CN112986916A - 一种基于阵列重构的多声源定位方法 - Google Patents

一种基于阵列重构的多声源定位方法 Download PDF

Info

Publication number
CN112986916A
CN112986916A CN202110195704.9A CN202110195704A CN112986916A CN 112986916 A CN112986916 A CN 112986916A CN 202110195704 A CN202110195704 A CN 202110195704A CN 112986916 A CN112986916 A CN 112986916A
Authority
CN
China
Prior art keywords
sound source
time difference
matrix
sound
microphone
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
Application number
CN202110195704.9A
Other languages
English (en)
Inventor
刘海涛
彭博
范佳量
姜彦吉
郑四发
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.)
Suzhou Automotive Research Institute of Tsinghua University
Original Assignee
Suzhou Automotive Research Institute of Tsinghua University
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 Suzhou Automotive Research Institute of Tsinghua University filed Critical Suzhou Automotive Research Institute of Tsinghua University
Priority to CN202110195704.9A priority Critical patent/CN112986916A/zh
Publication of CN112986916A publication Critical patent/CN112986916A/zh
Pending legal-status Critical Current

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

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)
  • Circuit For Audible Band Transducer (AREA)

Abstract

本发明公开一种基于阵列重构的多声源定位方法，包括确定初始参考麦克风以构造初始时间差矩阵、确定对比参考麦克风以构造对比时间差矩阵、构造校验矩阵、对比校验矩阵和所述对比时间差矩阵的列向量的相似度、选取相似度最高的列向量作为真实声源向量。本发明通过构造多组校验子阵列，利用声源与阵列麦克风之间的空间位置关系来消除虚假声源，利用冗余校验来提升筛选真实声源过程的稳定性，提升定位精度和定位鲁棒性。

Description

一种基于阵列重构的多声源定位方法
技术领域
本发明涉及声源定位技术领域，特别涉及一种基于阵列重构的多声源定位方法。
背景技术
声源定位在人机交互、噪声源识别和应急响应等领域得到广泛的应用。声源定位可通过已知位置的麦克风阵列，来确定未知声源位置。到达时差(time differenceofarrival：TDOA)是一种经典的声源定位方法，将麦克风阵列与声源构造成双曲线定位模型，其数学模型实质是一组非线性多元方程组，通过求解非线性多元方程组来确定目标声源位置。过去几十年，TDOA定位算法主要集中在单声源定位，算法简单，计算效率高。近些年来，多声源定位引起较多研究者的关注，但实际定位场景中确定TDOA的估计值与相应声源之间的唯一映射十分困难，会出现时差错序，即TDOA方法对多声源定位会产生关联模糊问题。目前，有研究人员提出了一些消除关联模糊的方法，但这些消除关联模糊定位方法都存在定位精度不高和计算效率低等问题。
本发明专利提出基于阵列重构的多声源关联模糊消除方法。通过轮换定位麦克风阵列的参考麦克风，构造了多组校验子阵列。基于定位麦克风阵列TDOA矩阵及任一校验子阵列TDOA矩阵构造可信度评价函数，利用可信度评价函数最小化原则筛选出声源位置，对于不同校验子阵列筛选的所有声源位置，以出现频数最大化原则筛选出最后的声源。本方法最大化利用麦克风数量，并利用冗余校验筛选真实声源使筛选结果更加稳定。与现有方法相比，在同等麦克风数量下本文提出的方法在定位精度和定位鲁棒性两个方面都有所提升。
发明内容
为了克服现有技术存在的不足，本发明提供一种基于阵列重构的多声源定位方法，能够消除虚假声源，提升定位精度。具体技术方案如下：
本发明提供了一种基于阵列重构的多声源定位方法，所述多声源定位方法包括以下步骤：
S101.在麦克风阵列中确定初始参考麦克风，以初始参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，并进行时差错序处理，构建初始时间差矩阵；根据所述初始时间差矩阵得到可能声源集合；
S102.在麦克风阵列中确定对比参考麦克风，以所述对比参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，构建对比时间差矩阵；
S103.以所述对比参考麦克风为参考，计算可能声源集合中的声源在麦克风阵列中对应的时间差，构造校验矩阵；
S104.将校验矩阵中的列向量与对比时间差矩阵中的列向量之间的相似度最高的一组列向量作为真实声源向量，并根据多个所述的真实声源向量计算真实声源位置，输出所述真实声源位置。
进一步地，步骤S101中，所述原始声源信号的时间差使用GCC-PHAT算法获得；根据所述初始时间差矩阵用Chan方法计算声源位置，从而得到可能声源集合。
进一步地，步骤S102中，使用GCC-PHAT算法和时差错序处理算法构建对比时间差矩阵。
进一步地，步骤S104中，根据校验矩阵中的列向量与对比时间差矩阵中的列向量之间的相似度构造可信度评价函数，以筛选处相似度最高的一组列向量，所述可信度评价函数为
Figure BDA0002946353520000021
其中
Figure BDA0002946353520000022
是校验矩阵中的列向量，
Figure BDA0002946353520000023
是对比时间差矩阵中的列向量，Np是校验矩阵中列向量的数量，Ns是真实声源的数量，Nm是麦克风阵列中麦克风的数量。
进一步地，根据所述可信度评价函数得到可信度评价向量，所述可信度评价向量为
Figure BDA0002946353520000032
所述可信度评价向量中的元素从小到大依次排列，取其中前Ns个元素并根据其所对应的列向量计算真实声源位置。
本发明还提供了一种基于阵列重构的多声源定位方法，所述多声源定位方法包括以下步骤：
S201.在麦克风阵列中确定初始参考麦克风，以初始参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，进行时差错序处理，构建初始时间差矩阵，根据所述初始时间差矩阵得到可能声源集合；
S202.在麦克风阵列中确定多个对比参考麦克风，以所述对比参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，相应地构建多个对比时间差矩阵；
S203.以所述的多个对比参考麦克风为参考，计算可能声源集合中的声源在麦克风阵列中对应的时间差，以相应构造多个校验矩阵；
S204.根据校验矩阵中的列向量与对应的对比时间差矩阵中的列向量之间的相似度，筛选出相似度最高的一组列向量作为参考声源向量，不同的校验矩阵对应不同的一组参考声源向量；
S205.统计参考声源向量中各个向量对应的声源的频数，将声源按照频数由大到小依次排列，选择频数最大的Ns个声源作为真实声源，输出所述真实声源位置，Ns为真实声源的数量。
进一步地，步骤S201中，所述原始声源信号的时间差使用GCC-PHAT算法获得；所述初始时间差矩阵用Chan方法计算声源位置，从而得到可能声源集合。
进一步地，步骤S202中，使用GCC-PHAT算法和时差错序处理算法构建对比时间差矩阵。
进一步地，步骤S204中，根据校验矩阵中的列向量与对比时间差矩阵中的列向量之间的相似度构造可信度评价函数，以筛选处相似度最高的一组列向量，所述可信度评价函数为
Figure BDA0002946353520000031
Figure BDA0002946353520000041
其中
Figure BDA0002946353520000042
是校验矩阵中的列向量，
Figure BDA0002946353520000043
是对比时间差矩阵中的列向量，Np是校验矩阵中列向量的数量，Ns是真实声源的数量，Nm是麦克风阵列中麦克风的数量。
进一步地，步骤S204中所述参考声源向量的数量大于真实声源的数量。
本发明的技术方案带来的有益效果包括：
a.通过构造多组校验子阵列，利用声源与阵列麦克风之间的空间位置关系来消除虚假声源；
b.利用冗余校验来提升筛选真实声源过程的稳定性，提升定位精度和定位鲁棒性；
c.最大化利用麦克风数量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中定位麦克风阵列和多组校验子阵列的结构示意图；
图2是本发明实施例中Nm＝5的情况下基于GCC-PHAT算法估计定位麦克风阵列TDOA的示意图；
图3是本发明实施例中在三种场景下的多声源定位结果示意图；
图4是本发明实施例中不同信噪比下的多声源定位误差对比示意图；
图5本发明实施例中不同信噪比下的多声源定位鲁棒性对比示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，更清楚地了解本发明的目的、技术方案及其优点，以下结合具体实施例并参照附图对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。除此，本发明的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明的一个实施例中，提供了一种基于阵列重构的多声源定位方法，包括以下步骤：
S101.在麦克风阵列中确定初始参考麦克风，以初始参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，通过时差错序处理，构建初始时间差矩阵，根据所述初始时间差矩阵，得到可能声源集合；优选地，声源到麦克风阵列的声达时差(Time difference of arrival:TDOA)通过广义互相关(Generialized Cross-Correlation：GCC)算法获得。TDOA测量噪声通常描述为高斯白噪声。为方便检验定位算法，在仿真过程中通过距离差与声速的比值来获取TDOA序列，同时采用零均值高斯噪声来模拟实际测量中产生的各类随机噪声。基于GCC-PHAT算法估计TDOAs和声源数量，获得消除关联模糊过程中需要的声源数量先验知识。
Chan提出了一种精度合理、有效的求解算法，该算法使用两次加权最小二乘法给出较准确的声源位置。因此，优选采用Chan方法来求解获取声源位置。通过时差错序处理,即由式
Figure BDA0002946353520000051
中每一行选择一个元素获得的初始时间差矩阵用
Figure BDA0002946353520000052
来表示，其中Nm是麦克风的数量。基于Chan算法求解出的所有可能声源的位置用集合
Figure BDA0002946353520000053
来表示：
Figure BDA0002946353520000054
Figure BDA0002946353520000055
其中
Figure BDA0002946353520000056
Ns为声源的数量。式(2)中所有声源位置包括真实声源和虚假声源；矩阵
Figure BDA0002946353520000057
中包含了所有的真实声源和对应于初始参考麦克风的所有虚假声源。
S102.在麦克风阵列中确定对比参考麦克风，对比参考麦克风与初始参考麦克风不是同一个麦克风；以所述对比参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，构建对比时间差矩阵；
即，为了消除多声源定位中产生的虚假声源，通过轮换定位麦克风阵列的参考麦克风来构造多组校验子阵列。根据声源与阵列麦克风的空间位置关系，可以计算出所有可能声源
Figure BDA0002946353520000061
到校验子阵列的TDOA序列，同时对校验子阵列采集的声信号优选用GCC-PHAT和时差错序处理，可以获得校验子阵列关联真实声源的另一组TDOA序列。选取其中一个校验子阵列(设为阵列2)，使用GCC-PHAT算法估计出的目标声源到阵列2的TDOAs，并由矩阵
Figure BDA0002946353520000062
表示，矩阵
Figure BDA0002946353520000063
中含有部分真实声源和对应于对比参考麦克风的部分虚假声源：
Figure BDA0002946353520000064
通过时差错序处理，即从矩阵
Figure BDA0002946353520000065
的每一行中选择一个元素，可以得到一个新的矩阵
Figure BDA0002946353520000066
(即对比时间差矩阵)，如式(4)所示。矩阵
Figure BDA0002946353520000067
的每一列都与一个可能的声源有关，根据排列组合的知识，在矩阵
Figure BDA0002946353520000068
中也有Np列。
Figure BDA0002946353520000069
矩阵
Figure BDA00029463535200000610
中包含了所有的真实声源和对应于对比参考麦克风的所有虚假声源。
S103.以所述对比参考麦克风为参考，计算可能声源集合中的声源在麦克风阵列中对应的时间差，以构造校验矩阵；
真实声源在矩阵
Figure BDA00029463535200000611
和
Figure BDA00029463535200000612
中的位置将位于一个特定的信赖区域。然而，由于选取的参考麦克风是不同的，使得阵列结构不同，虚假声源在这两个矩阵中的位置会有明显的偏差，因此通过对比两个矩阵中声源的分布位置，可以用来消除虚假声源。为了消除虚假声源，运用式(2)中估计所有可能的声源
Figure BDA00029463535200000613
与阵列2中相对位置关系，得到了TDOA的校验矩阵
Figure BDA00029463535200000614
Figure BDA0002946353520000071
S104.将校验矩阵中的列向量与对比时间差矩阵中的列向量之间的相似度最高的一组列向量作为真实声源向量，并根据多个所述的真实声源向量计算真实声源位置，输出所述真实声源位置。即，可以根据矩阵
Figure BDA0002946353520000072
和
Figure BDA0002946353520000073
之间相应的列向量的相似度来构造可信度评价函数，从而区分真实声源与虚假声源。可信度评价函数如式(6)所示：
Figure BDA0002946353520000074
式(6)中通过比较两个矩阵的列向量的欧几里得范数，而得到列向量之间的偏差度，并将偏差度作为评价相似度的指标，偏差度越低，则相似度越高。
构造可信度评价向量
Figure BDA0002946353520000075
Figure BDA0002946353520000076
的表达式如下：
Figure BDA0002946353520000077
式(7)中向量
Figure BDA0002946353520000078
的前Ns个最小的元素包含真实声源信息。按照从小到大排序，选择前Ns个元素，索引计算这些元素相对应
Figure BDA0002946353520000079
矩阵的列数作为下标号放入集合
Figure BDA00029463535200000710
中，阵列2在集合
Figure BDA00029463535200000711
中获得的真实声源位置为
Figure BDA00029463535200000712
Figure BDA00029463535200000713
式(8)中
Figure BDA00029463535200000714
是基于阵列2的真实声源集合。
Figure BDA00029463535200000715
是基于阵列2所筛选的真实声源相关的下标数字。
在信噪比较低的定位场景中，仅选择一个校准子阵列筛选出的真实声源，会有一定的出错率。为了使消除虚假声源过程更加稳定，可以使用其他校验子阵列重复上述过程来筛选真实声源。本发明的一个实施例提供了多次选取校验麦克风而提高声源位置定位精度的方法，包括以下步骤：
S201.在麦克风阵列中确定初始参考麦克风，以初始参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，通过时差错序处理，构建初始时间差矩阵，根据所述初始时间差矩阵，得到可能声源集合；
S202.在麦克风阵列中确定多个对比参考麦克风，以所述对比参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，并通过时差错序处理，相应地构建多个对比时间差矩阵；
S203.以所述的多个对比参考麦克风为参考，计算可能声源集合中的声源在麦克风阵列中对应的时间差，以相应构造多个校验矩阵；
S204.根据校验矩阵中的列向量与对应的对比时间差矩阵中的列向量之间的相似度，筛选出相似度最高的一组列向量作为参考声源向量，不同的校验矩阵对应不同的一组参考声源向量，每一组参考声源向量中，向量的数量大于或等于真实声源的数量；
S205.统计参考声源向量中各个向量对应的声源的频数，将声源按照频数由大到小依次排列，选择频数最大的Ns个声源作为真实声源，输出所述真实声源位置，Ns为真实声源的数量。
所有校准子阵列可以获得出一个真实声源集合
Figure BDA0002946353520000081
Figure BDA0002946353520000082
对集合
Figure BDA0002946353520000083
可以将所有声源出现的频数作为筛选原则，按声源位置出现频数由大到小排列，选择前Ns个频数对应的声源位置即为最终真实声源。通过对多个校验子阵列的可信度评估，可以显著提高虚假声源滤除的稳定性。
下面通过具体仿真实例对本发明的虚假声源消除方法进行详细说明：
(1)阵列结构和定位场景
Chan算法精确求解三维空间分布的声源，定位过程至少要用5个麦克风。现有的比对方法中校验子阵列至少4个麦克风，加上对应的4个初始参考麦克风，因而共需要8个麦克风。本文方法针对三维空间分布的声源可共用一个初始参考麦克风，仅需要5个麦克风。仿真过程中麦克风位置如表1。表2给出了三种定位场景，其中包括声源数、空间位置及其频率信息。
表1麦克风位置
Figure BDA0002946353520000084
Figure BDA0002946353520000091
表2三种不同的定位场景
Figure BDA0002946353520000092
图1中，阵列1对应的是初始参考麦克风的情况，阵列2～阵列5对应的是四个不同的对比参考麦克风的情况。
(2)本文方法有效性分析
构造不同频带的声源信号，使得本文提出的方法具有频率适用性。声源定位过程噪声干扰的来源有许多，而GCC估计误差为影响因数之一。仿真实验中，设置采样频率fs＝80000Hz，麦克风阵列的最大间距为0.5m。如图2为Nm＝5的情况，对场景3利用GCC-PHAT算法估计定位麦克风阵列的TDOAs。同时基于GCC-PHAT算法估计校验子阵列的TDOAs，再利用本文方法获得的定位结果如图3所示,其中(a),(c),(e)为所有可能的声源位置；(b),(d),(f)为本文方法估计的真实声源结果，且(a)(b)为场景1的情况，(c)(d)为场景2的情况，(e)(f)为场景3的情况。
从图2可以看出，以m1为参考麦克风，每个麦克风对(mj，m1)，j＝1～5估计出4个TDOA值,与场景3的声源数量相等。从图3可以看出，本文方法仅用最少麦克风数即可消除虚假声源，估计出的声源定位效果良好，误差合理。
(3)定位精度对比
将本文方法与对比方法在不同信噪比(SNR)下的定位精度对比分析。多声源定位精度评价函数表达式如下：
Figure BDA0002946353520000101
式(10)中ea为均方误差；si为目标声源位置；
Figure BDA0002946353520000102
为估计的真实声源位置；Ns为声源数。
为了消除随机噪声对单次定位结果的影响，仿真过程采用蒙特卡罗循环处理。经蒙特卡罗过程可以表示为：
Figure BDA0002946353520000103
式(11)中MLE为经蒙特卡罗处理后的多声源定位误差，q为仿真实验过程中蒙特卡罗次数，仿真过程令q＝1000。
定位精度可用MLE来表示，MLE越小，定位精度越高。将本文方法与现有方法在不同信噪比下进行定位精度对比。不同信噪比下的多声源定位误差对比结果如图4所示。由图4可看出，在三种定位场景下，随着信噪比增加，不同定位方法的定位精度将逐渐提升。在高信噪比条件下，如SNR>0dB,不同定位方法的定位精度均处于同一水平。当SNR<0dB时，在同等麦克风数量情况下，本方法相比对比方法的定位精度有所提升；而用5个麦克风数量的本文方法定位精度比用8个麦克风数量的对比方法稍差些。在信噪比较低情况下，如SNR<0dB，关联过程可能会出错，筛选出的所有真实声源中可能存在虚假声源。对比方法通过聚类来获得最终的声源，这些可能的虚假声源将会影响聚类结果。而本方法引入频数筛选，通过冗余校验可有效减少出错率。另外，本方法充分利用定位麦克风数，有效提升了定位精度。
(4)定位鲁棒性对比
定位鲁棒性的评价函数表达式如下：
Figure BDA0002946353520000111
Figure BDA0002946353520000112
上式中的er表示仅运行一次的多声源定位鲁棒性，RM表示经蒙特卡罗循环后的多声源定位鲁棒性，q为仿真实验过程中蒙特卡罗次数，Ns为声源数，仿真过程令q＝1000。
RM越小，定位鲁棒性越好。将本文方法与现有对比方法在不同信噪比下进行定位鲁棒性对比，三种定位场景对比结果如图5所示。
从图5可以看出，定位鲁棒性与定位精度的变化总体趋势大体相同，定位鲁棒性也随着SNR增加而增加。在低信噪比和较多声源数量的定位场景中，某一信噪比区间段的定位鲁棒性存在幅度较小的上下波动，如场景3中-10dB<SNR<0dB。在高信噪比条件下，如SNR>5dB,在不同的定位场景下，本方法与对比方法定位鲁棒性处在同一水平。当SNR<5dB时，本方法用5个麦克风获得定位鲁棒性比对比方法性稍差些，原因是对比方法通过增加计算量来提升定位鲁棒性；而在同等麦克风数量的情况下，本方法的定位鲁棒性明显高于对比方法，其原因同样是由于冗余校验和最大化利用定位麦克风数量，使得定位鲁棒性得以提升。
本发明提出基于阵列重构的多声源关联模糊消除方法。通过轮换定位麦克风阵列的参考麦克风，构造了多组校验子阵列。基于定位麦克风阵列TDOA矩阵及任一校验子阵列TDOA矩阵构造可信度评价函数，利用可信度评价函数最小化原则筛选出声源位置，对于不同校验子阵列筛选的所有声源位置，以出现频数最大化原则筛选出最后的声源。本方法最大化利用麦克风数量，并利用冗余校验筛选真实声源使筛选结果更加稳定。与现有方法相比，在同等麦克风数量下本文提出的方法在定位精度和定位鲁棒性两个方面都有所提升。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于阵列重构的多声源定位方法，其特征在于，所述多声源定位方法包括以下步骤：
S101.在麦克风阵列中确定初始参考麦克风，以初始参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，通过时差错序处理，构建初始时间差矩阵，根据所述初始时间差矩阵得到可能声源集合；
S102.在麦克风阵列中确定对比参考麦克风，以所述对比参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，构建对比时间差矩阵；
S103.以所述对比参考麦克风为参考，计算可能声源集合中的声源在麦克风阵列中对应的时间差，以构造校验矩阵；
S104.将校验矩阵中的列向量与对比时间差矩阵中的列向量之间的相似度最高的一组列向量作为真实声源向量，并根据多个所述的真实声源向量计算真实声源位置，输出所述真实声源位置。
2.如权利要求1所述的多声源定位方法，其特征在于，步骤S101中，所述原始声源信号的时间差使用GCC-PHAT算法获得；根据所述初始时间差矩阵用Chan方法计算声源位置，从而得到可能声源集合。
3.如权利要求1所述的多声源定位方法，其特征在于，步骤S102中，使用GCC-PHAT算法和时差错序处理算法构建对比时间差矩阵。
4.如权利要求1所述的多声源定位方法，其特征在于，步骤S104中，根据校验矩阵中的列向量与对比时间差矩阵中的列向量之间的相似度构造可信度评价函数，以筛选处相似度最高的一组列向量，所述可信度评价函数为
Figure FDA0002946353510000011
k1＝1，2，…，NP；k2＝1，2，…，NP
Figure FDA0002946353510000012
其中
Figure FDA0002946353510000021
是校验矩阵中的列向量，
Figure FDA0002946353510000022
是对比时间差矩阵中的列向量，Np是校验矩阵中列向量的数量，Ns是真实声源的数量，Nm是麦克风阵列中麦克风的数量。
5.如权利要求4所述的多声源定位方法，其特征在于，根据所述可信度评价函数得到可信度评价向量，所述可信度评价向量为
Figure FDA0002946353510000023
所述可信度评价向量中的元素从小到大依次排列，取其中前Ns个元素并根据其所对应的列向量计算真实声源位置。
6.一种基于阵列重构的多声源定位方法，其特征在于，所述多声源定位方法包括以下步骤：
S201.在麦克风阵列中确定初始参考麦克风，以初始参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，通过时差错序处理，构建初始时间差矩阵，根据所述初始时间差矩阵得到可能声源集合；
S202.在麦克风阵列中确定多个对比参考麦克风，以所述对比参考麦克风为参考计算麦克风阵列中各个麦克风接收到原始声源信号的时间差，相应地构建多个对比时间差矩阵；
S203.以所述的多个对比参考麦克风为参考，计算可能声源集合中的声源在麦克风阵列中对应的时间差，以相应构造多个校验矩阵；
S204.根据校验矩阵中的列向量与对应的对比时间差矩阵中的列向量之间的相似度，筛选出相似度最高的一组列向量作为参考声源向量，不同的校验矩阵对应不同的一组参考声源向量；
S205.统计参考声源向量中各个向量对应的声源的频数，将声源按照频数由大到小依次排列，选择频数最大的Ns个声源作为真实声源，输出所述真实声源位置，Ns为真实声源的数量。
7.如权利要求6所述的多声源定位方法，其特征在于，步骤S201中，所述原始声源信号的时间差使用GCC-PHAT算法获得；根据所述初始时间差矩阵用Chan方法计算声源位置，从而得到可能声源集合。
8.如权利要求6所述的多声源定位方法，其特征在于，步骤S202中，使用GCC-PHAT算法和时差错序处理算法构建对比时间差矩阵。
9.如权利要求6所述的多声源定位方法，其特征在于，步骤S204中，根据校验矩阵中的列向量与对比时间差矩阵中的列向量之间的相似度构造可信度评价函数，以筛选处相似度最高的一组列向量，所述可信度评价函数为
Figure FDA0002946353510000031
k1＝1，2，…，NP；k2＝1，2，…，NP
Figure FDA0002946353510000032
其中
Figure FDA0002946353510000033
是校验矩阵中的列向量，
Figure FDA0002946353510000034
是对比时间差矩阵中的列向量，Np是校验矩阵中列向量的数量，Ns是真实声源的数量，Nm是麦克风阵列中麦克风的数量。
10.如权利要求6所述的多声源定位方法，其特征在于，步骤S204中所述参考声源向量的数量大于真实声源的数量。
CN202110195704.9A 2021-02-22 2021-02-22 一种基于阵列重构的多声源定位方法 Pending CN112986916A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110195704.9A CN112986916A (zh) 2021-02-22 2021-02-22 一种基于阵列重构的多声源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110195704.9A CN112986916A (zh) 2021-02-22 2021-02-22 一种基于阵列重构的多声源定位方法

Publications (1)

Publication Number Publication Date
CN112986916A true CN112986916A (zh) 2021-06-18

Family

ID=76394146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110195704.9A Pending CN112986916A (zh) 2021-02-22 2021-02-22 一种基于阵列重构的多声源定位方法

Country Status (1)

Country Link
CN (1) CN112986916A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115452141A (zh) * 2022-11-08 2022-12-09 杭州兆华电子股份有限公司 一种非均匀声学成像方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110488223A (zh) * 2019-07-05 2019-11-22 东北电力大学 一种声源定位方法
CN111474521A (zh) * 2020-04-09 2020-07-31 南京理工大学 多径环境中基于麦克风阵列的声源定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110488223A (zh) * 2019-07-05 2019-11-22 东北电力大学 一种声源定位方法
CN111474521A (zh) * 2020-04-09 2020-07-31 南京理工大学 多径环境中基于麦克风阵列的声源定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAITAO LIU 等: "A Multiple Sources Localization Method Based on TDOA Without Association Ambiguity for Near and Far Mixed Field Sources", CIRCUITS, SYSTEMS, AND SIGNAL PROCESSING, vol. 40, pages 4018 - 4046, XP037505511, DOI: 10.1007/s00034-021-01661-5 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115452141A (zh) * 2022-11-08 2022-12-09 杭州兆华电子股份有限公司 一种非均匀声学成像方法

Similar Documents

Publication Publication Date Title
Vaidyanathan et al. Direct-MUSIC on sparse arrays
Rangarao et al. gold-MUSIC: A Variation on MUSIC to Accurately Determine Peaks of the Spectrum
Swindlehurst et al. A performance analysis of subspace-based methods in the presence of model errors. I. The MUSIC 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
Huang et al. Source enumeration for high-resolution array processing using improved Gerschgorin radii without eigendecomposition
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
McBrearty et al. Earthquake arrival association with backprojection and graph theory
CN110376290B (zh) 基于多维核密度估计的声发射源定位方法
US9213100B1 (en) Bearing-only tracking for horizontal linear arrays with rapid, accurate initiation and a robust track accuracy threshold
CN105548957A (zh) 一种未知有色噪声下多目标远近场混合源定位方法
CN106371057B (zh) 语音声源测向方法及装置
JP6452827B2 (ja) 検出器信号を読み取るためのチャネル多重化方法
CN106997037A (zh) 声矢量传感器阵列空间旋转解相干到达角估计方法
CN107390194A (zh) 一种基于全布雷格曼散度的雷达目标检测方法
CN112986916A (zh) 一种基于阵列重构的多声源定位方法
KR101958337B1 (ko) 신호의 도래각을 추정하는 방법 및 장치
Dang et al. A feature-based data association method for multiple acoustic source localization in a distributed microphone array
CN112630730B (zh) 一种基于tdoa多声源定位的虚假声源消除方法
CN113376576A (zh) 基于小孔径麦克风阵列的声源定位传感器的定位方法
CN113189544B (zh) 一种利用活动强度矢量加权移除野点的多声源定位方法
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
CN106295142A (zh) 一种基于概率约束的鲁棒Capon波束形成方法
CN110907892B (zh) 一种球麦克风阵列语音信号到达角估计方法
CN117471397A (zh) 一种基于图信号处理的圆形阵列二维doa估计方法
CN110888137B (zh) 基于滑窗式双门限检测的角度跟踪方法

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