CN112698272A - 一种基于两步筛选消除关联模糊的多声源定位方法 - Google Patents
一种基于两步筛选消除关联模糊的多声源定位方法 Download PDFInfo
- Publication number
- CN112698272A CN112698272A CN201911008012.8A CN201911008012A CN112698272A CN 112698272 A CN112698272 A CN 112698272A CN 201911008012 A CN201911008012 A CN 201911008012A CN 112698272 A CN112698272 A CN 112698272A
- Authority
- CN
- China
- Prior art keywords
- sound
- tdoa
- positioning
- sound source
- source
- 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 57
- 238000012216 screening Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 17
- 230000004807 localization Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
- G01S5/20—Position of source determined by a plurality of spaced direction-finders
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
- G10L2021/02166—Microphone arrays; Beamforming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于两步筛选消除关联模糊的多声源定位方法。该方法包含以下几个步骤:(1)构建适用于基于TDOA多声源定位消除关联模糊的阵列结构;(2)经过时差错序处理以获得所有可能的TDOA序列;(3)基于Chan算法估计所有可能的声源位置;(4)将获取定位子阵列的TDOA与计算所有估计声源位置到其他组合的子阵列的TDOA作差值,以差值最小化作为第一步筛选虚假声源原则;(5)统计每次差值对比匹配出相应的位置,以出现的频数作为第二步筛选原则。通过以上两步筛选滤除虚假声源,解决基于TDOA多声源定位关联模糊问题。本发明的两步筛选法不仅能解决基于TDOA多声源关联模糊问题,还能以较低的计算复杂度获得较好的定位性能。
Description
技术领域
本发明属于声源定位技术领域,特别涉及基于两步筛选消除关联模糊的多声源定位方法。
背景技术
声源定位在传感器网络、目标追踪和无线通信等领域是得到广泛的应用。声源定位使用空间分布的传声器来获取声源发射出的信号,可对接收的信号进行适当的建模,通过传声器测量获得的定位参数,如到达时差(TDOA:Time Difference Of Arrival)来构造非线性方程组,求解非线性方程组即可获得目标声源位置。TDOA定位方法对于单声源定位有较大的优势,针对三维空间分布的声源,只需检测到目标声源到传声器的到达时差。Y.T.Chan提出Chan算法(Chan Y T,Ho K C.A simple and efficient estimator forhyperbolic location[J].IEEE Transactions on signal processing,1994,42(8):1905-1915),核心思想是两步加权最小二乘(2WLS)求解,利用Chan算法来估计出声源位置。
基于TDOA定位方法对单声源具有较大的优势,一些专利提出了适用于单声源定位方法,如专利号为CN201710015046.4的发明专利(一种基于约束凸加权的TDOA定位方法,2017年1月9日),将目标位置的二次约束二次优化问题转化为两个单约束子优化问题进行求解,并对子优化问题的解以最优权值进行加权以获得目标位置,但未针对多声源定位进一步分析。
近些年来,多声源定位引起较多研究者的关注,Le Yang和K.C.Ho提出一种在传感器位置误差且不相干源的基于TDOA多声源闭式定位算法(Yang L,Ho K C.AnApproximately Efficient TDOA Localization Algorithm in Closed-Form forLocating Multiple Disjoint Sources With Erroneous Sensor Positions[J].IEEETransactions on Signal Processing,2009,57(12):4598-4615),推导出了传感器存在误差的情况下,基于TDOA多声源定位求解方法。也有部分专利提出多声源定位方法,如专利号为CN201711433961.1的发明专利(一种多声源定位的方法及系统,2017年12月26日)利用GCC-PHAT函数和WCC函数对每个麦克风对的二维位置/基频特性函数加权,获得每个麦克风对的加权二维位置/基频特性函数,在设定阈值范围内根据融合后的加权二维位置/基频特性函数的函数值确定各个声源的方位角和基频,从而解决多声源定位。
以上的多声源定位方法是直接用单声源的定位方法扩展成多声源定位。然而,在TDOA的多声源定位中,由于阵列传声器对测量的TDOA值无法与目标声源进行关联,声源定位过程会产生关联模糊,从而影响多声源定位结果的精度。
但佳壁提出基于TDOA冗余信息消除关联模糊(但佳壁.汽车排气外声场可视化方法研究[D].北京:清华大学,2017)。基于TDOA冗余信息(Redundant TDOA Information,下文简称RI-TDOA)消除多声源定位产生关联模糊,该方法将阵列分成两个子集合,对于三维空间,第一个集合选取5个传声器估计TDOA,用于定位计算。而另外一个集合中的阵列传声器用于TDOA的排序和校验,这种方法的本质是利用真实声源与阵列传声器的相对位置关系来对虚假声源进行滤除,但其中需循环参考传声器和对筛选出声源位置进行聚类处理,其定位精度与计算复杂度都有提升空间。
本发明提出一种基于两步筛选消除关联模糊的多声源定位方法,对所用到的传声器组合成多种子阵列,以其中一种为定位子阵列,使用Chan算法求解,获得所有可能的声源位置估计结果。将获取定位子阵列的TDOA与计算所有估计声源位置到其他组合的子阵列的TDOA作差值,以差值最小化作为第一步筛选原则;对第一步中每一次计算出的数值按从小到大排列,按顺序匹配出相应位置,选择出前几个数量,该数量为目标声源数量的两倍,统计每次差值对比匹配出相应的位置,以出现的频数按从大到小排列,选出前N个数,N为目标声源个数,以这些数作为Chan算法求解获得所有可能的声源位置估计结果的序列索引,从而筛选出真实声源,将此过程作为第二步筛选原则。通过以上两步筛选滤除虚假声源,获取真实声源位置,解决基于TDOA多声源定位关联模糊问题。
发明内容
本发明的目的是提出一种基于两步筛选消除关联模糊的多声源定位方法,该方法能够有效用于解决基于TDOA多声源定位产生关联模糊问题,且有较高的定位精度和较低计算复杂度。
为实现上述目的,本发明采取以下技术方案。
一种基于两步筛选消除关联模糊的多声源定位方法,包括以下步骤:
步骤(1)为了更好的体现出本发明提出的方法,验证本发明提出的方法考虑三维空间且用较少的传声器数量。因此,本发明以五个定位传声器为例,定位传声器阵列结构设置为M1-M2-M3-M4-M5;用于校验传声器阵列结构分别设置为M2-M3-M4-M5-M6、M3-M1-M4-M5-M6、M4-M1-M2-M5-M6、M5-M1-M2-M3-M6和M6-M1-M2-M3-M4。每个子阵列结构计算到达时差均是以排序第一的作为参考传声器;
步骤(2)通过各个传声器获取的信号,计算出不同的声源到定位传声器的到达时差向量,该向量用Ti来表示,i为目标声源的个数,每个声源的到达时差为:
对式(1)经过时差错序处理,处理过程为从式(1)中的每一行中选取一个元素,将所有可能TDOA序列构成一个集合S,S的表达式如下:
S=[S1,S2,…,Sj] (2)
式(2)中Sj为第j个可能的TDOA序列,为一列向量,其中元素的个数与定位传声器的数量有关;j的个数与目标声源数和传声器的个数有关,假设目标声源数为N,定位传声器数为M,则,j=NM-1;
步骤(3)通过步骤(2)经时差错序处理后获取的所有TDOA序列集合。利用Chan算法估计出所有可能的声源位置,其中估计出的声源位置包括真实声源与虚假声源。
第一次最小二乘(LS)估计的结果如下:
式中
由于TDOA噪声向量是无偏的,认为Q为ni的协方差矩阵。
第二次LS估计的结果如下:
z′a=(G′aTΨ′-1G′a)-1G′aTΨ′-1h′ (5)
式中
其中,e1,e2,e3为第一次LS的估计误差,公式中给出的x,y,z都是传声器的位置。
最后,估计的声源位置为:
步骤(4)以Δ(Xk)的差值最小化作为第一步筛选原则。将校验子阵列的到达时差集合为TΩ,k,将定位子阵列经时差错序处理获得所有可能的估计声源位置分别到校验子阵列的到达时差将与TΩ,k做差值,构建差值函数Δ(Xk),表达式如下:
以Δ(Xk)差值的最小值为筛选原则。Δ(Xk)差值从小到大依次排列,选出前2N个数相对应的位置序数,N为目标声源个数。共有k组校验子阵列,则最后筛选的声源数为k*2N,然而真实声源只有N个,因此,需再进行一步处理;
步骤(5)以出现序列位置的频数为第二步筛选原则。如果直接聚类的话会增加计算时间。将第一步筛选的声源数k*2N,从中统计出每一个声源对应的序列位置,将这些位置的序列构成一个数列集合,对该集合出现的频次从大到小排列,选出前N个数,以这些数作索引下标选出式(2)中集合的N个列向量,每一列向量对应目标声源的空间位置坐标,从而实现多声源定位,消除了基于TDOA多声源定位产生关联模糊问题。
本发明由于采取以上技术方案,其具有以下优点:
1.本发明提出一种基于两步筛选消除关联模糊的多声源定位方法,能够有效解决基于TDOA多声源定位过程中产生的关联模糊问题;
2.本发明用较少的传声器数量来定位,构造出了多组校验传声器子阵列,避免其中一种阵列结构计算过程中出现错误而对定位精度造成一定的影响,同时,提高传声器的利用率和减少TDOA冗余信息的数量,以获得更高的定位精度;
3.本发明以差值最小化作为第一步筛选虚假声源的原则中,利用式(8)每一次的差值,选出2N个声源数,这样做的目的是在低信噪比环境中,由于噪声值较大,可能某一虚假声源由式(8)计算出的差值比真实声源更小,使得选出的前N个声源中有部分是虚假声源。而选出前2N个声源数,会包含更多的真实声源数,在复杂环境下也能筛选出真实声源;
4.本发明以出现频数作为第二步筛选虚假声源的原则,由于真实声源会聚集在一处,而虚假声源会离散在各处,可对第一步筛选出的结果可进行聚类或者滤波处理,这样处理可获得出估计的多声源位置,但用到聚类或者滤波算法会增加整个多声源定位方法的计算时间。而以第一步筛选对应的序列位置构成一个数列集合,对该集合以出现的频数作为筛选原则,可减少方法的计算时间,以实现多声源定位,消除了基于TDOA多声源定位产生关联模糊问题。
附图说明
图1是本发明一种基于两步筛选消除关联模糊的多声源定位方法流程示意图;
图2是本发明多声源定位的传声器阵列结构示意图;
图3是本发明在35dB信噪比下3个目标声源定位结果;
图4是本发明与对比方法在不同信噪比下的定位平均误差值分布图;
具体实施方式
以下结合附图来对本发明进行详细的阐述。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
图1为本发明一种基于两步筛选消除关联模糊的多声源定位方法流程示意图,如图1所述,该方法包括以下步骤:
1)构建适用于基于TDOA多声源定位消除关联模糊的阵列结构。为了更好的体现出本发明提出的方法,验证本发明提出的方法考虑三维空间且用较少的传声器数。以五个定位传声器为例,定位传声器阵列结构设置为M1-M2-M3-M4-M5;用于校验传声器阵列结构分别设置为M2-M3-M4-M5-M6、M3-M1-M4-M5-M6、M4-M1-M2-M5-M6、M5-M1-M2-M3-M6和M6-M1-M2-M3-M4。每个子阵列结构计算到达时差均是以排序第一的作为参考传声器;
2)经时差错序处理获得所有可能的TDOA序列。通过各个传声器获取的信号,计算出不同的声源到定位传声器的到达时差向量,该向量用Ti来表示,i为目标声源的个数,每个声源的到达时差为:
对式(1)经过时差错序处理,处理过程为从式(1)中的每一行中选取一个元素,将所有可能TDOA序列构成一个集合S,S的表达式如下:
S=[S1,S2,…,Sj] (2)
式(2)中Sj为第j个可能的TDOA序列,为一列向量,其中元素的个数与定位传声器的数量有关;j的个数与目标声源数和传声器的个数有关,假设目标声源数为N,定位传声器数为M,则,j=NM-1;
3)基于Chan算法估计所有可能的声源位置。通过第2个步骤,经时差错序处理后获取的所有TDOA序列集合。利用Chan算法估计出所有可能的声源位置,其中估计出的声源位置包括真实声源与虚假声源。
第一次最小二乘(LS)估计的结果如下:
式中
由于TDOA噪声向量是无偏的,认为Q为ni的协方差矩阵。
第二次LS估计的结果如下:
z′a=(G′a TΨ′-1G′a)-1G′a TΨ′-1h′ (5)
式中
其中,e1,e2,e3为第一次LS的估计误差,公式中给出的x,y,z都是传声器的位置。最后,估计的声源位置为:
4)第一步筛选虚假声源原则。以差值的最小化为第一步筛选。将校验子阵列的到达时差集合为TΩ,k,将定位子阵列经时差错序处理获得所有可能的估计声源位置分别到校验子阵列的到达时差将与TΩ,k做差值,构建差值函数Δ(Xk),表达式如下:
以Δ(Xk)差值的最小值为筛选原则。Δ(Xk)差值从小到大依次排列,选出前2N个数相对应的位置序数,N为目标声源个数。共有k组校验子阵列,则最后筛选的声源数为k*2N,然而真实声源只有N个,因此,需再进行一步处理;
5)第二步筛选虚假声源原则。以出现序列位置的频数为第二步筛选原则。如果直接聚类的话会增加计算时间。将第一步筛选的声源数k*2N,从中统计出每一个声源对应的序列位置,将这些位置的序列构成一个数列集合,对该集合出现的频次从大到小排列,选出前N个数,以这些数作索引下标选出式(2)中集合的N个列向量,每一列向量对应目标声源的空间位置坐标,从而实现多声源定位,消除了基于TDOA多声源定位产生关联模糊问题。
图2为本发明多声源定位的传声器阵列结构示意图,如图2所示,本阵列结构采用空间阵列结构。以5个定位传声器为例,定位传声器阵列结构设置为M1-M2-M3-M4-M5;用于校验传声器阵列结构分别设置为M2-M3-M4-M5-M6、M3-M1-M4-M5-M6、M4-M1-M2-M5-M6、M5-M1-M2-M3-M6和M6-M1-M2-M3-M4。为了验证算法的性能,仿真过程中设置传声器的坐标位置为M1=[0,0,0]T,M2=[0.5,0.5,0.5]T,M3=[-0.5,0.5,0.5]T,M4=[-0.5,-0.5,0.5]T,M5=[0.5,-0.5,0.5]T,M6=[0.5,-0.5,-0.5]T,单位为m。
为了验证本发明提出一种基于两步筛选消除关联模糊的多声源定位方法的正确性。图3为本发明在35dB信噪比下3个目标声源定位结果,如图3所示,三个目标声源位置为u1=[-5,5,5]T,u2=[6,-6,6]T,u1=[7,7,-7]T,单位为m。给出了三个目标位置及其基于两步筛选消除关联模糊的多声源定位方法估计的结果。由于定位过程中会存在噪声的干扰,如下为TDOA定位模型,如式(9)所示:
式(9)中
P=10log101/θ(π21.152*1037),θ=10log(Ps/Pn)
其中为第i个声源的距离差序列集合,为第M个传声器到第1个传声器的距离差,R为行数等于定位传声器个数,列数为1的零均值高斯随机分布矩阵;Ps和Pn分别代表信号和噪声的有效功率,θ表式信噪比,信噪比的单位dB。
为了验证本发明提出一种基于两步筛选消除关联模糊的多声源定位方法在不同信噪比下的定位精度及方法的稳定性。图4为本发明与对比方法在不同信噪比下的定位平均误差值分布图,如图4所示。多声源定位误差如式(10)所示:
式(10)中的Γ表示多声源定位误差(Multi-source Location Error:MLE),以Γ值大小来评价定位算法的定位精度,N为声源数,ui为目标声源位置,为估计声源位置。本发明方法为两步筛选法,对比方法为基于TDOA冗余信息消除关联模糊(RI-TDOA)方法,从图4可看出,随着信噪比增加,本发明方法(两步筛选法)的定位精度比对比方法更高。
上述实施例仅用于说明本发明,其中方法的各实施步骤等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (1)
1.一种基于两步筛选消除关联模糊的多声源定位方法,其特征是包括以下步骤:
步骤(1):构建适用于基于TDOA多声源定位消除关联模糊的阵列结构,为了更好的体现出本发明提出的方法,验证本发明提出的方法考虑三维空间且用最少的传声器数;
针对三维空间分布的传声器阵列,以五个定位传声器为例,定位传声器阵列结构设置为M1-M2-M3-M4-M5;用于校验传声器阵列结构分别设置为M2-M3-M4-M5-M6、M3-M1-M4-M5-M6、M4-M1-M2-M5-M6、M5-M1-M2-M3-M6和M6-M1-M2-M3-M4;每个子阵列结构计算到达时差均是以排序第一的作为参考传声器;
步骤(2):经过时差错序处理以获得所有可能的TDOA序列;
通过各个传声器获取的信号,计算出不同的声源到定位传声器的到达时差向量,该向量用Ti来表示,i为目标声源的个数,每个声源的到达时差为:
对式(1)经过时差错序处理,处理过程为从式(1)中的每一行中选取一个元素,将所有可能TDOA序列构成一个集合S,S的表达式如下:
S=[S1,S2,…,Sj] (2)
式(2)中Sj为第j个可能的TDOA序列,为一列矩阵,其中元素的个数与定位传声器的数量有关;j的个数与目标声源数和传声器的个数有关,假设目标声源数为N,定位传声器数为M,则,j=NM-1;
步骤(3):基于Chan算法估计所有可能的声源位置。通过步骤(2)经时差错序处理后获取的所有TDOA序列集合;
第一次最小二乘(LS)估计的结果如下:
式中
由于TDOA噪声向量是无偏的,认为Q为ni的协方差矩阵;
第二次LS估计的结果如下:
式中
其中,e1,e2,e3为第一次LS的估计误差,公式中给出的x,y,z都是传声器的位置;
最后,估计的声源位置为:
步骤(4):将获取定位子阵列的TDOA与计算所有估计声源位置到其他组合的子阵列的TDOA作差值,以差值最小化第一步筛选虚假声源原则;
以Δ(Xk)差值的最小值为筛选原则;Δ(Xk)差值从小到大依次排列,选出前2N个数相对应的位置排列序数,N为目标声源个数;共有k组校验子阵列,则最后筛选的声源数为k*2N,然而真实声源只有N个,因此,需再进行一步处理;
步骤(5):统计每次差值对比匹配出相应的位置,以出现的频数作为第二步筛选原则;
将第一步筛选的声源数k*2N,从中统计出每一个声源对应的序列位置,将这些位置的序列构成一个数列集合,对该集合出现的频次从大到小排列,选出前N个数,以这些数作索引下标选出式(2)中集合的N个列向量,每一列向量对应目标声源的空间位置坐标,从而实现多声源定位,消除了基于TDOA多声源定位产生的关联模糊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911008012.8A CN112698272A (zh) | 2019-10-22 | 2019-10-22 | 一种基于两步筛选消除关联模糊的多声源定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911008012.8A CN112698272A (zh) | 2019-10-22 | 2019-10-22 | 一种基于两步筛选消除关联模糊的多声源定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112698272A true CN112698272A (zh) | 2021-04-23 |
Family
ID=75504974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911008012.8A Pending CN112698272A (zh) | 2019-10-22 | 2019-10-22 | 一种基于两步筛选消除关联模糊的多声源定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112698272A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841297A (zh) * | 2022-07-05 | 2022-08-02 | 成都戎星科技有限公司 | 一种基于dto分离的多星无源定位散点目标分类方法 |
-
2019
- 2019-10-22 CN CN201911008012.8A patent/CN112698272A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841297A (zh) * | 2022-07-05 | 2022-08-02 | 成都戎星科技有限公司 | 一种基于dto分离的多星无源定位散点目标分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109932680B (zh) | 一种基于平移互质阵列的非圆信号波达方向估计方法 | |
CN108037520B (zh) | 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法 | |
Rangarao et al. | gold-MUSIC: A Variation on MUSIC to Accurately Determine Peaks of the Spectrum | |
Zhou et al. | Tracking the direction-of-arrival of multiple moving targets by passive arrays: Algorithm | |
CN110940949B (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 | |
CN111337893B (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
CN107290709B (zh) | 基于范德蒙分解的互质阵列波达方向估计方法 | |
CN106102163B (zh) | 基于rss线性相关与二次加权质心算法的wlan指纹定位方法 | |
CN106972882B (zh) | 基于虚拟域空间功率谱估计的互质阵列自适应波束成形方法 | |
CN110927669B (zh) | 一种用于无线声传感器网络的cs多声源定位方法及系统 | |
CN112712557A (zh) | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 | |
CN103731189B (zh) | 共形天线阵动态子阵划分方法及波达方向估计方法 | |
CN110221249A (zh) | 基于压缩感知的宽带声源定位方法 | |
CN105842666B (zh) | 基于差分算法的雷达子阵划分优化方法 | |
CN110531330B (zh) | 一种基于子空间聚类的双基地mimo雷达阵列诊断方法 | |
CN112485755B (zh) | 基于2q阶嵌套MIMO阵列结构的角度估计方法 | |
CN113835063B (zh) | 一种无人机阵列幅相误差与信号doa联合估计方法 | |
CN112698272A (zh) | 一种基于两步筛选消除关联模糊的多声源定位方法 | |
CN104105049A (zh) | 一种减少传声器使用数量的房间冲激响应函数测量方法 | |
CN109725298A (zh) | 一种基于秩损求根的阵列流型误差校准和波达方向估计方法 | |
CN110208736B (zh) | 基于四阶累量的非圆信号均匀阵列波达方向角估计方法 | |
CN106680779A (zh) | 脉冲噪声下的波束成形方法及装置 | |
CN113671439A (zh) | 基于非均匀智能超表面阵列的无人机集群测向系统及方法 | |
CN110749856B (zh) | 一种基于零化去噪技术的互质阵欠定测向方法 | |
CN110907892B (zh) | 一种球麦克风阵列语音信号到达角估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210423 |
|
WD01 | Invention patent application deemed withdrawn after publication |