一种基于时变混合信号盲分离的宽带DOA估计方法技术

本发明专利技术公开了一种基于时变混合信号盲分离的宽带DOA估计方法，包括：获取声学相机系统的多声源混响数据；通过GPR

【技术实现步骤摘要】
一种基于时变混合信号盲分离的宽带DOA估计方法


[0001]本专利技术涉及信号盲分离处理
，更具体的涉及一种基于时变混合信号盲分离的宽带DOA估计方法。

技术介绍

[0002]声学相机在可视化声场和识别噪声源领域应用广泛，它是用于定位声源并对其进行表征的成像设备。该设备由若干个麦克风传感器和一个光学照相机组合而成，麦克风传感器不同的摆放形式产生了不同的阵列形状，其中，光学照相机用于拍摄实际声源环境场景，而麦克风阵列则用于接收入射声源。由于声音以已知的速度通过不同的介质传播，因此阵列中的每个麦克风会在不同的时刻以不同的声音强度感知“观察”区域中的每个声源。该设备的关键技术之一就是波束形成，而波束形成依赖于远场假设，其目的是通过麦克风阵列进行单次测量来确定各声源的波达方向(Directionofarrival，DOA)。宽带DOA估计的声学成像方法在设备无损监测方面有着广阔的应用前景，它可以预先估计出声源的大致波达方向，再利用波束形成进一步确定声源位置，最后实现声场可视化，由此可以及时地反映出设备的工况，进而评估机器设备的健康状况。因此，研究宽带信号源的DOA估计方法具有广泛的现实意义和重要的应用价值。
[0003]目前声学相机系统普遍还面临着无法满足声源在复杂混响环境下的实时定位问题，该问题解决的重难点在于对声源的波达方向估计。平面波的到达角或波束估计问题被认为是DOA估计问题或测向问题。DOA估计在声纳、雷达、电子监视、地震系统和医学诊断等领域发挥着巨大的作用。波束形成被认为是估计DOA最常用的方法。在过去的几十年中，DOA估计由于其应用的广泛性和确定最优估计量的复杂性而引起了研究人员的关注。由于实际应用中的信号大多为宽带信号，如噪声，语音源等，且宽带阵列信号因具有目标回波携带信息量大，目标检测、参量估计和目标特征提取更容易等特点，催生了DOA估计在有源探测系统中的广泛应用。因此，研究如何合理充分地利用宽带信息，获得更适合宽带信号的阵列高分辨测向算法，并去除噪声、混响的影响，也成为了各个领域国内外学者们的研究重点。
[0004]然而，若要将宽带多信号源DOA估计运用到声学相机系统中时，目前仍然有一些问题亟需解决。例如，在噪声混响环境下，未涉及混合系统为时变系统时的多个声源的定位及去混响；未研究适用于实时性要求高的应用场合的在线宽带多源DOA估计。

技术实现思路

[0005]本专利技术实施例提供一种基于时变混合信号盲分离的宽带DOA估计方法和系统，用以解决上述
技术介绍
提出的问题。
[0006]本专利技术实施例提供一种基于时变混合信号盲分离的宽带DOA估计方法，包括：
[0007]获取声学相机系统的多声源混响数据；
[0008]通过GPR
‑
UKF
‑
NMFD盲分离算法、变分贝叶斯盲分离算法、时变在线盲分离算法、GCC
‑
PHAT算法、MVDR波束形成算法，形成深度盲波束形成算法；
[0009]通过深度盲波束形成算法，对多声源混响数据进行时变盲源分离、去混响、及DOA估计。
[0010]进一步地，所述通过GPR
‑
UKF
‑
NMFD盲分离算法、变分贝叶斯盲分离算法、时变在线盲分离算法、GCC
‑
PHAT算法、MVDR波束形成算法，形成深度盲波束形成算法，包括：
[0011]通过GPR
‑
UKF
‑
NMFD盲分离算法，对多声源混响数据进行第一次盲分离；
[0012]通过变分贝叶斯盲分离算法，对第一次盲分离后数据进行第二次盲分离；
[0013]通过时变在线盲分离算法，对第二次盲分离后数据进行第三次盲分离；
[0014]通过GCC
‑
PHAT算法，对第三次盲分离后数据进行DOA估计；
[0015]将DOA估计后数据代入MVDR波束形成算法，获得深度盲波束形成算法。
[0016]进一步地，所述通过GPR
‑
UKF
‑
NMFD盲分离算法，对多声源混响数据进行第一次盲分离，包括：
[0017]采用高斯过程回归GPR理论建立动态系统模型，再结合无迹卡尔曼滤波UKF理论对观测信号进行实时在线滤波，形成GPR
‑
UKF状态预估计算法；其过程如下：
[0018]1.1)建立高斯过程带加性噪声的非线性动态系统模型：
[0019][0020]式中，x
k
和y
k
分别为k时刻的状态变量和量测变量，w
k
为量测噪声，且
[0021]1.2)分别确定状态模型和量测模型中的训练数据量D
f
和D
h
，输入与输出数据的维度为N与M，并初始化统计量μk
‑
1和Pχ，k
‑
1；
[0022]1.3)通过向量x的均值μ和方差P
x
构造Sigma点集{χ
i
|i＝0，1，
…
2n}
[0023][0024]式中，k为尺度参数，是调节精度的参数，该组采样点表示x服从的高斯分布，并将该点集带入状态方程中，得到状点集
[0025]1.4)计算均值
[0026]1.5)计算方差
[0027]1.6)将和代入1.3)中公式，重新得到一组Sigma点集并将其代入量测方程中，得观测量的点集
[0028]1.7)计算观测量的均值
[0029]1.8)计算观测量的方差
[0030]1.9)计算互协方差
[0031]1.10)根据卡尔曼增益更新状态，并将其作为新一轮的统计量；
[0032]根据GPR
‑
UKF状态预估计算法，结合非负矩阵分解解卷积NMFD理论，
[0033]形成GPR
‑
UKF
‑
NMFD盲分离算法；其过程如下：
[0034]2.1)根据GPR
‑
UKF状态预估计算法，对观测信号χ
i
(t)通过GPR理论建立状态空间模型，然后通过UKF理论估计状态变量
[0035]2.2)对进行短时傅里叶变换得到J
×
P维的复数矩阵V0，并计算V0的功率谱值v
′
，具体为且
[0036]2.3)随机初始化非负矩阵W和H，再将V，W，H代入如下非负矩阵分解更新规则中：
[0037][0038]2.4)将上一步更新得到的W
new
和H
new
代入如下两式中，得到E：
[0039][0040]2.5)令W＝W
new
，H＝H
new
，继续代入更新规则至E＜E0时停止更新，E0为设定的阈值，此时非负矩阵分别为W
fin
，H
fin
；...

【技术保护点】

【技术特征摘要】
1.一种基于时变混合信号盲分离的宽带DOA估计方法，其特征在于，包括：获取声学相机系统的多声源混响数据；通过GPR
‑
UKF
‑
NMFD盲分离算法、变分贝叶斯盲分离算法、时变在线盲分离算法、GCC
‑
PHAT算法、MVDR波束形成算法，形成深度盲波束形成算法；通过深度盲波束形成算法，对多声源混响数据进行时变盲源分离、去混响、及DOA估计。2.如权利要求1所述的基于时变混合信号盲分离的宽带DOA估计方法，其特征在于，所述通过GPR
‑
UKF
‑
NMFD盲分离算法、变分贝叶斯盲分离算法、时变在线盲分离算法、GCC
‑
PHAT算法、MVDR波束形成算法，形成深度盲波束形成算法，包括：通过GPR
‑
UKF
‑
NMFD盲分离算法，对多声源混响数据进行第一次盲分离；通过变分贝叶斯盲分离算法，对第一次盲分离后数据进行第二次盲分离；通过时变在线盲分离算法，对第二次盲分离后数据进行第三次盲分离；通过GCC
‑
PHAT算法，对第三次盲分离后数据进行DOA估计；将DOA估计后数据代入MVDR波束形成算法，获得深度盲波束形成算法。3.如权利要求2所述的基于时变混合信号盲分离的宽带DOA估计方法，其特征在于，所述通过GPR
‑
UKF
‑
NMFD盲分离算法，对多声源混响数据进行第一次盲分离，包括：采用高斯过程回归GPR理论建立动态系统模型，再结合无迹卡尔曼滤波UKF理论对观测信号进行实时在线滤波，形成GPR
‑
UKF状态预估计算法；其过程如下：1.1)建立高斯过程带加性噪声的非线性动态系统模型：式中，x
k
和y
k
分别为k时刻的状态变量和量测变量，w
k
为量测噪声，且1.2)分别确定状态模型和量测模型中的训练数据量D
f
和D
h
，输入与输出数据的维度为N与M，并初始化统计量μ
k
‑1和P
x,k
‑1；1.3)通过向量x的均值μ和方差P
x
构造Sigma点集{χ
i
|i＝0，1，
…
2n}式中，k为尺度参数，是调节精度的参数，该组采样点表示x服从的高斯分布，并将该点集带入状态方程中，得到状点集1.4)计算均值1.5)计算方差
1.6)将和P
kf
代入1.3)中公式，重新得到一组Sigma点集并将其代入量测方程中，得观测量的点集1.7)计算观测量的均值1.8)计算观测量的方差1.9)计算互协方差1.10)根据卡尔曼增益更新状态，并将其作为新一轮的统计量；根据GPR
‑
UKF状态预估计算法，结合非负矩阵分解解卷积NMFD理论，形成GPR
‑
UKF
‑
NMFD盲分离算法；其过程如下：2.1)根据GPR
‑
UKF状态预估计算法，对观测信号χ
i
(t)通过GPR理论建立状态空间模型，然后通过UKF理论估计状态变量2.2)对进行短时傅里叶变换得到J
×
P维的复数矩阵V0，并计算V0的功率谱值V
′
，具体为且2.3)随机初始化非负矩阵W和H，再将V,W,H代入如下非负矩阵分解更新规则中：2.4)将上一步更新得到的W
new
和H
new
代入如下两式中，得到E：2.5)令W＝W
new
,H＝H
new
，继续代入更新规则至E<E0时停止更新，E0为设定的阈值，此时非负矩阵分别为W
fin
,H
fin
；2.6)令利用将其转化为复数矩阵2.7)对进行短时傅里叶逆变换，得到分离信号此时的分离信号为去混响后的信号。4.如权利要求3所述的基于时变混合信号盲分离的宽带DOA估计方法，其特征在于，所述通过变分贝叶斯盲分离算法，对第一次盲分离后数据进行第二次盲分离，包括：
3.1)对第m(m＝1，
…
，M)个阵元上的观测信号进行短时傅里叶变换，并得到第一帧的3.2)初始化二值矩阵G、参数θ...

【专利技术属性】
技术研发人员：何鹏举，朱瑞霖，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：