一种改进加权函数的GCC时延估计方法研究

针对多站时差定位系统在低信噪比下无法获得准确的时延估计,进而影响时差定位的精度,提出一种改进加权函数的广义互相关(GCC)时延估计方法.通过分析和比较采用不同传统加权函数进行广义互相关时延估计的性能,对加权函数进行改进.改进的加权函数同时引入两路信号的自功率谱密度函数和互功率谱密度函数,使得加权函数的分子分母变化趋势相同,以适应不同强度的信号.在相同条件下,模拟分析不同加权函数的时延估计精度,结果表明,采用改进的加权函数进行广义互相关时延估计,在较低信噪比下能够获得较高的时延估计精度,同时对小功率信号也具有良好的时延估计效果.     

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。     

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。     

基于声门脉冲的自适应时延估计算法*

在研究LMS自适应算法的基础上,提出一种基于声门脉冲的变步长LMS自适应时延估计新方法,并在相关噪声和混响的环境下与互功率谱相位广义互相关法(GCC-CSP)、变步长LMS自适应算法进行性能比较.实验结果表明,新方法具有很好的鲁棒性,即使在低信噪比强混响的环境下也能获得有效的时延估计.     

基于功率倒谱的超声测距时延估计方法研究

基于互相关函数的时延估计方法是脉冲法超声测距中最常用的算法,但窄带超声回波信号的慢衰减高频振荡特性导致它们的相关函数在峰值位置近似作等幅振荡,从而为精确搜索相关函数的峰值带来困难.首先建立了超声测距时延估计模型,然后提出了一种适用于超声测距的基于功率倒谱的时延估计新方法.仿真与实验研究表明,该方法在高信噪比下可以精确得到时延估计值,同时避免了超声回波信号的慢衰减高频振荡特胜对时延估计带来的影响.最后对该方法的优点与不足作了说明.     

一种改进的分数时延估计方法及应用

传统的分数时延估计算法对环境噪声和混响噪声比较敏感,在复杂的实际环境中,算法性能会严重下降。为进一步提高时延估计算法性能,提出一种基于广义互相关（Generalized cross correlation,GCC)改进算法的广义互相关 最大似然相位补偿（ GCC Maximum likelihood phase compensation,GCC MLP)分数延时估计算法。该算法改进了GCC频域加权函数,并将线性相位补偿应用于频域互相关谱,获得连续的分数时延估计值,进一步提高了分数时延估计的精确性。仿真结果表明,GCC MLP相位补偿分数时延估计算法增强了对环境噪声和混响噪声的鲁棒性,减小了时延估计误差,算法性能优于曲线拟合、Sinc插值等传统分数时延估计算法。     

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。     

基于听觉掩蔽效应的多频带谱减语音增强方法

为了减小传统谱减法引入的音乐噪声,提出了一种将多频带谱减和听觉掩蔽效应相结合的语音增强算法.用加权递归平滑的方法估计噪声的功率谱,对带噪的语音信号进行多频带谱减,计算听觉掩蔽阈值,再根据掩蔽阈值动态地调节谱减因子,通过增益函数得到增强后语音信号的频谱.仿真实验结果表明,与传统的谱减法相比,该算法在信噪比较低情况下,背景噪声和残余噪声得到了有效的抑制,语音信号的清晰度和可懂度也有了明显提升.     

基于前向空间线性预测的声源时延估计算法

在带有混响和噪音的复杂环境中,传统广义互相关时延估计算法的抗噪能力弱、时延估计精度低。为解决该问题,基于前向空间线性预测技术,提出一种时延估计算法。结合多传感器提供的冗余信息与空间相关矩阵,改进不利声学环境下的声达时间差估计方法。采用空-时预测法,根据麦克风阵列输出中包含的语音信号源的空间和时间相关性,在抑制多麦克风噪声的同时最小化语音失真。仿真实验结果表明,与传统广义互相关时延估计算法相比,该算法时延估计错误率更低、稳定性更强。     

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。