CN116626591B - 一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质 - Google Patents

一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质 Download PDF

Info

Publication number
CN116626591B
CN116626591B CN202310607569.3A CN202310607569A CN116626591B CN 116626591 B CN116626591 B CN 116626591B CN 202310607569 A CN202310607569 A CN 202310607569A CN 116626591 B CN116626591 B CN 116626591B
Authority
CN
China
Prior art keywords
frequency
focusing
harmonic
array
aerial vehicle
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
Application number
CN202310607569.3A
Other languages
English (en)
Other versions
CN116626591A (zh
Inventor
陈鹏
陈亚宁
王威
陈洋
孙霆
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202310607569.3A priority Critical patent/CN116626591B/zh
Publication of CN116626591A publication Critical patent/CN116626591A/zh
Application granted granted Critical
Publication of CN116626591B publication Critical patent/CN116626591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01S1/00—Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith
    • G01S1/72—Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith using ultrasonic, sonic or infrasonic waves
    • G01S1/76—Systems for determining direction or position line
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质，方法包括：设置L型麦克风阵列收集无人机声源信号，根据阵列中阵元间的最小间距选择合适的聚焦频率，对阵列收集的无人机声源信号进行短时傅里叶变换，得到时频图，通过计算时频图上低频段内任意两个相邻谐波的频率差值得基频频率，并得出高频段内的谐波频率点，通过构造聚焦矩阵对高频段内的各谐波频率点进行聚焦，将各个谐波频率的信号子空间映射到聚焦频率的信号子空间上，得到聚焦变换后的信号，根据聚焦后的信号，构造协方差矩阵，利用窄带DOA估计算法对协方差矩阵进行处理；系统、设备及介质，用于实现一种基于无人机谐波聚焦的宽带声源定位方法；本发明具有定位精度高，抗干扰能力强的优点。

Description

一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及 介质
技术领域
本发明涉及运动声源目标定位技术领域，具体涉及一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质。
背景技术
波达方向DOA估计作为阵列信号处理领域的重要研究内容之一，近年来在通信、导航等许多领域都有了广泛的应用；传统的DOA估计算法大部分是基于窄带信号模型，将窄带定位算法直接应用在无人机噪声源上，会出现无法准确定位的问题。
文献[M.WAX，T.Shan，and T.Kailath.Spatio-temporal spectral analysis byeigenstr ucture methods[J].IEEE Trans.on Acoustics Speech，and SignalProcessing，1984，32：817-827]提出非相干信号子空间处理方法(incoherent signalmethod，ISM)，该方法基于频率分解的思想，将宽带信号分解为若干个窄带信号，对每个窄带信号进行DO A估计，对所得到的多个估计结果进行加权平均处理，得到宽带信号DOA估计的结果；由于该方法在每个频段上仅利用了宽带信号的部分信息，所以其估计性能不高；如果定位的信号为相干信号，将无法在空间内精确定位，会出现虚峰或伪峰的干扰。
文献[H.Wang and M.Kaveh.Coherent signal-subspace processing for thedetection and estimation of angles of multiple wide-band sources[J].IEEETrans.on Acoustics Speech，and Signal Processing，1985，33(4)：823-831]提出来的相干信号子空间处理方法(coherent signal method，CSM)，该方法基于频率聚焦的思想，引入聚焦变换，通过聚焦矩阵将宽带信号上各子带不同的频点聚焦到参考频率上，将聚焦后各子带的协方差矩阵求和后做平均处理，得到聚焦的协方差矩阵，之后用窄带处理方法得到宽带信号DOA，然而，CSM需要对信源来波方向进行了预估以便构造聚焦矩阵，预估的误差将直接影响了CSM的性能。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质，利用无人机噪声的谐波特性，在噪声高频段各线谱附近进行谐波聚焦，构造聚焦后的阵列接收数据，然后利用窄带DOA估计算法获取无人机方位估计结果；本发明解决了在低信噪比环境下使用传统宽带CSM算法定位无人机易受干扰，定位误差较大的问题，具有定位精度高，抗干扰能力强的优点。
为了实现上述目的，本发明采用的技术方案是：
一种基于无人机谐波聚焦的宽带声源定位方法，包括以下步骤：
步骤1：通过设置“L”型麦克风阵列以收集无人机声源信号，根据阵列中阵元间的最小间距d选择合适的聚焦频率f0；
步骤2：对阵列收集到的无人机声源信号进行短时傅里叶变换，得到时频图，通过计算时频图上低频段内任意两个相邻谐波的频率差值得基频频率，并以此得出高频段内的谐波频率点；
步骤3：通过构造聚焦矩阵对步骤2中得出的高频段内的各谐波频率点进行聚焦，将各个谐波频率的信号子空间映射到聚焦频率f0的信号子空间上，得到聚焦变换后的信号，根据聚焦后的信号，构造协方差矩阵；
步骤4：利用窄带DOA估计算法对步骤3中构造的协方差矩阵进行处理。
所述步骤1中根据阵列中阵元间的最小间距d选择合适的聚焦频率f0的具体方法如下：
1.1通过式(1)确定使得阵列测向不出现模糊的最大频率fmax：
式中，λmin表示感兴趣声信号的最短波长，c表示声音在空气中的传播速度，一般为340m/s；
1.2同时，聚焦频率f0需小于最大频率fmax，如式(2)所示：
所述步骤2中通过计算时频图上低频段内任意两个相邻谐波的频率差值得基频频率，并以此得出高频段内的谐波频率点的具体方法如下：
2.1计算基频频率，选取低频段内的任意两个相邻线谱的频率为fa和fb，且fa和fb需满足fa＜fb，通过两个相邻线谱的频率相减得到基频频率fc，如式(3)所示：
fb-fa＝fc (3)
2.2通过式(4)计算高频段内的各谐波频率点fi(i＝1，2，...，L)的值：
fb+(L-1)·fc＝fi(i＝1，2，...，L) (4)
所述步骤3中构造协方差矩阵的具体方法如下：
3.1假设高频段内有L个谐波频率点，对已知的谐波频率点进行聚焦，通过式(5)构造合适的聚焦矩阵T(fi)：
式中，表示矩阵F-范数，I表示单位矩阵；
对式(5)进行求解，可以得到聚焦矩阵的具体表达式如式(6)所示：
式中，V0(fi)和V(fi)分别表示矩阵A(Θi，fi)AH(Θ0，f0)经过奇异值分解得到的左右两个酉矩阵，用该矩阵进行聚焦变换不会改变阵列输出的信噪比；
3.2频域序列内，谐波聚焦以谐波频点为中心频率，十分之一基频频率大小为带宽进行聚焦，此时以fi为中心频率的阵列接收信号的具体表达式如式(7)所示：
X(fi)＝A(Θi，fi)S(fi)+N(fi) (7)
式中表示入射DOA的集合，A(Θi，fi)为阵列流形矩阵，S(fi)为输入信号的频域表达式，N(fi)为高斯噪声；
3.3利用聚焦矩阵将各谐波频率的信号子空间映射到步骤1中聚焦频率f0的信号子空间上，得到聚焦变换后的信号具体如式(8)所示：
式中，A(fi)表示fi频率下阵列流形矩阵，X(fij)表示频域上第i个谐波聚焦带宽内的第j个阵列接收数据，S(fij)表示频域上第i个谐波聚焦带宽内的第j个无人机噪声数据，N(fij)表示频域上第i个谐波聚焦带宽内的第j个高斯噪声数据；
3.4根据聚焦变换后的信号，通过式(9)求得协方差矩阵：
式中，L表示高频段谐波频率点的个数，N表示十分之一基频频率大小为带宽所对应的离散频点数据的个数，且满足Ps(fij)＝S(fij)SH(fij)，Pn(fij)＝N(fij)NH(fij)。
一种基于无人机谐波聚焦的宽带声源定位系统，包括：
聚焦频率选择模块，用于步骤1中根据阵列中阵元间的最小间距d选择合适的聚焦频率f0；
傅里叶变换模块，用于步骤2中对参考阵元采样到的声信号进行短时傅里叶变换，得到时频图；
矩阵构造模块，用于步骤3中构造聚焦矩阵对步骤2中得出的高频段内的各谐波频率点进行聚焦，将各个谐波频率的信号子空间映射到步骤1中聚焦频率f0的信号子空间上，得到聚焦变换后的信号，根据聚焦后的信号，构造协方差矩阵；
算法求解模块，用于利用窄带DOA估计算法对步骤3中构造的协方差矩阵进行处理。
一种基于无人机谐波聚焦的宽带声源定位设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序中的基于无人机谐波聚焦的宽带声源定位方法。
一种计算机可读介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现无人机谐波聚焦宽带声源定位。
相对于现有技术，本发明的有益效果在于：
1.由于本发明的方法基于无人机谐波特性，在噪声高频段各线谱附近进行谐波聚焦，构造聚焦后的阵列接收数据，然后利用窄带DOA估计算法获取无人机方位，使得本发明的定位精度提高。
2.由于本发明基于先验谐波规律，从离散频域数据中剔除噪声和干扰，因此本发明的抗干扰能力强。
综上所述，由于本发明利用无人机噪声的谐波特性，在噪声高频段各线谱附近进行谐波聚焦，构造聚焦后的阵列接收数据，然后利用窄带DOA估计算法获取无人机方位估计结果，解决了在低信噪比环境下使用传统宽带CSM算法定位无人机易受干扰，定位误差较大的问题，具有定位精度高，抗干扰能力强的优点。
附图说明
图1为本发明的方法步骤示意图。
图2为本发明实施例中采用的16阵元“L”型阵列设示意图。
图3为本发明实施例的无人机飞行示意图。
图4为本发明实施例的参考阵元的采集数据。
图5为本发明实施例的无人机旋翼噪声时频图。
图6为本发明实施例与窄带DOA估计和RSS聚焦对比的时间方位历程图。
具体实施方式
下面结合附图对本发明作详细叙述。
本发明提供了一种实施例，参考图1，一种基于无人机谐波聚焦的宽带声源定位方法，包含以下步骤：
参考图2、图3，在空旷的场地设置16个均匀分布的“L”型麦克风阵列收集真实无人机声源信号，采集数据如图4所示，阵元间距为0.03m，采样频率设为Fs＝50kHz，采样时间为57.2s，每个通道记录2860000个数据点；
步骤1：根据“L”型阵列中阵元间的最小间距d选择合适的聚焦频率f0；
1.1通过式(1)确定使得阵列测向不出现模糊的最大频率fmax：
式中，λmin表示感兴趣声信号的最短波长，c表示声音在空气中的传播速度，一般为340m/s；本实施例中阵元间的最小间距d为0.03m，即可得出最大频率fmax约为5666.66Hz；
1.2同时，聚焦频率f0需小于最大频率fmax，如式(2)所示：
步骤2：对阵列收集到的无人机声源信号进行短时傅里叶变换，得到时频图，参考图5，通过观察时频图，可以看出2000Hz以下频段有明显的谐波信息，而高频段(小于6000Hz)的线谱成分被淹没在噪声中，通过计算时频图上低频段内任意两个相邻谐波的频率差值得基频频率，并以此得出高频段内的谐波频率点；
2.1计算基频频率，选取低频段内的任意两个相邻线谱的频率为fa和fb，且fa和fb需满足fa＜fb，通过两个相邻线谱的频率相减得到基频频率fc，如式(3)所示：
fb-fa＝fc (3)
2.2通过式(4)计算高频段内的各谐波频率点fi(i＝1，2，...，L)的值：
fb+(L-1)·fc＝fi(i＝1，2，...，L) (4)
步骤3：通过构造聚焦矩阵对步骤2中得出的高频段内的各谐波频率点进行聚焦，在本实施例中高频部分为2000Hz-6000Hz的频段，频域序列内，谐波聚焦以谐波频点为中心频率，十分之一基频频率为带宽进行聚焦，将各个谐波频率的信号子空间映射到步骤1中聚焦频率f0的信号子空间上，得到聚焦变换后的信号，根据聚焦后的信号，构造协方差矩阵；
3.1假设高频段内有L个谐波频率点，对已知的谐波频率点进行聚焦，通过式(5)构造合适的聚焦矩阵T(fi)：
式中，表示矩阵F-范数，I表示单位矩阵；
对式(5)进行求解，可以得到聚焦矩阵的具体表达式如式(6)所示：
式中，V0(fi)和V(fi)分别表示矩阵A(Θi，fi)AH(Θ0，f0)经过奇异值分解得到的左右两个酉矩阵，用该矩阵进行聚焦变换不会改变阵列输出的信噪比；
3.2频域序列内，谐波聚焦以谐波频点为中心频率，十分之一基频频率大小为带宽进行聚焦，此时以fi为中心频率的阵列接收信号的具体表达式如式(7)所示：
X(fi)＝A(Θi，fi)S(fi)+N(fi) (7)
式中表示入射DOA的集合，A(Θi，fi)为阵列流形矩阵，S(fi)为输入信号的频域表达式，N(fi)为高斯噪声；
3.3利用聚焦矩阵将各谐波频率的信号子空间映射到步骤1中聚焦频率f0的信号子空间上，得到聚焦变换后的信号具体如式(8)所示：
式中，A(fi)表示fi频率下阵列流形矩阵，X(fij)表示频域上第i个谐波聚焦带宽内的第j个阵列接收数据，S(fij)表示频域上第i个谐波聚焦带宽内的第j个无人机噪声数据，N(fij)表示频域上第i个谐波聚焦带宽内的第j个高斯白噪声数据；
3.4根据聚焦变换后的信号，通过式(9)求得协方差矩阵：
式中，L表示高频段谐波频率点的个数，N表示十分之一基频频率大小为带宽所对应的离散频点数据的个数，且满足Ps(fij)＝S(fij)SH(fij)，Pn(fij)＝N(fij)NH(fij)；
步骤4：利用窄带DOA估计算法对步骤3中构造的协方差矩阵进行处理；
定义对矩阵束(R，Rn)进行广义特征分解得到特征值λk和对应特征向量uk，k＝1，2，...，M，定义Us＝[u1，...，up]和Un＝[up+1，...，uM]的列向量组成的空间分别为信号子空间和噪声子空间，其中p为信号源的个数，M为阵元数目，在此实施例中M＝16，则有AH(f0)Un＝0，即信号子空间与噪声子空间相互正交，且包含了信号源数目及到达角度的所有信息，通过式(10)计算空间谱/>
式中，表示入射DOA的集合，a(Θ0，f0)表示频率f0对应的导向向量，Un表示噪声子空间，角标H表示共轭转置；
此时，对进行谱峰搜索即可得到目标信号DOA。
参考图6，将DOA估计结果沿着时间进行拼接得到时间方位历程图，为了验证本发明所提出方法的有效性，使用MATLAB对测量数据进行窄带DOA估计和RSS聚焦，下面结合仿真结果对本发明的应用效果作详细的描述：
图6-a和图6-d分别为利用现有的窄带DOA估计生成的方位角和俯仰角的估计图，从图6-a和图6-d中可以看到，通过现有的窄带DOA信号定位效果的抗干扰性差，20-30s内DOA误差较大；图6-b和图6-e分别为利用现有的RSS聚焦方法生成的方位角和俯仰角的估计图，从图6-b和图6-e中可以看到，由于空间谱主瓣宽度被噪声和干扰拓展，旁瓣较多，从16s之后的角度变化误差较大，抗干扰性差；图6-c和图6-f分别为通过本发明方法得出的方位角和俯仰角的估计图，可以看出，经过本发明中的谐波聚焦处理后，主瓣扩展问题得到了明显改善，因此与现有技术相比，在相同色标范围内，通过本发明提出的方法定位到的无人机轨迹更为清晰。

Claims (7)

1.一种基于无人机谐波聚焦的宽带声源定位方法，其特征在于，包括以下步骤：
步骤1：通过设置“L”型麦克风阵列以收集无人机声源信号，根据阵列中阵元间的最小间距d选择合适的聚焦频率f0；
步骤2：对阵列收集到的无人机声源信号进行短时傅里叶变换，得到时频图，通过计算时频图上低频段内任意两个相邻谐波的频率差值得基频频率，并以此得出高频段内的谐波频率点；
步骤3：通过构造聚焦矩阵对步骤2中得出的高频段内的各谐波频率点进行聚焦，将各个谐波频率的信号子空间映射到步骤1中聚焦频率f0的信号子空间上，得到聚焦变换后的阵列接收信号，根据聚焦变换后的阵列接收信号，构造协方差矩阵；
步骤4：利用窄带DOA估计算法对步骤3中构造的协方差矩阵进行处理。
2.根据权利要求1所述的一种基于无人机谐波聚焦的宽带声源定位方法，其特征在于，所述步骤1中根据阵列中阵元间的最小间距d选择合适的聚焦频率f0的具体方法如下：
1.1通过式(1)确定使得阵列测向不出现模糊的最大频率fmax：
式中，λmin表示感兴趣声信号的最短波长，c表示声音在空气中的传播速度，一般为340m/s；
1.2同时，聚焦频率f0需小于最大频率fmax，如式(2)所示：
3.根据权利要求1所述的一种基于无人机谐波聚焦的宽带声源定位方法，其特征在于，所述步骤2中通过计算时频图上低频段内任意两个相邻谐波的频率差值得基频频率，并以此得出高频段内的谐波频率点的具体方法如下：
2.1计算基频频率，选取低频段内的任意两个相邻线谱的频率为fa和fb，且fa和fb需满足fa＜fb，通过两个相邻线谱的频率相减得到基频频率fc，如式(3)所示：
fb-fa＝fc (3)
2.2通过式(4)计算高频段内的各谐波频率点fi(i＝1,2,...,L)的值：
fb+(L-1)·fc＝fi(i＝1,2,...,L) (4)
4.根据权利要求1所述的一种基于无人机谐波聚焦的宽带声源定位方法，其特征在于，所述步骤3中构造协方差矩阵的具体方法如下：
3.1假设高频段内有L个谐波频率点，对已知的谐波频率点进行聚焦，通过式(5)构造合适的聚焦矩阵T(fi)：
式中，表示矩阵F-范数，I表示单位矩阵；
对式(5)进行求解，可以得到聚焦矩阵的具体表达式如式(6)所示：
式中，V0(fi)和V(fi)分别表示矩阵A(Θi,fi)AH(Θ0,f0)经过奇异值分解得到的左右两个酉矩阵，用该矩阵进行聚焦变换不会改变阵列输出的信噪比；
3.2频域序列内，谐波聚焦以谐波频点为中心频率，十分之一基频频率大小为带宽进行聚焦，此时以fi为中心频率的阵列接收信号的具体表达式如式(7)表示为：
X(fi)＝A(Θi,fi)S(fi)+N(fi) (7)
式中，表示入射DOA的集合,A(Θi,fi)为阵列流形矩阵，S(fi)为输入信号的频域表达式，N(fi)为高斯噪声；
3.3利用聚焦矩阵将各谐波频率的信号子空间映射到步骤1中聚焦频率f0的信号子空间上，得到聚焦变换后的信号具体如式(8)所示：
式中，A(fi)表示fi频率下阵列流形矩阵；X(fij)表示频域上第i个谐波聚焦带宽内的第j个阵列接收数据，S(fij)表示频域上第i个谐波聚焦带宽内的第j个无人机声数据，N(fij)表示频域上第i个谐波聚焦带宽内的第j个高斯噪声数据；
3.4根据聚焦变换后的信号，通过式(9)求得协方差矩阵：
式中，L表示高频段谐波频率点的个数，N表示十分之一基频频率大小为带宽所对应的离散频点数据的个数，且满足Ps(fij)＝S(fij)SH(fij)，Pn(fij)＝N(fij)NH(fij)。
5.一种用于实现权利要求1-4所述的基于无人机谐波聚焦的宽带声源定位方法的宽带声源定位系统，其特征在于，包括：
聚焦频率选择模块，用于步骤1中根据阵列中阵元间的最小间距d选择合适的聚焦频率f0；
傅里叶变换模块，用于步骤2中对参考阵元采样到的声信号进行短时傅里叶变换，得到时频图；
协方差矩阵构造模块，用于步骤3中构造聚焦矩阵对步骤2中得出的高频段内的各谐波频率点进行聚焦，将各个谐波频率的信号子空间映射到步骤1中聚焦频率f0的信号子空间上，得到聚焦变换后的信号，根据聚焦后的信号，构造协方差矩阵；
算法求解模块，用于利用窄带DOA估计算法对步骤3中构造的协方差矩阵进行处理。
6.一种基于无人机谐波聚焦的宽带声源定位设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序中的如权利要求1-4所述的基于无人机谐波聚焦的宽带声源定位方法。
7.一种计算机可读介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行如权利要求1-4所述的基于无人机谐波聚焦的宽带声源定位方法。
CN202310607569.3A 2023-05-26 2023-05-26 一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质 Active CN116626591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310607569.3A CN116626591B (zh) 2023-05-26 2023-05-26 一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310607569.3A CN116626591B (zh) 2023-05-26 2023-05-26 一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN116626591A CN116626591A (zh) 2023-08-22
CN116626591B true CN116626591B (zh) 2024-02-20

Family

ID=87641327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310607569.3A Active CN116626591B (zh) 2023-05-26 2023-05-26 一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116626591B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109831265A (zh) * 2019-01-24 2019-05-31 西安电子科技大学 一种基于空域滤波的宽带信号频谱感知方法和系统
CN112946577A (zh) * 2021-02-01 2021-06-11 东南大学 一种基于宽带压缩感知的超短基线水下声源定位方法
CN113376577A (zh) * 2021-01-27 2021-09-10 东南大学 一种基于二维任意阵子空间的超短基线定位水下声源方法
CN113422630A (zh) * 2021-06-17 2021-09-21 长安大学 一种自适应聚焦宽带波束形成方法及系统
CN113805139A (zh) * 2021-08-24 2021-12-17 西安理工大学 基于聚焦变换的宽带信号稀疏表示波达方向估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170367684A1 (en) * 2015-01-05 2017-12-28 Innomind Technology Corporation Systems and methods for super-resolution compact ultrasound imaging

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109831265A (zh) * 2019-01-24 2019-05-31 西安电子科技大学 一种基于空域滤波的宽带信号频谱感知方法和系统
CN113376577A (zh) * 2021-01-27 2021-09-10 东南大学 一种基于二维任意阵子空间的超短基线定位水下声源方法
CN112946577A (zh) * 2021-02-01 2021-06-11 东南大学 一种基于宽带压缩感知的超短基线水下声源定位方法
CN113422630A (zh) * 2021-06-17 2021-09-21 长安大学 一种自适应聚焦宽带波束形成方法及系统
CN113805139A (zh) * 2021-08-24 2021-12-17 西安理工大学 基于聚焦变换的宽带信号稀疏表示波达方向估计方法

Also Published As

Publication number Publication date
CN116626591A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN106324558B (zh) 基于互质阵列的宽带信号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
CN108375763B (zh) 一种应用于多声源环境的分频定位方法
CN106546948B (zh) 基于幅相误差阵列的远近场宽带混合源中远场源测向方法
CN102147458B (zh) 一种针对宽带声源的波达方向估计方法及其装置
CN110515038B (zh) 一种基于无人机-阵列的自适应无源定位装置及实现方法
CN103308889A (zh) 复杂环境下被动声源二维doa估计方法
CN109946643B (zh) 基于music求解的非圆信号波达方向角估计方法
CN110534126B (zh) 一种基于固定波束形成的声源定位和语音增强方法及系统
CN113329491B (zh) 定位参数确定方法、装置、设备和存储介质
Ahmad et al. Wideband DOA estimation based on incoherent signal subspace method
CN108398659B (zh) 一种矩阵束与求根music结合的波达方向估计方法
CN108089146B (zh) 一种对预估角误差鲁棒的高分辨宽带波达方向估计方法
CN103837858B (zh) 一种用于平面阵列的远场波达角估计方法及系统
CN111798869A (zh) 一种基于双麦克风阵列的声源定位方法
CN112487703A (zh) 基于稀疏贝叶斯在未知噪声场的欠定宽带信号doa估计方法
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
CN116626591B (zh) 一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质
CN112305497B (zh) 一种近场麦克风阵列doa估计测向模糊消除方法
CN109116338A (zh) 一种基于四阶累积量的宽带凸优化doa估计方法
CN109239665B (zh) 一种基于信号子空间相似度谱和粒子滤波器的多声源连续定位方法和装置
CN113075645A (zh) 一种基于主成分分析-密度聚类的畸变阵形线谱增强方法
CN113721184B (zh) 基于改进music算法的近场信号源定位方法
CN112924926A (zh) 一种多途信道下的doa估计方法
Ren et al. The fast algorithm for two-sided correlation transformation based on propagator 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