基于最小熵值的麦克风阵列声源定位算法

针对传统麦克风阵列声源定位算法抗噪声及混响能力不强的问题,提出一种基于最小熵值和随机域压缩的麦克风阵列声源定位算法。利用最小熵值方法对麦克风阵列进行时延估计,并与随机域压缩方法相结合,对声源进行空间搜索。仿真实验结果表明,该算法在定位精度、抗噪声及抗混响能力方面均优于广义互相关-相位变换算法。     

基于圆形麦克风阵列的声源定位改进算法

针对波达方向估计中传统互功率谱法声源方位估计准确性差、方位模糊的问题,提出了一种基于圆形麦克风阵列的声源定位改进算法,并进行了实验验证。在该改进算法中,先设计了十二元圆形麦克风阵列,由麦克风对接收语音信号的时延与相位得到相位旋转因子,再将其引入到语音信号的互功率谱中,新定义了圆形集成互功率谱,由该功率谱进行声源方位估计。仿真与实测实验结果表明,本文的圆形集成互功率谱法对声源方位进行估计,估计的准确度高于传统互功率谱法。     

利用二次相关改进的广义互相关时延估计算法

为了提高传统广义互相关时延估计算法的性能,本文将二次相关时延估计算法与广义互相关时延估计算法相结合,提出了一种利用二次相关改进广义互相关的时延估计新算法。该算法先对信号进行二次相关处理,利用相关函数抑制了噪声的干扰,然后在相关函数序列上进行权重处理,进一步提高了算法的抗噪声性能与估算精度。仿真实验证明新算法较广义互相关算法性能有了明显的提升,对闪电辐射源定位资料的分析也验证了该算法的有效性。     

通信测距复合系统中一种改进的时延估计算法

为了提高低信噪比条件下通信测距复合系统的时延估计精度,在广义互相关算法的基础上,提出一种改进的广义互相关时延估计算法。该方法将互相关函数做指数运算,再进行广义加权处理,抑制了噪声对信号的干扰,把经过傅里叶逆变换得到的相关函数进行高次方运算,增大主峰和次峰的相对值,让峰值更加突出。仿真结果表明,该系统可以完成测距任务与通信任务,并且在低信噪比下具有更好的时延估计性能。     

基于语音激励信息的声源定位算法研究

论文分析了基于语音激励信息的时间延迟算法分类,描述了基于EGCI的时延估计方法基本原理。研究了线性预测LPC残留误差时延估计法(LPCRE)提取时延的方法,并与另一种提取GCI最大似然估计法MLED和基于广义互相关的GCC-ML进行了性能分析和比较。结果表明基于EGCI的时延估计方法用于声源定位完全可行,其性能依赖于提取GCI的算法模型;三种算法中的LPCRE的均方偏差最小,抗混响能力强,运算量适中,便于实时实现。     

基于二次相关的声学测量方法研究

针对传统语音信号时延估计易受噪声和混响环境影响,导致声学测量方法的测量精度降低的问题,提出一种基于改进二次互相关的时延估计方法。首先,采用滤波器对接收的音频信号进行滤波处理;然后通过二次相关算法抑制噪声对信号的干扰,并结合Hilbert变换方法对二次互相关峰值进行锐化处理,从而提升语音信号时延的峰值点检测精度;最后将改进的算法应用到声学测量中进行仿真验证。实验结果表明,在低信噪比SNR=-5 dB和SNR=-10 dB的环境下,对比于广义互相关算法和二次相关算法,提出的改进二次互相关算法的峰值明显度更高,时延估计精确度更高。而在高信噪比和混响环境下,改进二次相关算法的时延估计结果均优于另外两种算法。由此可知,改进的二次互相关算法的抗噪性能更强,时延估计效果更佳,可提升声学测量精度。     

基于广义互相关算法的时延估计

在无线电定位技术中,AOA、TOA、TDOA是目前最有发展潜力的蜂窝系统移动台定位技术。定位中对时间差估计的精度要求非常高,测量精度越高,由其引入的定位误差就会越小。传统的广义互相关算法在实际的噪声环境中产生的时延估计误差较高。在此基础上,对时延估计采用了基于周期互谱密度和互功率谱的广义互相关算法进行研究,改进了传统的广义互相关算法。仿真结果表明改进的时延估计算法在恶劣信道环境影响下表现出了相对较好的鲁棒性。     

移动机器人语音定向算法及其实现

研究在光线比较差或者有障碍物的复杂环境下对感兴趣的声源进行定位,由于存在外部噪声,引起对目标声源进行跟踪误差大。传统的语音定向方法无法有效减小声源定位的误差,从而定向的精度比较低,且多集中在理论研究。为提高移动机器人语音定向的精度,利用麦克风阵列拾取声源信号,采用PC/104的SEM/ADT800多通道数据采集卡对语音信号进行采集和处理。运用改进的广义互相关时延估计算法计算麦克风阵元间的时间差值,采用四元十字阵形的几何定位方法计算声源信号的目标位置和方向,并对系统的定向效果进行实验,得出实验结果,进行误差分析。经实验证明,相对于传统的语音定向方法,麦克风阵列的移动机器人语音定向系统实际可用,具有较好的性能,能够把系统定向误差控制在要求的范围内。     

基于广义加权的AMDF时延估计方法研究

时延估计是声源定位常用的方法。多途效应严重影响声源信号时延估计性能,传统方法难以克服。提出一种基于广义加权的平均幅度差函数（Average Magnitude Difference Function,AMDF）时延估计方法,利用改进的AMDF方法提高对多途效应的抑制,通过广义加权方法降低算法的噪声敏感性。仿真及实验表明,对于窄带信号,该方法能够获得比传统广义互相关方法更高的时延估计性能,估计结果的误差减小,稳定性能提高。     

基于改进稀疏线性预测的时延估计算法

针对噪声与混响环境下,基于稀疏线性预测的时延估计算法性能下降的问题,提出一种改进的线性预测模型。为了获得麦克风信号的有效预滤波,将语音幅度谱的稀疏性和线性预测向量的稀疏性同时引入最小二乘准则,以此构建凸约束线性预测模型;运用Split-Bregman迭代方法对模型进行求解;使用预测误差信号建立基于改进L2/L1范数稀疏线性预测预白化的时延估计器。实验结果表明:与GCC-PHAT和L2/L1范数稀疏线性预测算法相比,所提算法具有更好的时延估计性能。