CN111610492A - 一种多声传感器阵列智能感知方法及*** - Google Patents
一种多声传感器阵列智能感知方法及*** Download PDFInfo
- Publication number
- CN111610492A CN111610492A CN202010497144.8A CN202010497144A CN111610492A CN 111610492 A CN111610492 A CN 111610492A CN 202010497144 A CN202010497144 A CN 202010497144A CN 111610492 A CN111610492 A CN 111610492A
- Authority
- CN
- China
- Prior art keywords
- acoustic
- target
- array
- sound
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000002245 particle Substances 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000005236 sound signal Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000003491 array Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019994 cava Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种多声传感器阵列智能感知方法及***，声目标定位方法包括以下步骤：根据声源空间位置与方位角的转换关系，建立目标声源的方位观测模型，根据方位观测模型确定传播算子算法的空间谱分布；将传播算子算法空间谱分布应用到改进粒子滤波的似然函数中，利用粒子滤波方法分别计算各个传声器阵列对声目标的状态估计值，根据各个声目标状态估计值，根据标量加权线性最小方差融合准则融合得到目标的运动状态。其基于PF‑PM的多传感器阵列的协同跟踪算法，能实现声源的二维角度和三维空间实时跟踪，融合后的跟踪误差大大降低。
Description
技术领域
本发明涉及目标定位识别领域，更具体的说是涉及一种多声传感器阵列智能感知方法及***。
背景技术
传统声探测***，一般将若干个麦克风固定布置在一定区域内，根据麦克风采集的声信号与预设门限关系判定各个观测点是否存在目标信号。现有多声传感器数据级定位算法，基于目标回波信号的特殊参数到达各个探测节点与参考点的时间差的测量然后利用这些测量参数求解定位方程，结合卡尔曼滤波融合得到目标运动参数估计结果后对目标进行定位。采用现有的方法其存在以下缺陷：
首先，由于基于卡尔曼滤波进行各个探测节点的状态融合，只能应用于线性观测***，且***观测噪声和过程噪声为高斯白噪声，跟踪误差大。
发明内容
本发明为了解决上述技术问题提供一种多声传感器阵列智能感知方法及***。
本发明通过下述技术方案实现：
一种多声传感器阵列智能感知方法，包括声目标定位方法，所述声目标定位方法包括以下步骤：
根据声源空间位置与方位角的转换关系，建立目标声源的方位观测模型，
根据方位观测模型确定传播算子算法的空间谱分布；
将传播算子算法空间谱分布应用到改进粒子滤波的似然函数中，利用粒子滤波方法分别计算各个传声器阵列对声目标的状态估计值，
根据各个声目标状态估计值，根据标量加权线性最小方差融合准则融合得到目标的运动状态。
本方案的定位方法基于PF-PM的多传感器阵列的协同跟踪算法，能实现声源的实时跟踪，融合后的跟踪误差大大降低，提高了声目标的定位精度。
还包括声目标识别方法，所述声目标识别方法包括以下步骤：
获取声目标，对声目标进行多源特征提取与融合，并将未知目标输入人工标注***进行人工标注；
输入深度学习网络模型进行训练并识别输出。
传统声目标识别方法需要依赖大量专家经验进行特征提取和分类器设计，不能充分挖掘目标的深层次特征，识别效果很大程度取决于浅层特征，识别精度低。本方案基于深度学习网络模型进行实现声目标识别，深度学习是一种利用非线性信息处理技术实现多层次的特征提取和转换，并进行模式分析和分类的理论方法，可以直接从原始信息中自动学习、定义和揭示潜在的类别信息，消除噪声影响，并自适应构建决策分类***，识别精度高，且可实现对未知目标的学习能力。
一种多声传感器阵列智能感知***，包括声感知节点和集群中枢，
所述集群中枢包括采用上述声目标感定位方法实现声目标定位的声目标定位单元和采用上述声目标感识别方法实现声目标识别的声目标识别单元。
作为优选，所述声感知节点包括：
采集声音数据时间信息的北斗模块，
用于无线数据传送及自组网的无线传输模块，
采集节点运动状态数据的状态信息采集模块，
用于采集声音信号的传声阵列，
实现对传声阵列的声信号多通道采集的数据采集卡，
实现对上述各模块的控制，实现时间、位置信息解析打包的控制单元。
现有声探测***根据麦克风采集的声信号与预设门限关系判定各个观测点是否存在目标信号，由于提取信号参量时会进行门限检测，这样会导致微弱目标无法超过门限而漏检，导致一些微弱信号损失，使得微弱信号检测环境下的位算法失效。本方案的声感知节点声音信息采集无门限，可采用微弱的声音信号，避免信息漏检。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本方案基于PF-PM的多传感器阵列的协同跟踪算法，能实现声源的实时跟踪，融合后的跟踪误差大大降低。
2、本方案的识别方法基于深度学习网络模型，是一种利用非线性信息处理技术实现多层次的特征提取和转换，并进行模式分析和分类的理论方法，可以直接从原始信息中自动学习、定义和揭示潜在的类别信息，消除噪声影响，并自适应构建决策分类***，提高对声目标的识别精度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。
图1为本发明***的原理框图。
图2为本发明声感知节点的原理框图。
图3为本发明声目标方位的识别方法的流程图。
图4为实施例2的仿真结果图。
图5为实施例3的仿真结果图。
图6为实施例4中角度定位仿真结果图。
图7为深度学习模型的原理图。
图8实施例5的收敛曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图3所示的一种多声传感器阵列协同定位方法，包括声目标定位和识别方法，其中，声目标定位方法包括以下步骤：
所述声目标定位方法包括以下步骤：
根据声源空间位置与方位角的转换关系，建立目标声源的方位观测模型，
根据方位观测模型确定传播算子算法的空间谱分布；
将传播算子算法空间谱分布应用到改进粒子滤波的似然函数中，利用粒子滤波方法分别计算各个传声器阵列对声目标的状态估计值，
根据各个声目标状态估计值，根据标量加权线性最小方差融合准则融合得到目标的运动状态。
声目标识别方法包括以下步骤：
获取声目标，对声目标进行多源特征提取与融合，并将未知目标输入人工标注***进行人工标注；
输入深度学习网络模型进行训练并识别输出。
大多数的目标跟踪方法都是基于模型的，一个是目标行为，通常用目标运动模型表示；另一个是对目标的观测，称为传感器观测模型。常用的就是下述状态空间模型:
其中，k是采样时刻，N为大于0的整数，xk和zk分别是k时刻的目标状态和观测向量，wk和vk是过程噪声向量和观测噪声向量，fk(·)和hk(·)分别是状态转移函数和观测函数。这里只考虑单源情况下，采用匀速模型模拟信源的在空间中的运动变化。当目标在一维空间运动时，可用位移和速度向量来表示，用
描述目标的状态向量，其中x和x.分别表示目标位置和速度。其运动状态用CV模型表示，同理可推倒出，目标在二维、三维空间运动模型。以上两种模型是目标运动模型中最基本的模型,也是目标跟踪中采用最多的模型,其计算量小，适合实时跟踪的需要。在实际应用中，也常用CA模型来近似描述目标的机动。在目标机动性较弱的情况下，其机动可以看作是目标加速度的变化，将目标的加速度看作随机噪声,通过调整噪声的方差可以近似目标的机动。但是在目标机动较强的情况下，这样的模型对目标运动的描述显然是不精确的，需要采用与目标运动更为匹配的目标机动模型CV。
采用传声阵列对目标进行实时跟踪，声信号被声阵列接收后，其观测值来自于阵列的输出，假设有N个阵元，采样快拍数为T，在k时刻第n个阵元输出为
Yn(k)＝A(ψn(k))S(k)+Nn(k) (3-2)
其中，ψn(k)＝[θn(k),φn(k)]，θn(k)和φn(k)是目标的俯仰角和方位角，S(k)为目标信号序列，A(ψn(k))为传声阵列的阵列流形，Nn(k)表示N个阵元的噪声矢量，这里需要对目标进行三维空间跟踪，公式中的观测结果只有角度分量，因此需要对三维空间角度和位置作一定变换，以便于应用到粒子滤波跟踪模型中，假设探测节点(传声阵列)的三维位置为
目标位置x'k＝[x',y',z']T，根据空间角度和位置的坐标关系：
可以建立起目标空间坐标和观测之间的观测方程：
Yn(k)＝A(xk)S(k)+Nn(k) (3-5)
其中，A(xk)表示阵列导向矩阵；
由此可得传声阵列方位观测模型：Yk＝[Y1(k),Y2(k),...,YN(k)]。
粒子滤波(Particle Filter)是以蒙特卡罗方法及贝叶斯估计为理论基础，并且在处理非高斯非线性***效果明显的一种统计滤波方法。其实质是通过抽取状态空间中独立的随机变量序列来近似后验概率密度p(xk|Y1:k)，通过样本均值实现积分运算，进而取得最小方差的状态估计序贯重要性采样算法以递推的方式实现了贝叶斯重要性采样算法，以预测更新的方式实现状态的滤波估计，其基本两个步骤是预测和更新，分别由下式完成：
预测：
p(xk|Y1:k-1)＝∫p(xk|xk-1)(xk-1|Y1:k-1)dxk-1 (3-6)
更新：
在SIR算法中，采用简便易行的p(xk|xk-1)作为重要性概率函数，即：
q(xk(i)|x0:k-1(i),Y1:k)＝p(xk(i)|xk-1(i)) (3-8)
k-1时刻的粒子通过状态方程更新得到k时刻的粒子，即：
xk(i)～p(xk(i)|xk-1(i)) (3-9)
粒子的权重计算公式为
归一化权重为：
因此，xk的估计值为：
在粒子滤波算法中，粒子权值的确定影响算法的滤波质量。当粒子距离真实状态很近时，粒子似然函数呈现很大的权重，反之亦然，为了使权重大的粒子能够在重采样阶段复制下来，似然函数p(Yk|xk(i))的确定是算法的关键。由传声阵的阵列观测模型可知，观测噪声为高斯随机过程，因此，T次快拍数下似然函数可表示为：
这里，xk(i)表示在k时刻的第i个粒子，i＝1,...,N。
如若采用式3-13作为似然函数，存在以下两点不足：通常，似然函数的主瓣比较平坦，尤其在低信噪比情况下，导致在真实状态附近的粒子不能通过权重来衡量。另一个原因是式中的快拍数指数的影响。当快拍数很大时，比如T>100在执行运算时会使粒子权重接近0，故快拍数很大导致粒子权重估计失效。
在PM算法中，由于来波信号不相关，协方差矩阵R为一个满秩矩阵，因此可将其进行分块为R＝[G,H]，其中G和H分别是M×Q和M×(M-Q)维矩阵。矩阵G的列向量是线性独立的非奇异矩阵，在没有噪声的情况，存在一个矩阵
也称传播算子，满足以下关系：
在存在有服从高斯分布噪声的情况下，传播算子
可通过最小二乘法求得，表示为
通过构造矩阵U
其中IM-Q表示维数为(M-Q)×(M-Q)的单位矩阵，有UHR＝0，可见矩阵U正交于导向向量a(θk)。因此我们可以构造如下PM算法的空间谱函数
通过谱估计式
的峰值搜索确定与峰值相对应的角度位置就是入射的方向信息。由于噪声的影响噪声子空间和信号子空间不能完全正交，因此可通过一定角度范围内搜索，谱函数最大峰值处即为信号波达方向。因此3-13中似然函数可由PM算法的空间谱函数
代替。
将每个局部探测节点预测和观测结果进行粒子滤波之后，得到局部状态估值
采用标量加权线性最小方差融合准则来得到目标状态的最优融合估计
其表达式：
其中ai为加权系数，ai可由下式计算：
相应的融合估值误差方差阵为：
具体的，本方案的定位方法适于二维和三维方向跟踪，具体实施方法为：
初始化：初始目标空间位置可随机选取，也可以通过某种主动探测方式大致确定，初始粒子权重为1/N；
k时刻，预测下一时刻状态分布；
根据空间角度与位置坐标关系，建立观测方程(3-5)，从而构建的方位观测模型Yk；
计算接收数据协方差阵R＝E[YYH],根据(3-14)和(3-15)构造噪声子空间U；
按照(3-1)和(3-9)式进行抽样得到预测粒子xk(i),i＝1.2.3..N，根据式(3-3)和(3-4)的空间角和位置换算关系，计算预测粒子的角度信息；
将预测粒子角度信息带入(3-16)，计算得到PM算法的空间谱函数，即为PF算法的似然函数值P(Yk|Xk(i))；
根据(3-10)、(3-11)计算粒子权重
根据(3-12)计算各个节点滤波状态估计值，根据(3-17)计算滤波融合结果；
k＝k+1，重复第(2)至(6)。若k>T，则终止。
实施例2
基于上述实施例的***及方法原理，本实施例具体采用5个线型传声阵列，每个阵列阵元数M＝8，快拍数为100，信噪比SNR＝5，五个探测节点位置分别为Node1(80,100)、Node2(300,90)、Node3(380,200)Node4(250,260)和Node5(120,250),单位为米。粒子滤波采用周期T＝1s，粒子数N＝500，跟踪时长60s。声源目标从初始位置(5,5)以速度v＝[7.5，4.5]，单位是m/s在二维平面内匀速运动。其仿真结果详见图4，从空间位置的跟踪效果来看，基于PF-MUSIC的多传感器协同跟踪算法可以成功实现目标在二维平面内的动态跟踪。
实施例3
基于实施例1的***及方法，本实施例具体采用3个L型传声阵列，每个阵列阵元数M＝16，快拍数为100，信噪比SNR＝5，3个探测节点位置分别为Node1(40,100,0)、Node2(80,30,10)和Node3(100,100,20)。粒子滤波采用周期T＝1s，粒子数N＝500，跟踪时长30s。声源目标从初始位置(5,5，5)以速度v＝[7.17，7.17，4.17]，单位是m/s，在三维平面内匀速运动。其仿真结果详见图5，从空间位置的跟踪效果来看，基于PF-MUSIC的多传感器协同跟踪算法可以成功实现目标在三维平面内的动态跟踪，且定位精度高。
实施例4
根据实施例1中的多声传感器阵列协同定位方法，略去公式3-3、3-4中的三维坐标和角度的变换关系，实施多声传感器组网协同角度定位，定位结果如图6所示跟踪时间范围平均误差分别小于1.2071°和1.4184°。
实施例5
基于实施例1的识别方法，本实施例公开一深度学***均池化(Average Pooling)和早停等技术，在包含5种类别的声音数据集上，包括***声、直升机、烟花声、卡车声和坦克声，采取交叉验证方法训练，最终如图8的F1收敛曲线，达到了90％的识别准确率。其中残差结构的连接跳跃层数为2，激活函数采取ELU，卷积核大小为3*3。
实施例6
基于上述实施例的方法，本实施例公开实施上述方法的多声传感器阵列智能感知***，该***包括声感知节点和集群中枢。
如图2所示的声感知节点包括北斗模块、无线传输模块、状态信息采集模块、传声阵列、数据采集卡和控制单元。北斗模块采集声音数据时间信息，为采集声音数据提供精确的时间信息以实现各节点之间的数据同步，提供每个节点位置信息来实现空间同步。无线传输模块实现无线数据传送及自组网。状态信息采集模块采集节点的运动状态数据，可采用加速度计和陀螺仪完成，方便在隧道、山洞等北斗卫星信号弱的情况下对节点位置的计算。麦克风采集声音信号，采用阵列结构实现声音数据的多通道采集，并经数据采集卡传送给控制单元，控制单元实现对北斗模块、无线传输模块、状态信息采集模块、传声阵列、数据采集卡的控制，并对时间、位置信息解析打包后经无线传输模块进行传输。传声阵列可采用现有的麦克风阵列。
具体的，为了减小功耗，声感知节点之间可设置唤醒机制，即区域内有声源发声时，其周围的声传感器节点检测到的声音强度达到设定好的阈值，节点被唤醒，并立即以广播的形式向外发射当前时刻采集到的声音信息。当探测节点检测到的声音强度低于设定好的阈值时，节点的处理和发射功能转入休眠状态，以降低功耗节约能源。
声感知节点之间可通过无线传输模块进行自组网，环境中大量的声感知节点之间形成声感知网络，探测到的信息可在节点间进行共享，这种具有高度分散、随机分布、动态变化特点的大规模传感器网络将作为一种全新的智能承载形态。
声感知节点采集声信号、对声信号进行预处理，并其传输至集群中枢。
集群中枢对分布式声信号的识别功能，对大规模节点输入的信息进行汇总、识别和决策，具体的，集群中枢包括应用上述实施例1中的方法识别声目标位置信息的声目标定位单元和采用实施例1、实施例4的方法实现声目标识别的声目标识别单元。目标识别单元实现声目标的类别估计，包括识别单元、存储单元和人工标注单元，识别单元基于深度学习模型，目标识别单元实现声信号的目标识别，若无法识别，则发送给人工标注***待人工标注进行信息标注。
相应的，数据管理单元包括两部分，一部分为自进化存储单元，另一部分为人工标注存储单元，存储不同的声数据信息
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种多声传感器阵列智能感知方法，包括声目标定位方法，其特征在于：所述声目标定位方法包括以下步骤：
根据声源空间位置与方位角的转换关系，建立目标声源的方位观测模型，根据方位观测模型确定传播算子算法的空间谱分布；
将传播算子算法空间谱分布应用到改进粒子滤波的似然函数中，利用粒子滤波方法分别计算各个传声器阵列对声目标的状态估计值，
根据各个声目标状态估计值，根据标量加权线性最小方差融合准则融合得到目标的运动状态。
2.根据权利要求1所述的一种多声传感器阵列智能感知方法，其特征在于，还包括声目标识别方法，所述声目标识别方法包括以下步骤：
获取声目标，对声目标进行多源特征提取与融合，并将未知目标输入人工标注***进行人工标注；
输入深度学习网络模型进行训练并识别输出。
3.根据权利要求1所述的一种多声传感器阵列协同定位方法，其特征在于，所述声目标定位方法具体为：
根据声源空间位置与方位角的转换关系，建立目标声源的方位观测模型Yn(k)，其中，Yk＝[Y1(k),Y2(k),...,YN(k)]；
根据方位观测模型Yn(k)计算协方差阵R，构造噪声子空间U；
抽样得到预测粒子，根据空间角和位置换算关系，计算预测粒子的角度信息，该角度信息包括俯仰角和方位角；
根据预测粒子的角度信息计算PM算法的空间谱函数
即为PF算法的似然函数值；
计算粒子权重和各节点滤波状态估计值；
根据标量加权线性最小方差融合准则融合得到目标的运动状态。
4.一种多声传感器阵列智能感知***，包括声感知节点和集群中枢，其特征在于：
所述集群中枢包括采用上述权利要求1至3中任一所述声目标定位方法实现声目标定位的声目标定位单元和声目标识别单元。
5.根据权利要求4所述的一种多声传感器阵列智能感知***，其特征在于，所述声感知节点包括：
采集声音数据时间信息的北斗模块，
用于无线数据传送及自组网的无线传输模块，
采集节点运动状态数据的状态信息采集模块，
用于采集声音信号的传声阵列，
实现对传声阵列的声信号多通道采集的数据采集卡，
实现对上述各模块的控制，实现时间、位置信息解析打包的控制单元。
6.根据权利要求5所述的一种多声传感器阵列智能感知***，其特征在于，所述状态信息采集模块包括加速度计和陀螺仪。
7.根据权利要求5所述的一种多声传感器阵列智能感知***，其特征在于，所述传声阵列成线性或L型。
8.根据权利要求5所述的一种多声传感器阵列智能感知***，其特征在于，所述声目标识别单元包括识别单元、存储单元和人工标注单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010497144.8A CN111610492A (zh) | 2020-06-03 | 2020-06-03 | 一种多声传感器阵列智能感知方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010497144.8A CN111610492A (zh) | 2020-06-03 | 2020-06-03 | 一种多声传感器阵列智能感知方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111610492A true CN111610492A (zh) | 2020-09-01 |
Family
ID=72204192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010497144.8A Pending CN111610492A (zh) | 2020-06-03 | 2020-06-03 | 一种多声传感器阵列智能感知方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111610492A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112130136A (zh) * | 2020-09-11 | 2020-12-25 | 中国重汽集团济南动力有限公司 | 一种交通目标综合感知***及方法 |
| CN116054909A (zh) * | 2022-12-16 | 2023-05-02 | 广东工业大学 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
| CN116086586A (zh) * | 2023-04-11 | 2023-05-09 | 中船重工海目测试技术(海南)有限公司 | 一种基于粒子群优化阵列处理的船舶辐射噪声测量方法 |
| CN117008056A (zh) * | 2023-10-07 | 2023-11-07 | 国网浙江省电力有限公司宁波供电公司 | 一种基于mems确定目标声源的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101806906A (zh) * | 2010-04-14 | 2010-08-18 | 上海华测导航技术有限公司 | 基于gnss的位置坐标实时动态组合测量装置及方法 |
| CN102890267A (zh) * | 2012-09-18 | 2013-01-23 | 中国科学院上海微***与信息技术研究所 | 一种传声器阵列结构可变的低空目标定位与跟踪*** |
| CN108802692A (zh) * | 2018-05-25 | 2018-11-13 | 哈尔滨工程大学 | 一种基于最大互相关熵容积粒子滤波的目标跟踪方法 |
| CN109991567A (zh) * | 2019-04-12 | 2019-07-09 | 哈尔滨工程大学 | 一种水下滑翔机四面体阵三维被动测向方法 |
| CN110189769A (zh) * | 2019-05-23 | 2019-08-30 | 复钧智能科技(苏州)有限公司 | 基于多个卷积神经网络模型结合的异常声音检测方法 |
| CN110456360A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 一种针对非连续目标被动多阵列声呐检测跟踪方法 |
| CN110596643A (zh) * | 2019-08-12 | 2019-12-20 | 杭州电子科技大学 | 一种多声音阵列移动目标检测定位方法 |
-
2020
- 2020-06-03 CN CN202010497144.8A patent/CN111610492A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101806906A (zh) * | 2010-04-14 | 2010-08-18 | 上海华测导航技术有限公司 | 基于gnss的位置坐标实时动态组合测量装置及方法 |
| CN102890267A (zh) * | 2012-09-18 | 2013-01-23 | 中国科学院上海微***与信息技术研究所 | 一种传声器阵列结构可变的低空目标定位与跟踪*** |
| CN108802692A (zh) * | 2018-05-25 | 2018-11-13 | 哈尔滨工程大学 | 一种基于最大互相关熵容积粒子滤波的目标跟踪方法 |
| CN109991567A (zh) * | 2019-04-12 | 2019-07-09 | 哈尔滨工程大学 | 一种水下滑翔机四面体阵三维被动测向方法 |
| CN110189769A (zh) * | 2019-05-23 | 2019-08-30 | 复钧智能科技(苏州)有限公司 | 基于多个卷积神经网络模型结合的异常声音检测方法 |
| CN110596643A (zh) * | 2019-08-12 | 2019-12-20 | 杭州电子科技大学 | 一种多声音阵列移动目标检测定位方法 |
| CN110456360A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 一种针对非连续目标被动多阵列声呐检测跟踪方法 |
Non-Patent Citations (4)
| Title |
|---|
| FEIBIAO DONG等: "Particle Filter Algorithm for DOA Tracking Using Co-Prime Array", 《IEEE COMMUNICATIONS LETTERS》 * |
| 刘妹琴 等: "一类分布式传感器粒子滤波融合算法", 《科技展望》 * |
| 王培兵 等: "深度学习在水声目标识别中的应用研究", 《数字海洋与水下攻防》 * |
| 赵宗贵 编: "《信息融合概念、方法与应用》", 30 November 2012, 国防工业出版社 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112130136A (zh) * | 2020-09-11 | 2020-12-25 | 中国重汽集团济南动力有限公司 | 一种交通目标综合感知***及方法 |
| CN112130136B (zh) * | 2020-09-11 | 2024-04-12 | 中国重汽集团济南动力有限公司 | 一种交通目标综合感知***及方法 |
| CN116054909A (zh) * | 2022-12-16 | 2023-05-02 | 广东工业大学 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
| CN116054909B (zh) * | 2022-12-16 | 2023-08-08 | 广东工业大学 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
| CN116086586A (zh) * | 2023-04-11 | 2023-05-09 | 中船重工海目测试技术(海南)有限公司 | 一种基于粒子群优化阵列处理的船舶辐射噪声测量方法 |
| CN116086586B (zh) * | 2023-04-11 | 2023-06-20 | 中船重工海目测试技术(海南)有限公司 | 一种基于粒子群优化阵列处理的船舶辐射噪声测量方法 |
| CN117008056A (zh) * | 2023-10-07 | 2023-11-07 | 国网浙江省电力有限公司宁波供电公司 | 一种基于mems确定目标声源的方法 |
| CN117008056B (zh) * | 2023-10-07 | 2024-01-12 | 国网浙江省电力有限公司宁波供电公司 | 一种基于mems确定目标声源的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111610492A (zh) | 一种多声传感器阵列智能感知方法及*** | |
| Furukawa et al. | Noise correlation matrix estimation for improving sound source localization by multirotor UAV | |
| CN105760825A (zh) | 一种基于切比雪夫前向神经网络的手势识别***和方法 | |
| CN115220007A (zh) | 一种针对姿态识别的雷达点云数据增强方法 | |
| Atashi et al. | Orientation-matched multiple modeling for RSSI-based indoor localization via BLE sensors | |
| Cen | Target location detection of mobile robots based on R-FCN deep convolutional neural network | |
| CN117237902B (zh) | 基于深度学习的机器人物体识别*** | |
| CN110334674A (zh) | 一种平面自由体轨迹识别跟踪及预测方法 | |
| Vashist et al. | KF-Loc: A Kalman filter and machine learning integrated localization system using consumer-grade millimeter-wave hardware | |
| CN117311393A (zh) | 一种无人机自主飞行路径规划方法及*** | |
| CN116295414A (zh) | 基于鲸鱼算法优化的AUV-UFastSLAM算法 | |
| CN110597077A (zh) | 一种基于室内定位实现场景智能切换的方法及*** | |
| CN112801065B (zh) | 一种基于时空多特征信息的被动声纳目标探测方法及装置 | |
| CN110191422A (zh) | 海洋水下传感器网络目标跟踪方法 | |
| CN111860613B (zh) | 一种基于多源异构信号的多目标追踪及状态预测方法 | |
| CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
| Al Kassir et al. | DOA Estimation for 6G Communication Systems | |
| CN117591889B (zh) | 一种基于神经网络的探测队形优化方法 | |
| Teague et al. | Time series classification of radio signal strength for qualitative estimate of UAV motion | |
| Osman et al. | Vehicle Cameras Guide mm Wave Beams: Approach and Real-World V2V Demonstration | |
| CN118068318B (zh) | 基于毫米波雷达和环境传感器的多模态感知方法及*** | |
| Rebouças Filho et al. | A new strategy for mobile robots localization based on omnidirectional sonar images and machine learning | |
| CN112257750B (zh) | 一种面向复合式探测节点的分布式融合*** | |
| Simon et al. | Deep Neural Based Beamforming Techniques for Direction of Arrival (DOA) Estimation | |
| KR20240007626A (ko) | 채널 모델을 이용하는 gru 기반의 삼차원 공간 위치추정 방법 및 장치 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |
|
| RJ01 | Rejection of invention patent application after publication |