CN109633553B - 基于动态规划算法的移动声源到达时延估计方法 - Google Patents
基于动态规划算法的移动声源到达时延估计方法 Download PDFInfo
- Publication number
- CN109633553B CN109633553B CN201910055840.0A CN201910055840A CN109633553B CN 109633553 B CN109633553 B CN 109633553B CN 201910055840 A CN201910055840 A CN 201910055840A CN 109633553 B CN109633553 B CN 109633553B
- Authority
- CN
- China
- Prior art keywords
- time delay
- time
- sound source
- tdoa
- dynamic programming
- 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
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)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明公开了一种基于动态规划算法的移动声源到达时延估计方法。该方法利用移动声源时延估计具有连贯性的特点,先采集连续n个时刻的数据,在每一个时刻取出互功率谱密度分布函数上最大的m个峰值对应的m个时延,再在m个时延中取出的任意一个时延,连续取n个时刻后可以将n个时延连线,利用动态规划算法求出时延波动最小的连线,同时,引入互功率谱密度分布函数的峰值对时延连线的选取进行修正。选出最小波动时延连线后,将该连线最后一个时刻的时延作为信号到达时延TDOA,可利用滑动时间窗重复上述过程求取后续TDOA。本发明充分利用多帧移动声源信号时延连贯性,同时考虑到了多径效应对声源时延的影响,提取出最正确的时延,对声阵列处理领域具有较高的价值。
Description
技术领域
本发明涉及阵列信号领域,特别是涉及麦克风阵列信号处理和到达时延估计。
背景技术
本发明的背景基于实际需要产生。近年来,在无人机迅速成为研究热点时,也带来一系列问题,比如无人机黑飞,严重影响区域安全。因此无人机防御正在成为各国政府和军方重点关注的新领域。无人机的声音具有明显的特征,可以有效侦别出空中飞行的物体。通过架设多个麦克风阵列,能有效地收集到无人机的信号,但是实际环境存在的噪声、信号在电路设备传输过程中的噪声以及一些其他的混响、多径干扰等,收集到的声音信号非常嘈杂,导致对无人机进行定位时,估计信号到达麦克风时延(TDOA)会出现比较大的误差,为了提高TDOA估计的准确性,可以在估计TDOA时进行改进。
在目前的研究内容中,一般利用上一时刻的TDOA对本时刻TDOA估计进行修正,但这种方法仅依赖上一个时刻的TDOA,冗余性较差,容易出现误差。因此,急需一种新的方法结合前多个时刻的TDOA来估计本时刻TDOA,同时能够保证较快的运行速度和***较低的成本。而本发明能有效的计算出TDOA,提升后续对信号分析的准确性。
发明内容
为了实现对无人机移动时声音信号时延的跟踪,本发明采用麦克风阵列传感器对空中无人机声音信号进行处理,可以有效计算移动中的无人机声音信号到达麦克风TDOA。
本发明解决其技术问题所采用的技术方案是:一种基于动态规划算法的移动声源到达时延估计方法,包括如下步骤:
(3)根据移动声源时延估计的连贯性,利用如下公式找到n个时刻时延相连曲线中波动最小的曲线,并计算到达麦克风时延TDOA:
其中Th代表在第h时刻的时延,Th取自集合[th,1,th,2,...,th,m],th,i代表第h时刻的第i个最大峰值对应的时延;Ph代表Th所取时延对应的互功率谱密度分布函数的峰值大小;a用来将Ph与Th的大小调至同一个数量级。
(4)通过动态规划算法求解公式(2),得到第n个时刻的最终TDOA。
(5)利用滑动时间窗求得之后每个时刻的TDOA。
进一步地,步骤(4)中,利用如下动态规划算法求解公式(2):
利用如下公式计算最终的TDOA:
本发明提出的基于动态规划算法的移动声源到达时延估计方法,可以计算移动中的无人机声音信号到达麦克风时延,具有成本低廉,计算迅速等特点。本发明具有以下优势:
(1)充分融合多时刻声源信号的信息,提高了TDOA估计的精度。
(2)在融合时刻信号时延时,引入了互功率谱密度分布函数的峰值,消除了多径效应对麦克风时延的影响。
(3)充分利用动态规划算法对整个计算过程进行优化,简化了计算步骤,降低了计算复杂度,加快了运算效率。
附图说明
图1为本发明方法流程图;
图2为多时刻多时延散点图;
图3为最小波动时延连线图;
图4为利用错误TDOA初值后后续TDOA跟踪结果;
图5为利用正确TDOA初值后后续TDOA跟踪结果。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。
本发明提出的一种基于动态规划算法的移动声源到达时延估计方法,包括如下步骤:
(3)根据移动声源时延估计的连贯性,利用如下公式找到n个时刻时延相连曲线中波动最小的曲线,并计算到达麦克风时延TDOA:
其中Th代表在第h时刻的时延,Th取自集合[th,1,th,2,...,th,m],th,i代表第h时刻的第i个最大峰值对应的时延;Ph代表Th所取时延对应的互功率谱密度分布函数的峰值大小;a用来将Ph与Th的大小调至同一个数量级。
(4)通过动态规划算法求解公式(2),得到第n个时刻的最终TDOA。
利用如下动态规划算法求解公式(2):
利用如下公式计算最终的TDOA:
(5)利用滑动时间窗求得之后每个时刻的TDOA。
附图1是一个实施例的实施流程图,首先由麦克风阵列采集声音信号,先连续采集10秒左右的数据,将每一秒的数据都利用广义互相关算法进行处理,求出每一秒的广义互相关函数的前几个最大峰值对应的时延点,然后将多时刻这样的时延代入上述动态规划模型,求出最小波动时延连线以及TDOA,之后滑动时间窗口计算后续TDOA。
附图2是采集十秒数据,每秒从该秒数据的互功率密度分布函数上提取5个最大峰值对应的时延点,将这些时延点画成散点图。可以看到同一时刻的时延分布有多个值,一般的算法都是直接把最大峰值对应的时延作为TDOA,但这样做,对声源信号的信噪比要求较高,一旦有噪声或者多径效应导致TDOA不出现在最大峰值对应TDOA上,这样估计出的TDOA会有很大误差。
附图3是利用本发明在附图2中十秒的时延点中找到波动最小的时延点连线,黑色连线就是波动最小的时延点连线,从图中看出,在该连线下方几个点也可以连成一条比较小波动的时延点连线,但由于我们提出的公式:
中,加入了Ph这个量,使我们选择连线时,优先选择对应互功率密度分布函数上峰值比较大的时延点所连成的线。
附图4和5展示了我们将此方法用于TDOA初值估计的结果。图4是我们利用将TDOA估计的初始值设置为0后,后续利用高斯函数结合GCC算法进行TDOA连续跟踪估计的效果,具体实施步骤如下:
根据上一时刻的时延估计结果以及互功率谱密度分布函数,计算高斯分布先验概率密度分布函数:
其中μ=tpast,tpast表示上一时刻的时延估计的最终结果,B表示上一时刻互功率谱密度分布函数所对应的值左右两侧零点限定的区间范围;根据计算当前时刻的互功率谱密度分布函数,其中t满足t∈[-d/c,d/c]约束条件,表示当前时刻的互功率谱密度函数,d表示两麦克风之间的间距,c表示声速。可以看到,因为初值是错误的,后续利用高斯算法进行TDOA估计跟踪时,跟踪效果非常差,虽然后续由于跟踪算法不断迭代将TDOA重新跟回正确轨迹,但在这之前有很长一段时间TDOA估计是错误的。附图5展示了我们将TDOA初值设置为该发明提取的TDOA后,后续利用跟踪算法进行TDOA连续跟踪估计的效果,由于初值是正确的,所以这一次的后续TDOA估计都是正确的。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (3)
1.一种基于动态规划算法的移动声源到达时延估计方法,其特征在于,包括如下步骤:
(3)根据移动声源时延估计的连贯性,利用如下公式找到n个时刻时延相连曲线中波动最小的曲线,并计算到达麦克风时延TDOA:
其中Th代表在第h时刻的时延,Th取自集合[th,1,th,2,...,th,m],th,i代表第h时刻的第i个最大峰值对应的时延;Ph代表Th所取时延对应的互功率谱密度分布函数的峰值大小;a用来将Ph与Th的大小调至同一个数量级;
(4)通过动态规划算法求解公式(2),得到第n个时刻的最终TDOA;
(5)利用滑动时间窗求得之后每个时刻的TDOA。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910055840.0A CN109633553B (zh) | 2019-01-18 | 2019-01-18 | 基于动态规划算法的移动声源到达时延估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910055840.0A CN109633553B (zh) | 2019-01-18 | 2019-01-18 | 基于动态规划算法的移动声源到达时延估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633553A CN109633553A (zh) | 2019-04-16 |
CN109633553B true CN109633553B (zh) | 2020-11-13 |
Family
ID=66062609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910055840.0A Active CN109633553B (zh) | 2019-01-18 | 2019-01-18 | 基于动态规划算法的移动声源到达时延估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633553B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106131949A (zh) * | 2016-06-02 | 2016-11-16 | 上海物联网有限公司 | 一种基于能量均值检测的到达时间估计方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103200B (zh) * | 2010-11-29 | 2012-12-05 | 清华大学 | 一种分布式非同步声传感器的声源空间定位方法 |
CN103850679B (zh) * | 2014-04-01 | 2019-12-17 | 北京师范大学 | 一种利用多种测井曲线对声波时差曲线进行重构的方法 |
CN105277921B (zh) * | 2015-09-23 | 2017-12-26 | 浙江大学 | 一种基于智能手机的被动声源定位方法 |
KR101869865B1 (ko) * | 2015-12-21 | 2018-06-22 | 서울대학교산학협력단 | 기 설계된 음향 데이터 신호를 이용한 실내 위치 추정 방법 |
KR101875273B1 (ko) * | 2016-07-11 | 2018-08-02 | 국방과학연구소 | 음원에서 직접 전파된 음파와 지면에 반사된 음파 측정을 기반으로 한 지연시간도달 기법을 이용한 음원 위치 추정 장치 및 방법 |
CN108241106A (zh) * | 2017-12-29 | 2018-07-03 | 国网北京市电力公司 | 时延估计方法及装置 |
-
2019
- 2019-01-18 CN CN201910055840.0A patent/CN109633553B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106131949A (zh) * | 2016-06-02 | 2016-11-16 | 上海物联网有限公司 | 一种基于能量均值检测的到达时间估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109633553A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Particle filtering approaches for multiple acoustic source detection and 2-D direction of arrival estimation using a single acoustic vector sensor | |
Wei et al. | Multidimensional scaling analysis for passive moving target localization with TDOA and FDOA measurements | |
CN111474521B (zh) | 多径环境中基于麦克风阵列的声源定位方法 | |
CN101509972B (zh) | 基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法 | |
CN105467364A (zh) | 一种定位目标声源的方法和装置 | |
CN109188362B (zh) | 一种麦克风阵列声源定位信号处理方法 | |
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 | |
CN107015205B (zh) | 一种分布式mimo雷达检测的虚假目标消除方法 | |
CN106707258A (zh) | 一种非高斯背景下微动目标多参数估计方法 | |
CN110495185B (zh) | 语音信号处理方法及装置 | |
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 | |
CN109901112A (zh) | 基于多通道声获取的声学同时定位与建图方法 | |
CN110927660A (zh) | 一种基于互质阵列的混合信号波达方向估计方法 | |
CN111965596A (zh) | 一种基于联合参数估计的低复杂度单锚节点定位方法及装置 | |
CN102243309B (zh) | Gnss互相关干扰抑制方法和装置 | |
CN110488277B (zh) | 基于外辐射源的分布式主被动雷达联合定位方法 | |
CN103901400A (zh) | 一种基于时延补偿和双耳一致性的双耳声音源定位方法 | |
CN108564962B (zh) | 基于四面体麦克风阵列的无人机声音信号增强方法 | |
EP2362238B1 (en) | Estimating the distance from a sensor to a sound source | |
CN109633554A (zh) | 基于概率数据关联的移动声源到达时延估计方法 | |
CN109633553B (zh) | 基于动态规划算法的移动声源到达时延估计方法 | |
CN112114300A (zh) | 一种基于图像稀疏表示的水下弱目标检测方法 | |
Shi et al. | Neural network based localization using outdoor lte measurements | |
CN112731292B (zh) | 局部imf能量加权的低空飞行目标信号时延估计方法 | |
CN112731283B (zh) | 基于多级维纳滤波器的高亚音速飞行目标声学测向方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |