基于偏最小二乘回归的近场声源定位方法技术

偏最小二乘回归近场声源定位方法可以有效解决变量之间的多重相关性问题；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的L组接收数据，每一组接收数据作协方差之后得到相对应的协方差矩阵，提取数据协方差矩阵的上三角元素并进行标准化处理，并对训练样本信号源集进行标准化处理，根据交叉有效性确定所提取的成分个数，从而得到满意的估计模型；使用训练好的近场声源偏最小二乘回归模型对测试数据进行估计，估计出测试声源的角度和距离；偏最小二乘回归所提取的成分既能很好地概括自变量系统中的信息，又能很好地解释因变量，并排除系统中的噪声干扰，预测的角度和距离具有很高的精度。

【技术实现步骤摘要】
基于偏最小二乘回归的近场声源定位方法
本专利技术属于阵列信号处理
，尤其涉及一种偏最小二乘回归的近场声源定位方法。
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。偏最小二乘回归(Partialleastsquaresregression，PLSR)方法，是近年来应实际需要而产生和发展的一个有广泛适用性的多元统计分析方法。偏最小二乘回归提供了一种多因变量对多自变量的回归建模方法，特别当变量之间存在高度相关性时，用偏最小二乘回归进行建模，其分析结论更加可靠，整体性更强。偏最小二乘回归可以有效地解决变量之间的多重相关问题，也适合在样本容量小于变量个数的情况下进行回归建模。在回归分析中，这种变量多重相关性常会严重危害参数估计，扩大模型误差，并破坏模型的稳健性。偏最小二乘回归采用对数据信息进行分解和筛选的方式，有效地提取对系统解释性最强的综合变量，剔除多重相关信息和无解释意义信息的干扰，从而克服了变量多重相关性在系统建模中的缺陷。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，本专利技术的偏最小二乘回归方法是将样本数据标准化后，提取满足误差条件的自变量成分，建立自变量与所提取的自变量成分的回归方程，因变量与所提取的自变量成分之间的回归方程，从而得到自变量与因变量之间的回归方程。将接收到的L组近场源信号的协方差矩阵作为自变量，角度和距离作为因变量，采用偏最小二乘回归方法可以得到信号特征矩阵和角度、距离的估计模型。这对于低信噪比下的非相干信号DOA估计有着良好的精度，同时也对相干信号估计也有很好的精度。该方法具有传统的回归方法所不具备的许多优点，它意义明确，计算简单，省时，建模效果好，解释性强，其应用范围远远超过工程技术及经济管理领域。
技术实现思路
本专利技术的目的是提供一种基于偏最小二乘回归的近场声源定位方法。为了实现上述目的，本专利技术采取如下的技术解决方案：基于偏最小二乘回归的近场声源定位方法，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]；基于偏最小二乘回归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]；其中，(·)H表示矩阵的共轭转置，(·)T表示矩阵的转置；步骤三、对训练样本的特征向量矩阵Re′进行标准化处理，得到标准化后的特征向量矩阵Re″和标准化的训练信号源集合为Ye″；1)对得到的训练样本的特征向量矩阵Re′作标准化处理，先求所有样本在每个特征上的平均值，让矩阵中的每个元素减去该对应特征上的均值，再做方差归一化，已知每个特征向量上的上三角元素有个，令训练样本的特征向量矩阵Re′为：标准化处理为：其中，平均值得到的标准化后的训练样本特征向量矩阵为Re″：2)采用如1)的方式对训练信号源集合Ye进行标准化，得到标准化的训练信号源集合为Ye″；其中，和r″ek是第e个训练样本中的第k个信号经过标准化处理后的角度和距离项；步骤四、使用偏最小二乘回归建模，得到标准化的训练样本特征向量矩阵Re″与标准化的训练信号源集合Ye″的PLS回归模型；偏最小二乘回归建模的具体步骤如下：1)提取Re″的C个成分构成的矩阵u＝[u1，u2，…，uc-1，…，uC]；假设提取了C(C≤A)个成分，则第c个成分为uc＝Re″c-1wc(其中当c为1时，Re″c-1为Re″)，Re″c-1表示Re″对提取了c-1个成分的回归方程的残差矩阵Re″c-1＝Re″-u1p1T+u2p2T+…+uc-1pc-1T，wc是Re″c-1的第一个轴，它是一个单位向量，即||wc||＝1，对矩阵进行特征分解求得最大特征值对应的特征向量即为wc；最终得到Re″＝u1p1T+u2p2T+…+ucpcT+…+uCpCT+Re″C，回归系数向量是2)求出Ye″对提取的成分u的回归方程系数υ；Ye″对成分u的回归方程为Ye″＝uυ+Ye″C，其中系数υ＝u-1Ye″，Ye″C表示残差矩阵，u-1表示u的逆矩阵；3)使用交叉有效性检验确定所应提取的成分u1，...，uC，成分个数为C；计算提取了c个成分后Ye″的误差平方和SS(c)；记第e个样本点的第z个元素的估计值为Ye″ez表示Ye″z在第e个样本点上的真实值；则可以定义Ye″z的误差平方和其中，Ye″z表示Ye″的第z列向量，Ye″的误差平方和计算每次舍去第e个样本点提取c个成分后Ye″的预测值PRESS(c)，每次舍去第e个观测值，对余下的E-1个观测值用偏最小二乘回归方法建模，并考虑抽取c个成分拟合的回归式，然后把舍去的第e个样本点代入所拟合的回归方程式，得到Ye″z在第e个样本点上的估计值Ye″z表示矩阵Ye″的第z列向量本文档来自技高网...

【技术保护点】
1.基于偏最小二乘回归的近场源定位方法，其特征在于：基于偏最小二乘回归的近场声源定位方法，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.基于偏最小二乘回归的近场源定位方法，其特征在于：基于偏最小二乘回归的近场声源定位方法，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]；基于偏最小二乘回归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1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]；其中，(·)H表示矩阵的共轭转置，(·)T表示矩阵的转置；步骤三、对训练样本的特征向量矩阵Re′进行标准化处理，得到标准化后的特征向量矩阵Re″和标准化的训练信号源集合为Ye″；1)对得到的训练样本的特征向量矩阵Re′作标准化处理，先求所有样本在每个特征上的平均值，让矩阵中的每个元素减去该对应特征上的均值，再做方差归一化，已知每个特征向量上的上三角元素有个，令训练样本的特征向量矩阵Re′为：标准化处理为：其中，平均值得到的标准化后的训练样本特征向量矩阵为Re″：2)采用如1)的方式对训练信号源集合Ye进行标准化，得到标准化的训练信号源集合为Ye″；其中，和r″ek是第e个训练样本中的第k个信号经过标准化处理后的角度和距离项；步骤四、使用偏最小二乘回归建模，得到标准化的训练样本特征向量矩阵Re″与标准化的训练信号源集合Ye″的PLS回归模型；偏最小二乘回归建模的具体步骤如下：1)提取Re″的C个成分构成的矩阵u＝[u1，u2，…，uc...

【专利技术属性】
技术研发人员：王兰美，王瑶，张耿，廖桂生，王桂宝，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