CN109283487A - 基于支持向量机可控功率响应的music-doa方法 - Google Patents
基于支持向量机可控功率响应的music-doa方法 Download PDFInfo
- Publication number
- CN109283487A CN109283487A CN201811072707.8A CN201811072707A CN109283487A CN 109283487 A CN109283487 A CN 109283487A CN 201811072707 A CN201811072707 A CN 201811072707A CN 109283487 A CN109283487 A CN 109283487A
- Authority
- CN
- China
- Prior art keywords
- srp
- music
- signal
- estimation
- formula
- 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.)
- Granted
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
- 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
- G01S3/802—Systems for determining direction or deviation from predetermined direction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Circuit For Audible Band Transducer (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于支持向量机可控功率响应的MUSIC‑DOA估计方法,包括如下步骤:步骤1,计算麦克风阵列输出的平均功率;步骤2,对SRP‑MUSIC方法的空间谱估计进行归一化,得到SRP‑NMUSIC空间谱估计;步骤3,引入支持向量机,并用SVM监督模型进行估计;步骤4,通过子带信号空间谱估计的偏置得到训练和测试样本;步骤5,在声源角度已知的前提下,将SVM应用于宽带信号DOA估计,得到SRP‑WMUSIC方法DOA估计结果。此种估计方法可有效解决低信噪比时MUSIC归一化方法DOA估计误差较大的问题,是一种精确、鲁棒的DOA估计方法。
Description
技术领域
本发明属于麦克风阵列DOA估计技术领域,特别涉及一种基于支持向量机可控功率响应的MUSIC-DOA方法。
背景技术
波束形成是一种稳健的声源定位方法,其目的是通过最大化声源方向上的空间滤波器响应估计声源的位置。最早的阵列信号DOA估计方法是由Bartlett于1965年提出的常规波束形成法,也叫做Bartlett波束形成法,但该方法存在“瑞利限”,不能分辨出位于一个波束宽度内的目标。因此,实际应用中,不增加物理孔径时,如何突破瑞利限是阵列信号DOA估计亟需解决的一个重要难题。在基于可控波束的声源定位方法中,基于可控功率响应和相位变换方法鲁棒性强,在弱噪声和适度混响时,可以获得较精确的DOA估计,但在低信噪比或强混响时,DOA估计精确度不高、运算量大。近期研究表明,MUSIC归一化方法可以提高空间分辨率,能更好地识别直视路径和反射,但也增强了噪声分量,导致DOA估计误差较大。
支持向量机用结构风险最小化准则代替经验风险最小化准则,在解决小样本、非线性(Non Linear)等机器学习问题时优势明显。2016年,Daniele Salvati等提出利用RBF核支持向量机来构建加权最小方差无失真响应波束形成器,能有效处理近场单声源定位问题。
为了解决低信噪比时,MUSIC归一化方法DOA估计误差较大的问题,本案由此产生。
发明内容
本发明的目的,在于提供一种基于支持向量机可控功率响应的MUSIC-DOA估计方法,其可有效解决低信噪比时MUSIC归一化方法DOA估计误差较大的问题,是一种精确、鲁棒的DOA估计方法。
为了达成上述目的,本发明的解决方案是:
一种基于支持向量机可控功率响应的MUSIC-DOA估计方法,包括如下步骤:
步骤1,计算麦克风阵列输出的平均功率;
步骤2,对SRP-MUSIC方法的空间谱估计PSRP-MUSIC(f,θ)进行归一化,得到SRP-NMUSIC空间谱估计;
步骤3,引入支持向量机,并用SVM监督模型进行估计;
步骤4,通过子带信号空间谱估计的偏置得到训练和测试样本;
步骤5,在声源角度已知的前提下,将SVM应用于宽带信号DOA估计,得到SRP-WMUSIC方法DOA估计结果。
上述步骤1的详细内容是:设麦克风阵列包含N个阵元,假设一个方位角为θs的窄带信号入射到N个阵元中,s(t)为t时刻声源发射信号,第n个阵元的接收信号为:
xn(t)=δns(t-τn)+vn(t) n=1,2,…,N
式中,δn表示第n个阵元对信号的增益,τn表示信号到达第n个阵元相对于参考阵元的时延,vn(t)表示t时刻第n个阵元的噪声;
将给定的时刻t变为长度为L的信号向量Xn(t),即:
Xn(t)=[xn(t),xn(t-1),...,xn(t-L+1)]T
式中,(·)T表示矩阵转置运方符,则第n个阵元的接收信号为:
式中,j表示虚部,频域宽带信号模型为:
通过对阵元接收信号进行加权求和,得到观察方向为θ、频率为f的阵列输出向量为:
式中,H表示Hermitian转置,w(f,θ)是阵列在方向θ上的方向向量;
阵列输出的平均功率为:
P(f,θ)=E{|Y(f,θ)|2}=w(f,θ)HΦ(f)w(f,θ)
式中,Φ(f)=E{x(k,f)xH(k,f)}是阵列输出信号的协方差矩阵。
上述步骤2的具体内容是:SRP-MUSIC空间谱估计为:
式中,G(f)表示噪声子空间M×(M-N)的特征向量矩阵,a(f,θ)表示均匀线阵的阵列方向向量;
对PSRP-MUSIC(f,θ)进行归一化,得到SRP-NMUSIC空间谱估计,即:
式中,max[·]表示最大值。
上述步骤2中,远场中均匀线阵的阵列方向向量为:
式中,c表示声速,d表示阵元间距;
根据MUSIC原理,在理想条件下,数据空间中的信号子空间与噪声子空间是相互正交的,即:
a(f,θ)HUN=0
式中,US是由协方差矩阵Φ的N个特征值对应的特征向量张开的子空间,也就是信号子空间;UN是由协方差矩阵Φ的M-N个小特征值对应的特征向量张开的子空间,即噪声子空间。
上述步骤3中,SRP-WMUSIC宽带信号空间谱估计为:
式中,PSRP-MUSIC(f,θ)表示SRP-MUSIC空间谱估计,fmin和fmax表示宽带信号的频率范围,γf是二进制变量,取值为-1或1,用SVM监督模型进行估计为:
式中,sgn表示阶跃函数,Q表示训练集样本的大小,f是子带的频率,是频率为f的第i个训练集样本输入和的高斯核函数,是第i个训练集样本的目标值,γf的取值是{-1,1},ai≥0,b是常数。
上述步骤4中,偏置定义为:
式中,μ(f)是所有子带PSRP-NMUSIC(f,θ)的平均数。
上述步骤5的具体内容是:将参考的美国标准噪声放在角度为θt的位置上,SRP-NMUSIC方法DOA估计为:
式中,PSRP-NMUSIC(f,θ)表示SRP-WMUSIC宽带信号空间谱估计;
声源角度与SRP-NMUSIC方法DOA估计误差为:
第i个训练集的样本标签定义为:
式中,η是一个给定的阈值,用于区分MUSIC归一化空间谱估计不准确的子带信号,不准确的子带信号标签为-1,准确的子带信号标签为1;
最后,SRP-WMUSIC方法DOA估计为:
式中,PSRP-WMUSIC(f,θ)表示SRP-WMUSIC方法的空间谱估计。
采用上述方案后,本发明首先对宽带信号进行快速傅里叶变换,然后用MUSIC方法对每个子带信号进行DOA估计,最后通过SVM对子带信号的DOA估计结果进行分类,选择分类后DOA估计结果较为准确的子带信号进行融合,得到宽带信号的DOA估计。本发明在音频监控、雷达、声纳、远程视频会议环境以及机器人听觉等方面有诸多应用。
附图说明
图1是方位角为-40°的信源空间谱;
图2是消声室环境全景;
图3是消声室实验布局;
图4是四种方法的均方根误差随信噪比变化图;
图5是四种方法的均方根误差随FFT采样数变化图;
图6是四种方法的均方根误差随阵元数变化图;
图7是本发明的原理图。
具体实施方式
以下将结合附图,对本发明的技术方案及有益效果进行详细说明。
如图7所示,本发明提供一种基于支持向量机可控功率响应的MUSIC-DOA估计方法,根据SVM非线性映射对每个子带信号的DOA估计结果进行分类,将DOA估计结果较准确的子带信号保留并融合得到宽带信号的DOA估计,使定位***的抗噪声性能得到提高。
假设一个方位角为θs的窄带信号入射到N个阵元中,s(t)为t时刻声源发射信号,第n个阵元的接收信号为:
xn(t)=δns(t-τn)+vn(t) n=1,2,…,N (1)
式中,δn表示第n个阵元对信号的增益,τn表示信号到达第n个阵元相对于参考阵元的时延,vn(t)表示t时刻第n个阵元的噪声。
将给定的时刻t变为长度为L的信号向量Xn(t),即:
Xn(t)=[xn(t),xn(t-1),...,xn(t-L+1)]T (2)
式中,(·)T表示矩阵转置运方符,则第n个阵元的接收信号为:
式中,j表示虚部,频域宽带信号模型为:
通过对阵元接收信号进行加权求和,得到观察方向为θ、频率为f的阵列输出向量为:
式中,H表示Hermitian(复共轭)转置,w(f,θ)是阵列在方向θ上的方向向量。
阵列输出的平均功率为:
P(f,θ)=E{|Y(f,θ)|2}=w(f,θ)HΦ(f)w(f,θ) (6)
式中,Φ(f)=E{x(k,f)xH(k,f)}是阵列输出信号的协方差矩阵。选择第一个阵元作为参考,假设所有阵元都是全向、相同的。则远场中均匀线阵的阵列方向向量为:
式中,c表示声速,d表示阵元间距。
MUSIC方法是一种通过对信号协方差矩阵进行特征分解,得到渐进无偏的方位估计。MUSIC方法比常规波束形成方法和Capon最小方差方法有着更高的精确性。
由于信号源与噪声是相互独立的,信号协方差矩阵可以分解为信号和噪声两部分,即:
式中,US是由协方差矩阵Φ的N个特征值对应的特征向量张开的子空间,也就是信号子空间;UN是由协方差矩阵Φ的M-N个小特征值对应的特征向量张开的子空间,即噪声子空间。
根据MUSIC原理,在理想条件下,数据空间中的信号子空间与噪声子空间是相互正交的,也就是信号的导向向量与噪声子空间相互正交,即:
a(f,θ)HUN=0
(9)
由此可知,基于可控功率响应的MUSIC方法(SRP-MUSIC)空间谱估计为:
式中,G(f)表示噪声子空间M×(M-N)的特征向量矩阵。
对SRP-MUSIC方法的空间谱估计PSRP-MUSIC(f,θ)进行归一化,得到基于可控功率响应的MUSIC归一化(SRP-NMUSIC)空间谱估计,即:
式中,max[·]表示最大值。
基于支持向量机可控功率响应的MUSIC-DOA估计方法
为了解决低信噪比时,MUSIC归一化DOA估计方法性能下降问题,这里引入支持向量机后,得到基于支持向量机可控功率响应的MUSIC(SRP-WMUSIC)宽带信号空间谱估计为:
式中,fmin和fmax表示宽带信号的频率范围,γf是二进制变量,取值为-1或1,用SVM监督模型进行估计为:
式中,sgn表示阶跃函数,Q表示训练集样本的大小,f是子带的频率,是频率为f的第i个训练集样本输入和的高斯核函数,是第i个训练集样本的目标值,γf的取值是{-1,1},ai≥0,b是常数。通过求解以下凸优化问题得到参数ai。
式中,λ是先验参数,影响支持向量与分离边界之间的距离。用序列最小优化方法求解方程(14),得到参数b为:
训练和测试样本通过子带信号空间谱估计的偏置得到。偏置是分布对称性的度量,定义为:
式中,μ(f)是所有子带PSRP-NMUSIC(f,θ)的平均数。
将SVM应用于宽带信号DOA估计,需建立在声源角度已知的前提下,将参考的美国标准噪声(USASI),放在角度为θt的位置上。SRP-NMUSIC方法DOA估计为:
声源角度与SRP-NMUSIC方法DOA估计误差为:
第i个训练集的样本标签定义为:
式中,η是一个给定的阈值,用于区分MUSIC归一化空间谱估计不准确的子带信号,不准确的子带信号标签为-1,准确的子带信号标签为1。
最后,SRP-WMUSIC方法DOA估计为:
式中,PSRP-WMUSIC(f,θ)表示SRP-WMUSIC方法的空间谱估计。
本发明的效果通过下面的仿真和实验来说明:
仿真条件如下:阵元数M=4,阵元间距为5cm,声速c=340m/s。训练阶段,使用采样频率为44.1kHz的USASI噪声信号作为入射信号,入射角度为-40°,信噪比为0dB。阈值η设置为3,可以得到较好的SVM训练模型。测试阶段,使用采样频率为1.6kHz的人声信号作为入射信号,信噪比为-5dB,在训练和测试阶段保持相同的阵列结构,SVM中的高斯核函数根据交叉验证法设σ=1和λ=1。仿真结果如图1所示。
如图1所示,当信噪比为-5dB时,SRP-WMUSIC的均方根误差为0.7,SRP-NMUSIC,SRP-MUSIC和SRP-PHAT的均方根误差分别为1.7、2和4。本文SRP-WMUSIC方法在精确性上优于SRP-NMUSIC,SRP-MUSIC和SRP-PHAT等方法。
实验条件和结果如图2~6所示。
如图2所示,在消声室中安装一个线性麦克风阵列结构,用来拾取空间语音的空间信息;安放了拾音***设备中的音箱,为麦克风阵列提供声源,消声室尺寸是5.5m×3.3m×2.3m。
如图3所示,麦克风阵列的阵元数为4,阵元间距为5cm。以麦克风阵列第一个阵元为参考阵元,声源距离麦克风1.5m。声源与麦克风的高为1.2m。入射信号角度分别为0°、10°、30°、45°和60°。
如图4所示,实线表示实验结果,虚线表示仿真结果。在实验与仿真的比较中,随着信噪比的增大,SRP-WMUSIC,SRP-NMUSIC,SRP-MUSIC和SRP-PHAT等方法实验结果和仿真结果的均方根误差都逐渐减小,但由于麦克风中存在电噪声,使得实验结果的均方根误差均高于仿真结果。在实验结果中,随着信噪比的增大,本文SRP-WMUSIC方法的均方根误差小于SRP-NMUSIC,SRP-MUSIC和SRP-PHAT等方法,有更好的精确性和稳定性且与仿真结果一致。
如图5所示,在实验与仿真的比较中,随着FFT采样数的增加,SRP-WMUSIC,SRP-NMUSIC和SRP-MUSIC方法实验结果与仿真结果的均方根误差都逐渐减小,实验的均方根误差均高于仿真结果,主要是由麦克风中电噪声引起的,SRP-PHAT方法实验结果的均方根误差在采样数达到256之后逐渐增加,与仿真结果差距逐渐变大,主要是由实验中阵元相位误差对SRP-PHAT方法影响较大。在实验结果中,当FFT采样数较小时,导致测试集的样本数较小,使SRP-PHAT方法精确性优于SRP-WMUSIC方法,随着FFT采样数的增加,本文SRP-WMUSIC方法的均方根误差逐渐减小且精确性优于SRP-NMUSIC,SRP-MUSIC和SRP-PHAT等方法,与仿真结果一致。
如图6所示,在实验与仿真的比较中,SRP-WMUSIC,SRP-NMUSIC,SRP-MUSIC和SRP-PHAT等方法实验结果的均方根误差均高于仿真结果,但随着阵元个数的增加,信号协方差矩阵包含的空间信号信息量更丰富,使得实验与仿真的均方根误差都逐渐降低。在实验结果中,随着阵元个数的增加,本文SRP-WMUSIC方法的均方根误差逐渐减小且优于SRP-NMUSIC,SRP-MUSIC和SRP-PHAT等方法,与仿真结果一致。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (7)
1.一种基于支持向量机可控功率响应的MUSIC-DOA估计方法,其特征在于包括如下步骤:
步骤1,计算麦克风阵列输出的平均功率;
步骤2,对SRP-MUSIC方法的空间谱估计PSRP-MUSIC(f,θ)进行归一化,得到SRP-NMUSIC空间谱估计;
步骤3,引入支持向量机,并用SVM监督模型进行估计;
步骤4,通过子带信号空间谱估计的偏置得到训练和测试样本;
步骤5,在声源角度已知的前提下,将SVM应用于宽带信号DOA估计,得到SRP-WMUSIC方法DOA估计结果。
2.如权利要求1所述的基于支持向量机可控功率响应的MUSIC-DOA估计方法,其特征在于:所述步骤1的详细内容是:设麦克风阵列包含N个阵元,假设一个方位角为θs的窄带信号入射到N个阵元中,s(t)为t时刻声源发射信号,第n个阵元的接收信号为:
xn(t)=δns(t-τn)+vn(t) n=1,2,…,N
式中,δn表示第n个阵元对信号的增益,τn表示信号到达第n个阵元相对于参考阵元的时延,vn(t)表示t时刻第n个阵元的噪声;
将给定的时刻t变为长度为L的信号向量Xn(t),即:
Xn(t)=[xn(t),xn(t-1),...,xn(t-L+1)]T
式中,(·)T表示矩阵转置运方符,则第n个阵元的接收信号为:
式中,j表示虚部,频域宽带信号模型为:
通过对阵元接收信号进行加权求和,得到观察方向为θ、频率为f的阵列输出向量为:
式中,H表示Hermitian转置,w(f,θ)是阵列在方向θ上的方向向量;
阵列输出的平均功率为:
P(f,θ)=E{|Y(f,θ)|2}=w(f,θ)HΦ(f)w(f,θ)
式中,Φ(f)=E{x(k,f)xH(k,f)}是阵列输出信号的协方差矩阵。
3.如权利要求1所述的基于支持向量机可控功率响应的MUSIC-DOA估计方法,其特征在于:所述步骤2的具体内容是:SRP-MUSIC空间谱估计为:
式中,G(f)表示噪声子空间M×(M-N)的特征向量矩阵,a(f,θ)表示均匀线阵的阵列方向向量;
对PSRP-MUSIC(f,θ)进行归一化,得到SRP-NMUSIC空间谱估计,即:
式中,max[·]表示最大值。
4.如权利要求3所述的基于支持向量机可控功率响应的MUSIC-DOA估计方法,其特征在于:所述步骤2中,远场中均匀线阵的阵列方向向量为:
式中,c表示声速,d表示阵元间距;
根据MUSIC原理,在理想条件下,数据空间中的信号子空间与噪声子空间是相互正交的,即:
a(f,θ)HUN=0
式中,US是由协方差矩阵Φ的N个特征值对应的特征向量张开的子空间,也就是信号子空间;UN是由协方差矩阵Φ的M-N个小特征值对应的特征向量张开的子空间,即噪声子空间。
5.如权利要求1所述的基于支持向量机可控功率响应的MUSIC-DOA估计方法,其特征在于:所述步骤3中,SRP-WMUSIC宽带信号空间谱估计为:
式中,PSRP-MUSIC(f,θ)表示SRP-MUSIC空间谱估计,fmin和fmax表示宽带信号的频率范围,γf是二进制变量,取值为-1或1,用SVM监督模型进行估计为:
式中,sgn表示阶跃函数,Q表示训练集样本的大小,f是子带的频率,是频率为f的第i个训练集样本输入和的高斯核函数,是第i个训练集样本的目标值,γf的取值是{-1,1},ai≥0,b是常数。
6.如权利要求1所述的基于支持向量机可控功率响应的MUSIC-DOA估计方法,其特征在于:所述步骤4中,偏置定义为:
式中,μ(f)是所有子带PSRP-NMUSIC(f,θ)的平均数。
7.如权利要求1所述的基于支持向量机可控功率响应的MUSIC-DOA估计方法,其特征在于:所述步骤5的具体内容是:将参考的美国标准噪声放在角度为θt的位置上,SRP-NMUSIC方法DOA估计为:
式中,PSRP-NMUSIC(f,θ)表示SRP-WMUSIC宽带信号空间谱估计;
声源角度与SRP-NMUSIC方法DOA估计误差为:
第i个训练集的样本标签定义为:
式中,η是一个给定的阈值,用于区分MUSIC归一化空间谱估计不准确的子带信号,不准确的子带信号标签为-1,准确的子带信号标签为1;
最后,SRP-WMUSIC方法DOA估计为:
式中,PSRP-WMUSIC(f,θ)表示SRP-WMUSIC方法的空间谱估计。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018104377715 | 2018-05-09 | ||
CN201810437771 | 2018-05-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109283487A true CN109283487A (zh) | 2019-01-29 |
CN109283487B CN109283487B (zh) | 2023-04-21 |
Family
ID=65181271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811072707.8A Active CN109283487B (zh) | 2018-05-09 | 2018-09-14 | 基于支持向量机可控功率响应的music-doa方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109283487B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965026A (zh) * | 2021-02-08 | 2021-06-15 | 华南理工大学 | 一种具有先验定位角度范围的doa阵元间距设置方法 |
CN114639398A (zh) * | 2022-03-10 | 2022-06-17 | 电子科技大学 | 一种基于麦克风阵列的宽带doa估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091661A (zh) * | 2013-02-01 | 2013-05-08 | 西安科技大学 | 基于迭代谱重构的宽带信号波达方向估计方法 |
CN104698433A (zh) * | 2015-03-16 | 2015-06-10 | 电子科技大学 | 基于单快拍数据的相干信号doa估计方法 |
CN106443570A (zh) * | 2016-08-22 | 2017-02-22 | 西安电子科技大学 | 基于多重信号分类算法矢量相关性的波达方向估计方法 |
CN107907852A (zh) * | 2017-10-27 | 2018-04-13 | 大连大学 | 基于空间平滑的协方差矩阵秩最小化doa估计方法 |
KR102183439B1 (ko) * | 2019-05-29 | 2020-11-26 | 부산대학교 산학협력단 | Beamspace MUSIC과 TMA를 결합한 도래각 추정 방법 및 장치 |
-
2018
- 2018-09-14 CN CN201811072707.8A patent/CN109283487B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091661A (zh) * | 2013-02-01 | 2013-05-08 | 西安科技大学 | 基于迭代谱重构的宽带信号波达方向估计方法 |
CN104698433A (zh) * | 2015-03-16 | 2015-06-10 | 电子科技大学 | 基于单快拍数据的相干信号doa估计方法 |
CN106443570A (zh) * | 2016-08-22 | 2017-02-22 | 西安电子科技大学 | 基于多重信号分类算法矢量相关性的波达方向估计方法 |
CN107907852A (zh) * | 2017-10-27 | 2018-04-13 | 大连大学 | 基于空间平滑的协方差矩阵秩最小化doa估计方法 |
KR102183439B1 (ko) * | 2019-05-29 | 2020-11-26 | 부산대학교 산학협력단 | Beamspace MUSIC과 TMA를 결합한 도래각 추정 방법 및 장치 |
Non-Patent Citations (3)
Title |
---|
李新等: "基于Root-MUSIC和支持向量机的间谐波参数估计", 《电测与仪表》 * |
杜金香等: "支持向量机在DOA估计中的稳健性研究", 《声学技术》 * |
龚珞珞: "基于压缩感知的MIMO雷达角度估计方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965026A (zh) * | 2021-02-08 | 2021-06-15 | 华南理工大学 | 一种具有先验定位角度范围的doa阵元间距设置方法 |
CN112965026B (zh) * | 2021-02-08 | 2023-07-18 | 华南理工大学 | 一种具有先验定位角度范围的doa阵元间距设置方法 |
CN114639398A (zh) * | 2022-03-10 | 2022-06-17 | 电子科技大学 | 一种基于麦克风阵列的宽带doa估计方法 |
CN114639398B (zh) * | 2022-03-10 | 2023-05-26 | 电子科技大学 | 一种基于麦克风阵列的宽带doa估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109283487B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272989B (zh) | 语音唤醒方法、装置和计算机可读存储介质 | |
Mohan et al. | Localization of multiple acoustic sources with small arrays using a coherence test | |
CN109102822B (zh) | 一种基于固定波束形成的滤波方法及装置 | |
CN107976651B (zh) | 一种基于麦克风阵列的声源定位方法及装置 | |
Salvati et al. | Incoherent frequency fusion for broadband steered response power algorithms in noisy environments | |
US20140098964A1 (en) | Method and Apparatus for Acoustic Area Monitoring by Exploiting Ultra Large Scale Arrays of Microphones | |
Grondin et al. | Time difference of arrival estimation based on binary frequency mask for sound source localization on mobile robots | |
Sun et al. | Joint DOA and TDOA estimation for 3D localization of reflective surfaces using eigenbeam MVDR and spherical microphone arrays | |
CN111044973A (zh) | 一种用于麦克风方阵的mvdr目标声源定向拾音方法 | |
Salvati et al. | On the use of machine learning in microphone array beamforming for far-field sound source localization | |
CN108549052A (zh) | 一种时频-空域联合加权的圆谐域伪声强声源定位方法 | |
CN106371057B (zh) | 语音声源测向方法及装置 | |
CN109459744A (zh) | 一种实现多干扰抑制的稳健自适应波束形成方法 | |
CN106019230B (zh) | 一种基于i-vector说话人识别的声源定位方法 | |
Pujol et al. | BeamLearning: An end-to-end deep learning approach for the angular localization of sound sources using raw multichannel acoustic pressure data | |
CN110047507A (zh) | 一种声源识别方法及装置 | |
CN109283487A (zh) | 基于支持向量机可控功率响应的music-doa方法 | |
Meier et al. | Artificial Neural Network-Based Feature Combination for Spatial Voice Activity Detection. | |
CN116559778A (zh) | 一种基于深度学习的车辆鸣笛定位方法及*** | |
Hadad et al. | Multi-speaker direction of arrival estimation using SRP-PHAT algorithm with a weighted histogram | |
Yamaoka et al. | Performance evaluation of nonlinear speech enhancement based on virtual increase of channels in reverberant environments | |
Moore et al. | 2D direction of arrival estimation of multiple moving sources using a spherical microphone array | |
Beit-On et al. | Binaural direction-of-arrival estimation in reverberant environments using the direct-path dominance test | |
Chen et al. | A DNN based normalized time-frequency weighted criterion for robust wideband DoA estimation | |
Pesavento et al. | A theoretical and experimental performance study of a root-MUSIC algorithm based on a real-valued eigendecomposition |
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 | ||
CB02 | Change of applicant information |
Address after: 210032 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu Applicant after: Nanjing University of Information Science and Technology Address before: 211500 Yuting Square, 59 Wangqiao Road, Nanjing, Jiangsu Province Applicant before: Nanjing University of Information Science and Technology |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |