基于主成分分析的支持向量机近场声源定位方法技术

基于主成分分析的支持向量机近场声源定位方法，利用均匀线阵接收K个窄带、非高斯、平稳近场声源信号，在训练区间中产生L组接收数据，计算接收数据的协方差矩阵，并进行PCA降维处理得到训练数据的特征向量矩阵；根据降维后训练数据的特征向量矩阵和训练信号源集合训练得到支持向量最优回归参数；将降维后的训练数据的特征向量矩阵和测试数据特征矢量带入高斯核函数得到测试核矩阵，利用训练好的近场声源支持向量最优回归参数和测试核矩阵估计声源的角度和距离；主成分分析大大降低了支持向量回归机的输入特征的维数，降低了处理数据的复杂度，使训练时间缩短，同时在不损失原有数据信息的基础上，抑制了噪声，提高了信噪比，具有很好的估计精度。

【技术实现步骤摘要】
基于主成分分析的支持向量机近场声源定位方法
本专利技术属于阵列信号处理
，尤其涉及一种主成分分析的支持向量机近场声源定位方法。
技术介绍
到达角(DOA，DirectionofArrival)估计又被称为信号波达方向估计，是阵列信号处理领域的一个重要的研究方向。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。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定位，但传统的两步MUSIC方法运用于近场源参数估计时存在一些不足之处，如它利用谱峰搜索使得计算量大、当信源为相干信源时会出现秩亏损以致无法分辨、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。广义ESPRIT方法对于信号估计也存在类似的问题。主成分分析(PrincipalComponentAnalysis，PCA)是一种统计方法。主成分分析是将原来众多具有一定相关性的指标，重新组合成一组新的互相无关的综合指标来代替原来的指标。主要思想是将特征从高维空间映射到低维空间，将原有的复杂的特征减少为几个主要特征，使它们尽可能多地保留原始特征的信息，且彼此间互不相关。我们将通过正交变换后的这组线性无关的特征称为主成分。采用PCA进行降维以后舍弃冗余信息往往是必要的，一方面舍弃这部分信息之后能使样本的采样密度增大，这正是降维的重要动机；另一方面，当数据受到噪声影响时，最小的特征值所对应的特征向量往往与噪声有关，将它们舍弃能在一定程度上起到去噪的效果。近年来，主成分分析的方法已经广泛应用于各个领域，并取得了很好的效果。因此，本专利技术研究了将主成分分析和支持向量回归(SupportVectorRegression，SVR)结合来对近场信号源进行多参数估计。针对两步MUSIC方法、广义ESPRIT方法存在的不足之处诸如非相干信号低信噪比下角度分辨率差以及无法处理相干信源等问题，本专利技术的主成分分析方法是将得到的接收数据的特征矩阵经过PCA降维以后作为支持向量回归机的输入，待估计角度作为输出，从而得到输入与输出的非线性映射关系，然后利用得到的PCA-SVR模型来估计目标的角度和距离，本专利技术方法通过降低接收数据的特征矩阵的维数，从而降低了支持向量机对数据处理的复杂度，使计算量大大减小，训练时间缩短，也能对相干信号源进行定位，对于低信噪比下的非相干近场声源信号定位性能优于两步MUSIC算法。
技术实现思路
本专利技术的目的是提供一种基于主成分分析的支持向量机近场声源定位方法。为了实现上述目的，本专利技术采取如下的技术解决方案：基于主成分分析的支持向量机近场声源定位方法，采用标量声压传感器阵列接收K个窄带、非高斯的平稳近场声源。接收阵列通过以下方式获得：在空间任意选取一点作为坐标轴的原点位置o，从左至右经过该原点的水平线为x轴，垂直于该水平线的直线为z轴，即假设声源从xoz平面入射，第k个入射声源与z轴的夹角为的取值范围为[-π/2，π/2]，在坐标原点处向x轴正向分别以d＝λmin/4等间隔放置M个阵元，λmin为入射声源中的最小波长，阵元从左到右依次标记为[1，2，...m，...M]；基于主成分分析的近场声源定位方法步骤如下：步骤一、利用阵元数为M的均匀线性阵列作为信号接收阵列，接收K个窄带、非高斯、平稳近场声源信号，从近场声源信号所在的角度范围和距离范围中产生的L组样本信号集合Y＝[y1，y2…，yl，…，yL]，L组信号接收数据集合X＝[X1，X2，...，XL]；将第l组样本信号入射到接收阵列上，经过N次采样后得到维度为M×N的第l组信号接收数据Xl；最终得到L组信号接收数据集合X＝[X1，X2，...，Xl，...XL]；表示第l组样本数据中第k个信号源与z轴的夹角；rlk表示第l组样本数据中第k个信号源到坐标原点的距离；步骤二、对信号接收数据集合X中的每一个Xl，求矩阵协方差Rl＝XlXlH/N，对得到的每个协方差矩阵Rl进行归一化并提取上三角元素构成第l组信号的特征向量R′l，从而得到样本数据集的特征向量矩阵R′＝[R′1，R′2，…，R′l，…，R′L]T；将得到的样本数据的特征向量矩阵交叉取样得到训练样本数据的特征向量矩阵Re′和测试样本数据的特征向量矩阵Rp′两部分，Re′包含用于训练的E个样本特征向量，Rp′包含用于测试的P个样本特征向量，其中，P＝L-E；训练样本数据的特征向量矩阵为Re′＝[Re′1，Re′2，…，Re′e，…，Re′E]T，测试样本数据的特征向量矩阵为Rp′＝[Rp′1，Rp′2，…，Rp′p，…，Rp′P]T；它们所对应的训练信号源集合和测试信号源集合Ye＝[ye1，ye2…，yee，…，yeE]和Yp＝[yp1，yp2…，ypp，…，ypP]；步骤三、利用主成分分析法对训练样本数据的特征向量矩阵Re′进行降维，提取前Z个主成分构成的特征向量矩阵A；对得到的训练样本数据的特征向量矩阵Re′作标准化处理，求Re′每列上所有元素的平均值让该列元素减去其对应列的平均值，再进行方差归一化；已知每个特征向量上的元素有个，令训练样本数据的特征向量矩阵Re′为：标准化后的训练样本数据的特征向量矩阵为Re″：其中，平均值计算标准化后的训练样本数据的特征向量矩阵Re″的协方差矩阵Re″′＝Re″HRe″/E，Re″H表示Re″的共轭转置，对Re″′进行特征分解得到的特征值和相应的特征向量，并将其按从大到小的顺序排序，特征值：μ1，μ2，...，μc，...，μC；特征向量：a1，a2，...ac，...，aC，其中ac＝[a1c，a2c，...aec，...，aEC]；选择重要的主成分，根据各个主成分累计贡献的大小选取前面Z个主成分，贡献率是指某个主成分的方差占据全部主成分方差的比重，也就是某个特征值占据全部特征值和的比重，即：某个主成分的贡献率越大说明该主成分包含的原始信息量越大，依据主成分累计贡献率来决定主成分个数Z，前Z个主成分构成的特征向量矩阵A为：标准化后的训练样本数据的特征向量矩阵Re″投影到主成分构成的特征向量矩阵A上，得到PCA降维后的E×Z维训练数据特征向量矩阵Re″″＝Re″A；步骤四、将主成分降维后得到的训练数据特征向量矩阵Re″″和训练信号源集合Ye＝[ye1，ye2…，yee，…，yeE]作为训练数据放入支持向量回归机中训练，得到支持向量回归的最优回归参数βomp，βomp为根据梯度下降法优化的回归参数；步骤五、将训练数据特征矩阵Re″″和经过PCA处理后的测试数据特征向量矩阵Rp″″带入高斯核函数得到测试核矩阵Hp，利用训练好的近场声源支持向量最优回归参数βomp和Hp估计近场声源的角度和距离的估计值对测试数据的特征向量矩阵Rp′按照步骤三进行PCA处理后得到测试数据特征向量矩阵Rp″″，将Re″″和Rp″″代入高斯核函数得到测试核矩阵Hp，测试核矩阵Hp与步骤四得到的最优回归参数矩阵βomp相乘得到包含声源的角度和距离的估计值其中，Hp＝exp(-||Re″″-Rp″″||2/(2σ2))，exp(·)表示以e为底的指数，||·||表示对其中矩阵求范数，σ为高斯核参数，本专利技术利用主成分分析方法进行降维处理，通过对训练数据特征向量矩阵进行PCA降维从而本文档来自技高网...

【技术保护点】
1.基于多输出支持向量回归的近场源定位方法，其特征在于：基于主成分分析的支持向量机近场声源定位方法，采用标量声压传感器阵列接收K个窄带、非高斯的平稳近场声源；接收阵列通过以下方式获得：在空间任意选取一点作为坐标轴的原点位置o，从左至右经过该原点的水平线为x轴，垂直于该水平线的直线为z轴，即假设声源从xoz平面入射，第k个入射声源与z轴的夹角为

【技术特征摘要】
1.基于多输出支持向量回归的近场源定位方法，其特征在于：基于主成分分析的支持向量机近场声源定位方法，采用标量声压传感器阵列接收K个窄带、非高斯的平稳近场声源；接收阵列通过以下方式获得：在空间任意选取一点作为坐标轴的原点位置o，从左至右经过该原点的水平线为x轴，垂直于该水平线的直线为z轴，即假设声源从xoz平面入射，第k个入射声源与z轴的夹角为的取值范围为[-π/2，π/2]，在坐标原点处向x轴正向分别以d＝λmin/4等间隔放置M个阵元，λmin为入射声源中的最小波长，阵元从左到右依次标记为[1，2，...m，...M]；基于主成分分析的近场声源定位方法步骤如下：步骤一、利用阵元数为M的均匀线性阵列作为信号接收阵列，接收K个窄带、非高斯、平稳近场声源信号，从近场声源信号所在的角度范围和距离范围中产生的L组样本信号集合Y＝[y1，y2…，yl，…，yL]，L组信号接收数据集合X＝[X1，X2，...，XL]；将第l组样本信号入射到接收阵列上，经过N次采样后得到维度为M×N的第l组信号接收数据Xl；最终得到L组信号接收数据集合X＝[X1，X2，...，Xl，...XL]，表示第l组样本数据中第k个信号源与z轴的夹角，rlk表示第l组样本数据中第k个信号源到坐标原点的距离；步骤二、对信号接收数据集合X中的每一个Xl，求矩阵协方差Rl＝XlXlH/N，对得到的每个协方差矩阵Rl进行归一化并提取上三角元素构成第l组信号的特征向量R′l，从而得到样本数据集的特征向量矩阵R′＝[R′1，R′2，…，R′l，…，R′L]T；将得到的样本数据的特征向量矩阵交叉取样得到训练样本数据的特征向量矩阵Re′和测试样本数据的特征向量矩阵Rp′两部分，Re′包含E个样本特征向量，用于训练，Rp′包含P个样本特征向量，用于测试，其中，P＝L-E；训练样本数据的特征向量矩阵为Re′＝[Re′1，Re′2，…，Re′e，…，Re′E]T，测试样本数据的特征向量矩阵为Rp′＝[Rp′1，Rp′2，…，Rp′p，…，Rp′P]T；它们所对应的训练信号源集合和测试信号源集合Ye＝[ye1，ye2…，yee，…，yeE]和Yp＝[yp1，yp2…，ypp，…，ypP]；步骤三、利用主成分分析法对训练样本数据的特征向量矩阵Re′进行降维，提取前Z个主成分构成的特征向量矩阵A；对得到的训练样本数据的特征向量矩阵Re′作标准化处理，求Re′每列上所有元素的平均值让该列元素减去其对应列的平均值，再进行方...

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