基于多输出支持向量回归机的近场声源参数估计方法技术

基于多输出支持向量回归机的近场声源参数估计方法，均匀对称阵列接收K个窄带、非高斯、平稳近场声源信号在训练区间中产生的W组接收数据，每一组接收数据利用阵列对称位置上接收数据作协方差之后得到相对应的协方差矩阵，对数据协方差矩阵进行矩阵运算和归一化处理可得训练数据的特征向量矩阵H；根据H和信号源训练得到多输出支持向量最优回归参数；将H和测试数据特征矢量带入高斯核函数得到测试核矩阵Ke，利用训练好的近场声源多输出支持向量最优回归参数βomp和Ke估计声源的角度；求测试数据的数据相关矩阵，通过数据相关矩阵的特征分解得到噪声子空间，对每一个到达角通过MUSIC谱函数进行距离项的谱峰搜索估计其对应的距离，从而得到距离的估计。

【技术实现步骤摘要】
基于多输出支持向量回归机的近场声源参数估计方法
本专利技术属于阵列信号处理
，尤其涉及一种多输出支持向量回归机近场声源参数估计方法。
技术介绍
到达角(DirectionofArrival，DOA)估计是阵列信号处理领域的一个重要研究方向。传统的近场源DOA估计方法有两步MUSIC方法、广义ESPRIT方法以及其它的改进方法等等。两步MUSIC方法利用信号子空间和噪声子空间的正交性来实现目标的参数估计，但传统两步MUSIC方法应用于近场源参数估计时存在一些不足之处，谱峰搜索计算量大、当信源为相干信源时会出现秩亏以致无法分辨、在低信噪比情形下对信源角度相隔较近时的估计精度迅速下降等。广义ESPRIT方法对于相干信号也存在秩亏损以致无法分辨。支持向量机(SupportVectorMachine，SVM)是基于统计学习理论的一种机器学习方法，它能够有效的解决高维度、小样本、非线性等问题，该方法本身在训练过程中具有全局最优解、泛化能力强、收敛速度较快和小样本条件下预测性能较好等优点。并且支持向量机模型训练过程可以离线进行，而训练好的支持向量机模型具有优异的数据处理速度，可以对阵列接收数本文档来自技高网...

【技术保护点】
1.基于多输出支持向量回归机的近场声源参数估计方法，其特征在于：本专利技术所采用的阵列为均匀线阵，阵元关于x轴对称分布，在坐标原点处放一阵元，坐标元点两侧分别以d＝λmin/4等间隔放置P个阵元，λmin为入射声源中最小波长，阵元总个数为M＝2P+1。对阵元从左到右依次标记为[‑P，…，p，…，P]，m取值范围为[‑P，P]；基于多输出支持向量回归机的近场声源参数估计方法步骤如下：步骤一、利用阵元数为M＝2P+1的均匀对称阵列作为接收阵列，接收K个窄带、非高斯、平稳近场声源信号在训练区间为[‑θ0，+θ0]中产生的W组接收数据Y＝[Y1，Y2，...，YW]和声源信号到达角集合Θ＝[Θ1；Θ2...

【技术特征摘要】
1.基于多输出支持向量回归机的近场声源参数估计方法，其特征在于：本发明所采用的阵列为均匀线阵，阵元关于x轴对称分布，在坐标原点处放一阵元，坐标元点两侧分别以d＝λmin/4等间隔放置P个阵元，λmin为入射声源中最小波长，阵元总个数为M＝2P+1。对阵元从左到右依次标记为[-P，…，p，…，P]，m取值范围为[-P，P]；基于多输出支持向量回归机的近场声源参数估计方法步骤如下：步骤一、利用阵元数为M＝2P+1的均匀对称阵列作为接收阵列，接收K个窄带、非高斯、平稳近场声源信号在训练区间为[-θ0，+θ0]中产生的W组接收数据Y＝[Y1，Y2，...，YW]和声源信号到达角集合Θ＝[Θ1；Θ2；…；Θw；…；ΘW]；声源信号距离r＝[r1，r2…，rl，…，rL]；第一组声源信号到达角为Θ1＝[θ11，θ12，...，θ1l，...，θ1L]入射到接收阵列上，经过T次采样后得到维度为M×T的第一组接收数据Y1；相邻声源间隔为[Δθ112，Δθ123，...，Δθ1(l-1)l，...，Δθ1(L-1)L]，其中Δθ1(l-1)l表示第一组声源信号中第l和第l-1个声源信号的间隔，θ1l是第一组声源中第l个信号的到达角，rl是第l个信号的到坐标原点的距离，在声源的距离和相邻声源信号间隔不变的前提下，使整体旋转角度ΔΦ，此时的声源信号为Θ2＝[θ21，θ22，...，θ2l，...，θ2L]，此时阵列接收信号经过T次采样后得到维度为M×T的第二组接收数据Y2，按照这样的方式得到接收数据集合为Y＝[Y1，Y2，...，Yw，...，YW]；步骤二、对接收数据集合Y中的每一组接收数据，利用阵列对称位置上接收数据作协方差之后得到接收数据集合Y相对应的协方差矩阵γ＝[γ1，γ2，...，γw，...，γW]；对集合Y中的第w组接收数据Yw，构造一个矩阵γw，Yw，p表示Yw中第p个阵元的接收数据，Yw，-p表示Yw中第-p个阵元的接收数据，(·)*表示取共轭，其中-P≤p≤P，δ(·)为狄利克雷函数，代表第l个声源信号的方差，为噪声方差，其中表示第w组接收数据中的l个信号的到达角，λl表示第l个测试信号的波长，γw矩阵：对于接收数据集合Y中的其它组接收数据也做同样的处理得到相对应的协方差矩阵，最后得到W组接收数据协方差矩阵γ＝[γ1，γ2，...，γw，...，γw]。步骤三、对数据协方差矩阵γ进行矩阵运算处理和归一化处理可得训练数据集的特征矩阵H＝[H1，H2，…，Hw，…，HW]；选取协方差矩阵中的元素γw(p，-p)，得到特征向量Pw＝[γw(0，0)，γw(-1，1)，...，γw(p，-p)，…，γw(-P，P)]，接收数据协方差矩阵γ＝[γ1，γ2，...，γw，...，γW]中W协方差矩阵都按照这样的方式构造得到特征向量集合P＝[P1，P2，...，Pw，...，PW]，对Pw归一化处理可得Hw＝Pw/||Pw||，γ1，γ2，...，γw，...，γW都做相同的处理可得训练数据的特征向量矩阵H＝[H1，H2，...，Hw，...，HW]；步骤四、根据得到的训练数据的特征向量矩阵H＝[H1，H2，...，Hw，...，HW]和信号源集合Θ＝[Θ1；Θ2；…；Θw；…；ΘW]训练得到多输出支持向量最优回归参数βomp；1)将训练数据的特征向量矩阵H＝[H1，H2，…，Hi，…，HW]代入高斯核函数得到基于训练样本的核矩阵K，其中Kij＝exp(-||Hi-Hj||2(2σ2))，σ为高斯核函数的系数，Kij表示核矩阵K的第i行第j列的元素，Hi和Hj分别表示数据特征向量集合H的第i和第j个特征向量；2)初始化回归参数矩阵β0为一个W×T的全零矩阵、常数惩罚因子C和管壁误差ε；初始误差矩阵e0＝Θ，根据初始误差矩阵e0得到初始拉格...

【专利技术属性】
技术研发人员：王桂宝，王新宽，王兰美，廖桂生，张社民，孙长征，
申请(专利权)人：陕西理工大学，西安电子科技大学，
类型：发明
国别省市：陕西,61