙蝠个体的脉冲频率f和响度Ck t找出当前最佳的H个蝙蝠的位置,记为xk *,(k=1,2,...K),H为K的正整数倍,倍数自拟,K为信号的稀疏度;
步骤(4-2-3):种群迭代,蝙蝠个体的位置、频率和速度按照下式进行迭代更新,
式中rand为一随机数,x*为当前最佳的H个位置中的最优蝙蝠位置;
步骤(4-2-4):求局部新解,如果rand<rk,则从最佳解的集合中选一个,其中rk为发射脉冲的频度,为预设值,在该最佳解附近生成一个局部解如下式
xnew=xold+ε×Ct
其中的ε是[-1,1]中的任意值,Ct是所有蝙蝠在此次迭代中的平均响度;
步骤(4-2-5):再次生成rand,评价得到的局部新解,如果rand<Ck,则这个解符合要求,增大rk,减小Ck,开始下一次迭代,响度Ck和脉冲数率rk的更新如下式
其中,α,γ是预设常数,0<α<1,γ>0;
步骤(4-2-6):排列并找到蝙蝠的H个最佳位置,对应可能的方位角估计值;
步骤(4-2-7):若达到最大迭代次数M,保存此时的xk *,(k=1,2,...H);
步骤(4-2-8):输出此时的xk *。
本发明与现有技术相比,其显著优点在于:
本发明结合了正则正交匹配追踪算法和蝙蝠算法,提高了正则正交匹配追踪算法的原子寻优过程的求解效率,该算法与传统算法相比可以用更少的声音信号数据得到更高的求解精度,与正交匹配追踪算法还有正则正交匹配追踪算法相比提升了求解效率。
附图说明
图1为本发明的基于蝙蝠算法的正则正交匹配追踪算法流程图。
图2为本发明的蝙蝠算法流程图。
图3为本发明的圆形传声器阵列示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。声源定位过程具体如下:
步骤1:在MATLAB模型中添加圆形传声器阵列的阵列流型矩阵,用函数生成多声源声音信号,该信号与阵列流型矩阵结合可模拟阵列采集到的声音信号,采样率设置为44.1kHz/16bt,采样时长设置为5s,获得阵列采集到的声音信号在时域的测量数据。
步骤2:对步骤1采集的时域测量数据进行离散傅里叶变换处理,获得声音信号在频域的测量数据。
步骤3:选择所需的频段和频率点个数,本示例中设置频段为300-1000Hz,获取这段频段内各个频率点的测量数据。
步骤4:建立基于压缩感知理论的声源方位角估计稀疏表达模型,包括对二维声源平面的网格划分和测量矩阵的建立,具体包括以下步骤:
步骤4.1;假设声源点与传声器阵列处在同一平面,对圆形传声器阵列所对应的圆进行等角度的网格划分,以每个网格节点为可能的声源方位角,共划分了3600×1=3600个网格,每两个相邻的网格节点所代表的方位角相差0.1°。
步骤4.2:假设未知的声源信号z,z为一3600×1的列向量,z的元素的值代表了声源在对应的网格节点处的强度。
步骤4.3:基于自由场格林函数的Helmoltz方程,建立对应频率点fj的测量矩阵C(fj)。
步骤4.4:建立频段内各频率点下的声源方位角稀疏表达模型:
y(fj)=C(fj)z(fj)+e(fj),j=1,2,…,W
其中y(fj)为传声器阵列的测量值,z(fj)为频率点fj下的声源原始信号,e(fj)为噪声信号,W为频率点个数。
步骤4.5:对声源方位角稀疏表达模型中的y(fj)进行SVD分解:
y(fj)SV=y(fj)VDK,z(fj)SV=z(fj)VDK,e(fj)SV=e(fj)VDK
其中DK=[IK0]T,V为对测量值y(fj)奇异值分解后的酉矩阵,IK为K×K阶单位矩阵,K为声源信号的稀疏度,本实例中设K=3。
步骤4.6:将稀疏表达模型再次变形为其中/>和/>由ySV,zSV,eSV的每一列首尾相连得到;由N个矩阵C组成对角线得到新矩阵/>N与稀疏度K相关,本实例中值为9.
步骤5:应用基于蝙蝠算法改进的正则正交匹配追踪算法对变形后的稀疏表达模型进行求解,获得不同频率点下每个网格节点处的声源强度,具体过程为:
(1)对重构声音信号的残差rt、迭代索引集合Λt、索引对应列向量组成的矩阵At分别进行初始化;
(2)用蝙蝠算法求解传感矩阵A的列向量与残差初始值的所有内积u中的H个较大值或所有非零值,H为K的正整数倍,倍数自拟,K为信号的稀疏度,其步骤如下:
(a)设定初始参数,设定脉冲频率范围[fmin,fmax],设定最大迭代次数M,设定初始响度Ck t,设定终止阙值εt,在360°的空域内随机产生N个蝙蝠的初始位置xk(k=1,2,…N),N的值根据传感矩阵A的列向量个数与最大迭代次数M自拟,xk与传感矩阵A中的列向量所对应的角度θk一一对应;
(b)根据蝙蝠个体的脉冲频度和响度找出当前最佳的H个蝙蝠的位置,记为xk *,(k=1,2...H);
(c)种群迭代,蝙蝠个体的位置、频率和速度按照下式
进行迭代更新,rand为一随机数,x*为当前最佳的H个位置中的最优蝙蝠位置;
(d)求局部新解,如果rand<rk(rk为发射脉冲的频度,为预设值),则从最佳解的集合中选一个,在最佳解附近生成一个局部解如下式
xnew=xold+ε×Ct
其中的ε是[-1,1]中的任意值,Ct是所有蝙蝠在此次迭代中的平均响度;
(e)再次生成rand,评价得到的解,如果rand<Ck,则这个解符合要求,增大rk,减小Ck,开始下一次迭代,响度Ck和脉冲数率rk的更新如下式
其中,α,γ是预设常数,0<α<1,γ>0;
(f)排列并找到蝙蝠的H个最佳位置,对应可能的方位角估计值;
(g)若达到最大迭代次数M,保存此时的xk *,(k=1,2...H);
(h)输出此时的xk *,对应方位角估计的所有可能解。将这些值对应的列序号j构成集合J;
(3)从集合J中得到集合J0,满足:|u(i)|≤2|u(j)|,for all i,j∈J0,选择所有满足要求的子集中具有最大能量的K个J0;
(4)令Λt=Λt-1∪J0,At=At-1∪aj,aj为J0内的所有列向量;
(5)求y=Atθt的最小二乘解:y为观测向量,为信号稀疏表示系数估计;
(6)更新残差
(7)如果迭代次数t小于信号稀疏度K,则返回步骤二,如果t大于K或||Λt||0≥2K,或残差rt=0则停止迭代进入步骤八;
(8)重构所得的值为最后一次迭代所得/>利用稀疏矩阵Ψ可得重构信号本实例中设置的声源个数为3,则重构信号/>的元素中最大的3个数值对应该系统输出的声源方位角的估计值。
Claims (5)
1.一种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,其特征在于,包括如下步骤:
步骤(1):用软件模拟阵列采集的声音信号;
步骤(2):声音信号预处理;
步骤(3):建立基于压缩感知理论的声源方位角估计稀疏表达模型;
步骤(4):应用正则正交匹配追踪算法与蝙蝠算求解稀疏表达模型,获得具有最大声源强度的网格节点的位置,该位置即代表目标声源相对于传声器阵列的方位角:
步骤(4-1):给迭代索引集合Λt、索引对应列向量组成的矩阵At以及重构声音信号的残差rt赋初始值;
步骤(4-2):用蝙蝠算法求解传感矩阵A的列向量与残差初始值的内积u的H个较大值或所有非零值,H为K的正整数倍,倍数自拟,这些值对应的列序号j组成集合J;K为信号的稀疏度,在数值上等于声源的个数;
步骤(4-3):从集合J中得到子集合J0,集合J0均满足:|u(i)|≤2|u(j)|,i,j∈J0选择所有子集J0中具有最大能量的K个J0;
步骤(4-4):求Λt和At,Λt=Λt-1∪J0,At=At-1∪aj,aj为J0内的所有列向量;
步骤(4-5):求y=Atθt的最小二乘解:y为观测向量;/>为信号稀疏表示系数的估计值;
步骤(4-6):求残差rt的更新值,
步骤(4-7):如果迭代次数t小于信号稀疏度K,则返回步骤(4-2);如果t大于K或||Λt||0≥2K或残差rt=0则停止迭代进入下一步;
步骤(4-8):重构所得的值为最后一次迭代所得/>用稀疏矩阵Ψ可得重构信号/> 中K个较大的值对应的方位角即为假设的K个声源的方位角估计值。
2.根据权利要求1所述的方法,其特征在于,所述步骤(1)“用软件模拟阵列采集的声音信号”具体为:
在MATLAB模型中添加圆形传声器阵列的阵列流型矩阵,用函数生成多声源声音信号,该信号与阵列流型矩阵结合可模拟阵列采集到的声音信号,获得阵列采集到的声音信号在时域的时域测量数据。
3.根据权利要求2所述的方法,其特征在于,所述步骤(2)“声音信号预处理”具体为:
对步骤(1)采集的时域测量数据进行离散傅里叶变换处理,获得声音信号在频域的测量数据;选择所需的频段和频率点个数,获取所述频段内各个频率点的测量数据。
4.根据权利要求3所述的方法,其特征在于,所述步骤(3)“建立基于压缩感知理论的声源方位角估计稀疏表达模型”包括对二维声源平面的网格划分和测量矩阵的建立,具体步骤如下:
步骤(3-1):假设声源点与传声器阵列处在同一平面,对圆形传声器阵列所对应的圆进行等角度的网格划分,以每个网格节点为可能的声源方位角,共划分了3600×1=3600个网格,每两个相邻的网格节点所代表的方位角相差0.1°;
步骤(3-2):假设未知的声源信号z,z为3600×1的列向量,z的元素的值代表了声源在对应的网格节点处的强度;
步骤(3-3):基于自由场格林函数的Helmoltz方程,建立对应频率点fj的测量矩阵C(fj);
步骤(3-4):建立频段内各频率点下的声源方位角稀疏表达模型:
y(fj)=C(fj)z(fj)+e(fj),j=1,2,…,W
其中y(fj)为传声器阵列的测量值,z(fj)为频率点fj下的声源原始信号,e(fj)为噪声信号,W为频率点个数;
步骤(3-5):对声源方位角稀疏表达模型中的y(fj)进行SVD分解:
y(fj)SV=y(fj)VDK,z(fj)SV=z(fj)VDK,e(fj)SV=e(fj)VDK
其中DK=[IK 0]T,V为对测量值y(fj)奇异值分解后的酉矩阵,IK为K×K阶单位矩阵,K为声源信号的稀疏度,假设K=3;
步骤(3-6):将稀疏表达模型再次变形为其中/>和/>由ySV,zSV,eSV的每一列首尾相连得到;由N个矩阵C组成对角线得到新矩阵/>N与稀疏度K相关,当K为3时N为9。
5.根据权利要求4所述的方法,其特征在于,所述步骤(4-2)“用蝙蝠算法求解传感矩阵A的列向量与残差初始值的内积u的H个较大值或所有非零值,H为K的正整数倍”具体包括如下步骤:
步骤(4-2-1):设定初始参数,设定脉冲频率范围[fmin,fmax],设定最大迭代次数M,设定初始响度Ck t,设定终止阈值εt,在360°的空域内随机产生N个蝙蝠的初始位置xk,k=1,2,…N,N的值根据传感矩阵A的列向量个数与最大迭代次数M自拟,xk与传感矩阵A中的列向量所对应的角度θk一一对应;
步骤(4-2-2):根据蝙蝠个体的脉冲频率f和响度Ck t找出当前最佳的H个蝙蝠的位置,记为xk *,k=1,2,…H,H为K的正整数倍,倍数自拟,K为信号的稀疏度;
步骤(4-2-3):种群迭代,蝙蝠个体的位置、频率和速度按照下式进行迭代更新,
式中rand为一随机数,x*为当前最佳的H个位置中的最优蝙蝠位置;
步骤(4-2-4):求局部新解,如果rand<rk,则从最佳解的集合中选一个,其中rk为发射脉冲的频度,为预设值,在该最佳解附近生成一个局部解如下式
xnew=xold+ε×Ct
其中的ε是[-1,1]中的任意值,Ct是所有蝙蝠在此次迭代中的平均响度;
步骤(4-2-5):再次生成rand,评价得到的局部新解,如果rand<Ck,则这个解符合要求,增大rk,减小Ck,开始下一次迭代,响度Ck和脉冲数率rk的更新如下式
其中,α,γ是预设常数,0<α<1,γ>0;
步骤(4-2-6):排列并找到蝙蝠的H个最佳位置,对应可能的方位角估计值;
步骤(4-2-7):若达到最大迭代次数M,保存此时的xk *,k=1,2,...H;
步骤(4-2-8):输出此时的xk *。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894915.7A CN112147571B (zh) | 2020-08-31 | 2020-08-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894915.7A CN112147571B (zh) | 2020-08-31 | 2020-08-31 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112147571A CN112147571A (zh) | 2020-12-29 |
CN112147571B true CN112147571B (zh) | 2023-10-31 |
Family
ID=73889833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010894915.7A Active CN112147571B (zh) | 2020-08-31 | 2020-08-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147571B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906632B (zh) * | 2021-03-18 | 2022-11-11 | 中北大学 | 一种高度自适应时延目标信号自动提取方法 |
CN113658606B (zh) * | 2021-08-19 | 2023-08-08 | 中国人民解放军海军工程大学 | 一种低信噪比条件下基于自适应压缩感知的波束成形方法 |
CN113625222B (zh) * | 2021-08-27 | 2022-10-28 | 东南大学 | 一种基于时延差范数加权的宽带信号高分辨方位估计方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132503A (zh) * | 2017-03-23 | 2017-09-05 | 哈尔滨工程大学 | 基于矢量奇异值分解的声矢量圆阵宽带相干源方位估计方法 |
CN107247251A (zh) * | 2017-06-20 | 2017-10-13 | 西北工业大学 | 基于压缩感知的三维声源定位方法 |
CN108322409A (zh) * | 2018-01-25 | 2018-07-24 | 杭州电子科技大学 | 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法 |
CN108802667A (zh) * | 2018-05-25 | 2018-11-13 | 哈尔滨工程大学 | 基于广义正交匹配追踪的波达方向估计方法 |
CN110596644A (zh) * | 2019-09-24 | 2019-12-20 | 中国科学院声学研究所 | 一种使用移动环形传声器阵列的声源定位方法及系统 |
-
2020
- 2020-08-31 CN CN202010894915.7A patent/CN112147571B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132503A (zh) * | 2017-03-23 | 2017-09-05 | 哈尔滨工程大学 | 基于矢量奇异值分解的声矢量圆阵宽带相干源方位估计方法 |
CN107247251A (zh) * | 2017-06-20 | 2017-10-13 | 西北工业大学 | 基于压缩感知的三维声源定位方法 |
CN108322409A (zh) * | 2018-01-25 | 2018-07-24 | 杭州电子科技大学 | 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法 |
CN108802667A (zh) * | 2018-05-25 | 2018-11-13 | 哈尔滨工程大学 | 基于广义正交匹配追踪的波达方向估计方法 |
CN110596644A (zh) * | 2019-09-24 | 2019-12-20 | 中国科学院声学研究所 | 一种使用移动环形传声器阵列的声源定位方法及系统 |
Non-Patent Citations (2)
Title |
---|
冯舒 ; 于战海 ; 王云汉 ; .基于蝙蝠算法与信号稀疏分解的DOA估计研究.甘肃科学学报.2016,(05),第1-3节. * |
宁方立等.压缩感知声源定位方法研究.机械工程学报.2016,第52卷(第19期),第42-52页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112147571A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106646344B (zh) | 一种利用互质阵的波达方向估计方法 | |
CN110208735B (zh) | 一种基于稀疏贝叶斯学习的相干信号doa估计方法 | |
CN107247251B (zh) | 基于压缩感知的三维声源定位方法 | |
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN109298383B (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 | |
CN112526451B (zh) | 基于麦克风阵列成像的压缩波束形成及系统 | |
CN107450045B (zh) | 基于focuss二次加权算法的doa估计方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN109633538B (zh) | 非均匀采样系统的最大似然时差估计方法 | |
CN105556260B (zh) | 宽带声全息 | |
CN109407046A (zh) | 一种基于变分贝叶斯推断的嵌套阵列波达方向角估计方法 | |
CN108196251A (zh) | 基于向量外推的加速迭代正则化超分辨成像方法 | |
CN108802667A (zh) | 基于广义正交匹配追踪的波达方向估计方法 | |
CN110940949A (zh) | 强冲击噪声环境下基于量子企鹅搜索机制的互质阵列doa估计方法 | |
CN108761380B (zh) | 一种用于提高精度的目标波达方向估计方法 | |
CN107064896B (zh) | 基于截断修正sl0算法的mimo雷达参数估计方法 | |
Tian et al. | Passive localization of mixed sources jointly using MUSIC and sparse signal reconstruction | |
CN114624646B (zh) | 一种基于模型驱动复数神经网络的doa估计方法 | |
CN104731762B (zh) | 基于循环移位的立方相位信号参数估计方法 | |
CN104407319A (zh) | 阵列信号的目标源测向方法和系统 | |
CN111830465B (zh) | 二维牛顿正交匹配追踪压缩波束形成方法 | |
CN114137000B (zh) | 一种基于贝叶斯压缩感知与玻恩迭代的混合电磁成像算法 | |
CN114866110B (zh) | 一种基于弹性网络模型与广义admm结合的跳频信号参数估计方法 | |
CN113406586B (zh) | 基于约束张量分解的mimo雷达二维波达方向估计方法 |
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 |