基于麦克风阵列的声源定位研究

以基于声达时间差(TDOA)的定位技术为基础,在噪声和混响同时存在的环境下,对基于麦克风阵列的声源定位方法进行了系统研究。在传统LMS自适应算法的基础上,提出了一种基于语音激励信息的LMS自适应时延估计新方法,再结合平面四元几何法定位。经过模拟房间环境的实验验证,该方法抗噪声、抗混响能力强,是一种定位精度高,运算量小的声源定位方法,可用于实时定位。     

基于麦克风阵列的声源定位系统设计

从系统的角度对真实声场环境下基于到达时间差的声源定位算法进行了研究,搭建了基于麦克风阵列的声源定位系统,将LabVIEW应用于声源定位软件的开发,方便地完成信号的采集与处理,运用广义互相关函数法进行时延估计,结合平面四元十字阵模型建立方程组实现定位。该系统人机界面友好,具有较强的数据分析和处理能力,能及时跟踪声源的位置变化。     

基于麦克风阵列的时延定位算法研究

针对互功率谱相位（CSP）法在低信噪比环境下,时延估计精度下降这一问题,提出了一种改进的CSP方法。研究了传统的CSP法,分析了语音信号能量在总能量中的比例问题,为保证强噪声环境下,语音信号不被淹没,定义了一个随信噪比变化的非线性参量,通过该非线性参量调节加权函数的大小,进而减小噪声的影响,提高算法的抗噪性能。采用8个线性阵列麦克风采集语音信号,在Matlab平台上,就传统的CSP算法,SCOT算法,改进CSP算法,在高信噪比和低信噪比环境下进行仿真验证,仿真结果表明,改进的CSP方法在强噪声环境下具有更好的定位性能。     

基于分布式麦克风阵列的声源定位算法

为了提高相位变换加权的可控响应功率SRP-PHAT(Steered Response Power-Phase Transform)声源定位算法的性能,提出一种基于分布式麦克风阵列的改进算法。根据分布式麦克风阵列的特点,使用麦克风对接收信号的广义互相关GCC-PHAT(Generalized Cross-Correlation with Phase Transform weighting)函数的最大值来评价接收信号的质量。在传统SRP-PHAT算法的基础上,以该最大值为权重乘以每对麦克风接收信号的GCC-PHAT函数。该算法质量较高的麦克风对接收信号赋予了较大的权重,因而能提高定位性能。仿真结果表明,在信噪比低于10 dB,混响时间大于300 ms的条件下,改进算法的定位成功率比传统算法提高了2%~4%。     

基于麦克风阵列的实时声源定位

由于噪音和多路的存在,声源定位总是很难达到一个很高的精度.针对这个问题提出了一个在智能教室环境下使用麦克风阵列对声源位置进行实时估计的算法,该算法分为三个阶段--去除噪音、延时估计和空间定位,即首先通过一个滤波器来对语音信号中噪音进行预处理,然后通过一个改进的GCC-PHAT算法来对多路语音信号的时延进行估计,最后通过构建几何关系来估计声源的位置.实验结果表明,在有一定噪音的自然教室环境下,算法的平均定位精度能够控制在5cm以内,具有很强的应用性.     

基于声源阵列的空间麦克风定位方法研究

针对当前麦克风位置估计方法出现较少且只对平面的麦克风阵列进行位置估计的问题,提出了一种基于声源阵列的空间麦克风定位方法。该方法将四个声源按照正四面体形式排列,在利用其对称性保证定位全向性的同时,根据时延估计的测距方法计算麦克风与各个声源之间的距离,之后根据几何关系确定麦克风位置坐标,实现在线的基于声源阵列的空间麦克风位置估计。通过进行MATLAB仿真实验,验证了该方法的可行性和有效性。     

基于麦克风阵列的声源定位系统

推导出声音传播的近场模型,采用相位变换(PHAT)作为加权函数的广义互相关算法（GCC）完成时延差估计,再采用基于数据关联的时延选择算法选择时延,最后使用到达时延差的算法估计声源方位,并在算法模型的基础上搭建了基于数字信号处理器（DSP）的声源定位硬件系统开发平台。实验结果表明,在声音传播的近场模型下该系统角度估计误差不大于3°。     

基于麦克风阵列的语音增强算法

为解决现有语音增强算法需要麦克风数量较多和受估计误差影响较大的问题,提出一种改进的声源定位和波束形成方法。在现有声源定位算法利用时间延迟的基础上,引入能量衰减参数,实现利用双麦克风进行声源定位的目标;在波束形成算法中引入加载系数,在出现协方差矩阵统计失配时仍可对期望方向聚焦,提高波束形成算法的鲁棒性。仿真结果表明,改进后的算法与传统算法相比具有更强的鲁棒性。     

基于麦克风阵列的声源定位算法研究

在基于时延估计的声源定位系统中,由于定位算法分为两个阶段:时延估计和定位,时延估计阶段的误差会在定位阶段被放大,导致声源定位的成功率和精度较低。从原始信号去噪,时延值插值和定位算法三方面入手,提高声源定位的精度。结合自行设计的四元十字麦克风阵列,给出一种新的时延值筛选算法,实现了一个室内声源定位系统。实验结果表明,在二维定位场景中,该系统对声源方位角的估计成功率超过70%,平均误差小于5°;该系统对声源距离估计的成功率和精度与声源方位角有关,当声源方位与X、Y轴的夹角不超过15°且声源距离不超过2.5 m时,声源距离估计的成功率能达到50%以上。     

基于麦克风阵列系统的声源定位技术研究现状

麦克风阵列信号处理是数字信号处理领域的一个热点问题,对麦克风阵列接收到的信息量,根据各个阵列之间信息的相关性,可以使用融合处理的方式实现对参数的估计,这种融合不仅可以在时间域处理,也可以在频域处理.麦克风阵列信号处理技术能够在统计意义上得到测量数据,该技术已应用在无线通信,雷达,声纳与工业控制等场合得到了广泛的应用.     

基于传声器阵列的声源定位算法与误差分析

基于传声器阵列和互相关算法的时间延迟技术对声源进行定位,互相关算法对宽频带信号（扫频信号）定位比较准确,对窄带信号（风琴信号）定位不显著,分析了影响声源定位精度的因素,并改进声源定位系统.通过实验验证了影响风琴信号声源定位的因素,实现了风琴信号的声源定位,并在NI CompactRIO系统上开发了一个实时声源定位系统.     

基于时延估计的声源定位算法实验研究

麦克风阵列因其相对于单麦克风能够获取更多声源信息,在声源定位的应用上正日益得到人们的极大关注。均匀线阵中,针对信号入射方向靠近阵列的两端阵列分辨力将逐渐降低,利用基于时延估计的声源定位算法时,对不同的信号入射角度以相同的角度误差作为结果筛选的依据的做法,显然不合理。通过分析均匀线阵的特点,当信号以不同角度入射时,以时延点数误差作为不同角度估计结果的筛选门限,并通过实测数据实验,验证了方法的合理性。由于实验使用阵元数少且阵列长度较短,因此实验结果对阵列信号处理的实际工程应用具有一定的参考价值。     

一种基于有向均匀圆阵的宽带波束形成方法

本文提出一种基于有向均匀圆阵解决宽带波束形成问题的新方法,其基本思想是针对某一特定频率设计窄带波束形成空域滤波器,并把得到的滤波器权值直接应用于宽带信号以降低设计和处理的复杂度.在已知信号方向信息的前提下,使用线性约束的最小二乘法设计窄带空域滤波器,而有向均匀圆阵对频率变化不敏感的特性可以保证使用同一组空域滤波器权值在宽带信号所包含的不同频率上形成一致的波束与陷波点.所提出的宽带波束形成方法可以显著降低阵列信号处理时的运算复杂度,便于进行实时信号处理.     

基于圆阵双基地MIMO雷达多维角度联合估计

提出了一种基于均匀圆阵双基地MIMO雷达多目标多维角度估计的新算法。对阵列接收信号进行分析,表明其具有平行因子三线性模型特征,利用该模型低秩分解的唯一性条件,从分解得到的矩阵中联合估计出多维角度。该方法无需谱峰搜索,可实现参数的同时估计与配对,与基于旋转不变参数估计技术(Estimation of signal parameters via rotational invariance techniques,ESPRIT)思想的算法相比具有更高的估计精度,而且在小样本数下也能较好地工作。仿真结果验证了该算法的有效性。     

基于均匀圆阵的互耦误差校正算法研究

阵元之间的互耦效应严重影响了DOA的估计性能。基于均匀圆阵,提出了一种互耦条件下的波达方向估计和互耦误差自校正算法。利用带状循环矩阵的特性对均匀圆阵的互耦误差建立数学模型,再利用MUSIC算法和迭代法对互耦误差矩阵和波达方向同时进行估计,自校正方法无需任何辅助阵元即可实现两类参数的估计。仿真实验表明,算法很好地解决了均匀圆阵的互耦问题,能够比较准确地估计出波达方向角和互耦误差值。     

改进型神经网络在室内三维定位中的应用研究 *

针对室内复杂环境下无线信号反射,折射,多径效应,噪声等干扰,传统的对数距离路径损耗模型无法精确求出信号接收距离d的问题进行研究,提出一种改进的多策略粒子群神经网络模型,该网络采用反向学习策略,混沌惯性权重策略以及扰动策略对神经网络的拓扑结构和连接权值阈值进行优化,从而捕获Wi-Fi信号接收强度RSSI与接收距离d之间的非线性关系,然后结合修正的三维加权交点质心算法求解出未知节点坐标。实验结果表明,对比BP神经网络和遗传神经网络,该网络对RSSI-d的拟合曲线更光滑,拟合结果更加接近于真实值,对比定位精度分别提高了79%和73%,网络定位误差更低,抗干扰能力更强。     

逆模型下的高效声源定位算法研究

与波束形成算法相比,广义互相关逆模型宽带声源定位算法提供了空间的高分辨率,但需要更高的计算量。为了提升广义互相关逆模型算法的计算效率,并尽可能保留其分辨率优势,本文提出了一种高效的声源定位算法。该算法首先去除麦克风阵列输出功率较小的网格点来压缩计算网格,其次,在几何因素条件下利用基于密度的聚类进一步压缩网格,最后仅用保留下的点进行计算,从而大大降低了计算规模。真实数据实验证明,本文所提算法能有效提升广义互相关逆模型算法的计算效率。