一种鲁棒性的时间延迟估计方法技术

本发明专利技术提供了一种鲁棒性的时间延迟估计方法，基于广义归一化最小平均P范数算法，自适应得到两个传感器接收的组合信号的共变矩阵最小特征值对应的特征向量，该特征向量就是对信道的估计。由此，从特征向量的峰值位置信息可以得到两个传感器接收信号到达的时间差。

【技术实现步骤摘要】

本专利技术设及随机信号处理领域，更具体地说，本专利技术设及一种鲁棒性的时间延迟 估计方法。
技术介绍
时间延迟是指接收器阵列中不同接收器所接收到的同源带噪信号之间的时间差。 利用信号处理的理论和方法对时间延迟进行估计，由此进一步确定其它有关参数，如源的 距离、方位、运动方向和速度等，在无线定位、雷达、声纳、石油勘探、故障诊断及生物医学等 领域具有重要的应用价值。在传统的时延估计算法中，对噪声采用高斯分布的模型，运种假 设在许多情况下是合理的。采用高斯分布假设的好处是使信号处理的算法趋于简单，并且 便于理论分析。然而，在实际应用中遇到的许多噪声并不是高斯分布的，例如，水声信号、许 多生物医学信号、低频大气信号W及许多人为产生的信号和噪声等均为非高斯分布的，其 结果是导致在高斯假定下设计的系统性能退化，甚至不能使用。 一类非常重要的非高斯分布随机过程称为稳定分布随机过程。运类随机信号的显 著特点是比常规的高斯信号有更多的尖峰脉冲。许多实际信号具有稳定分布特性，基于随 机信号或噪声分数低阶稳定分布（FLOA)假设和分数低阶统计量（FLO巧而导出的信号处理 算法对诸如随机信号或噪声模型的不确定性及与实际情况有误差等情况，具有良好的鲁棒 性（Robustness)。研究表明，运类算法在很多方面优于相应的基于高斯分布假定的算法， 即使当随机信号或噪声确实为高斯分布时，基于化OA分布假设而得出算法的性能也与基 于高斯假定算法的性能相当。正是因为具有上述显著优点，自20世纪90年代中期W来，对 于化OA分布与基于化OS的信号处理理论和方法受到国际信号处理学术界极大的关注，并 且在时间延迟估计领域得到了应用。 基于自适应特征值分解（AED)的时延估计算法，将其应用在语音声源定位系统 中。该算法不需要知道两个传感器接收信号到达的先后，在噪声为高斯分布时可W较好地 得到时延。然而在脉冲噪声环境中，该算法不能可靠收敛，语音环境的噪声常常具有脉冲 性，因此需要扩展A邸算法的适用条件。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种时间延迟 估计方法，其能够提高鲁棒性时延估计的语音声源定位效果。 为了实现上述技术目的，根据本专利技术，提供了，其 特征在于包括：基于广义归一化最小平均P范数算法，自适应得到两个传感器接收的组合 信号的共变矩阵最小特征值对应的特征向量，将该特征向量确定为对信道的估计；并且，从 特征向量的峰值位置信息得到两个传感器接收信号到达的时间差。 优选地，所述时间延迟估计方法包括下述步骤： 利用下述离散信号模型表示两个传感器的接收信号 Xi (n) = S (n_di) +Vi (n) 又2 (n)二人 S (n-dz)+V2 (n); 其中，s(n)为源信号，|d2-di|为时延差真值，A为衰减因子，vi(n)和V2(n)分别 为接收到的背景噪声，源信号与背景噪声是不相关的，背景噪声服从a稳定分布； 将信道建模为FIR滤波器，而且将两个传感器接收到的信号建模为Xi (n)= S (n) *hi+Vi (n),i = 1, 2 ； 将两个接收信号xi(n)、X2(n)整合在一起，组成新的向量x(n) = [xf(")，域H)f . n时 亥IJ下的新的向量满足妍姆h =片州h;-谅姆hi A Q，其中 Xi (n) = T T i = 1，2 h=' 将3^''(")h = X;' (")h2:=.任两边左乘 w")r; " i，..-，-V|("-',v/+i)j" i .片（")j" k'….i:f 其中符号< . >表示运算Z< n> =I Z r S即(Z)，然后取均值得到Re(n) h=0,其中Re(n)= E { < P 1 > xT (n)}，W作为组合信号X (n)的共变矩阵； 使用最小平均P范数算法对共变矩阵Rt(n)最小特征值对应的特征向量h进行估 计，将自适应算法中权矢量W(") = ，（1《P < a );其中最小 平均P范数算法的迭代公式为 其中y是自适应步长，当w(n)收敛时，梯度向量从而有 其中，Rc(n) = E{<P 1>/(n)} = E{x(n) <p 1> };对权矢量进行归一化，使得迭代方程式变为[002引使用归一化I |w(n) Mp= 1，W使得简化的迭代公式为e(n) ="T(n)X(n). 依据广义NLMP算法将式中的权W (n)的更新矢量修正为[003引其中与代价函数瞬时梯度= 的内 积是一个非正数，即 根据上述关系进一步更新迭代公式如下 e(n) ="T(n)X(n).[003引 P-、 ；[003引式中，y是迭代步长，A是一个小的正数，W是x(n)的共变矩阵Rc(n)的最小特 征值E[|e(n)鬥对应的特征向量，该特征向量是信道的估计，W2及-Wi峰值的位置差是两个 信号到达的时延差。优选地，在 时，判定Xi信号先到达。 优选地，在 时，判定X2信号先到达。 由此，本专利技术根据分数低阶信号处理理论，提出了一种初性自适应特征值分解 (简称为RAED)时延估计方法，该方法不但在高斯噪声下可W可靠地收敛，而且在具有脉冲 的噪声环境中也可W很好地工作。【附图说明】 结合附图，并通过参考下面的详细描述，将会更容易地对本专利技术有更完整的理解 并且更容易地理解其伴随的优点和特征，其中： 图1示意性地示出了根据本专利技术优选实施例的鲁棒性的时间延迟估计方法的信 道模型和自适应滤波器方框图。 图2示意性地示出了高斯噪声下权矢量前后两段峰值位置之差的跟踪情况（SNR =0地）的计算机仿真的A邸算法的结果。 图3示意性地示出了高斯噪声下权矢量前后两段峰值位置之差的跟踪情况（SNR =0地）的计算机仿真的RAED算法的结果。 图4示意性地示出了脉冲噪声下权矢量前后两段峰值位置之差的跟踪情况（MSNR =0地，a= 1.6)的计算机仿真的AED算法的结果。 图5示意性地示出了脉冲噪声下权矢量前后两段峰值位置之差的跟踪情况（MSNR =0地，a= 1. 6)的计算机仿真的RA邸算法的结果。 需要说明的是，附图用于说明本专利技术，而非限制本专利技术。注意，表示结构的附图可 能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。【具体实施方式】 为了使本专利技术的内容更加清楚和易懂，下面结合具体实施例和附图对本专利技术的内 容进行详细描述。 <初性自适应特征值分解（RAED)时延估计方法〉 两个传感器的接收信号满足下面的离散信号模型Xi(n) =S(n_di)+Vi(n) 又2(n)二人S(n-dz)+V2(n) (1)[005引其中，s(n)为源信号，|d2-di|为时延差真值，A为衰减因子，vi(n)和V2(n)分别 为接收到的背景噪声。源信号与背景噪声是不相关的，背景噪声服从a稳定分布，包括高 斯和非高斯两种情况。 当加性噪声具有较强的脉冲性而服从a稳定分布时，本文依据分数低阶统计量 理论提出一种初性自适应特征值分解（RAED)算法。假定信道是线性时不变的，通过估计信 道的冲激响应来得到信号的时延信息。本算法整合两个输入信号，使其共变矩阵最小特征 值对应的特征向量为信本文档来自技高网...

【技术保护点】
一种鲁棒性的时间延迟估计方法，其特征在于包括：基于广义归一化最小平均P范数算法，自适应得到两个传感器接收的组合信号的共变矩阵最小特征值对应的特征向量，将该特征向量确定为对信道的估计；并且，从特征向量的峰值位置信息得到两个传感器接收信号到达的时间差。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘文红，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31