一种基于多面体麦克风阵列的声源定位方法和系统技术方案

本发明专利技术提供了一种基于多面体麦克风阵列的声源定位方法，包括，S1：采集构成多面体结构的多个麦克风采集的多通道数据；S2：通过独立分量分析算法迭代处理多通道数据，获得降噪后的目标声源数据；S3：基于各麦克风对目标声源的衰减量确定目标声源的方位。本发明专利技术的优点在于：通过多面体麦克风阵列采集声音数据，使麦克风阵列接收信号构成非奇异矩阵，从而能够通过独立分量分析算法进行声源的提取，然后再通过声源的衰减量判断其相对于麦克风阵列的方位，在声源分离的基础上，进一步实现了声源的定位，能够满足异常声源的定位、故障检测等场景的需求。景的需求。景的需求。

【技术实现步骤摘要】
一种基于多面体麦克风阵列的声源定位方法和系统


[0001]本专利技术涉及声音定位
，尤其涉及一种基于多面体麦克风阵列的声音定位方法和系统。

技术介绍

[0002]独立分量分析(Independent Component Analysis，简称ICA)作为一种统计信号数据分析工具，在无先验知识的条件下可以有效地从线性混合的复杂信号中盲分离出各个独立源信号，该技术已经在震动故障监测、图像特征提取等领域广泛应用，李如公开号为CN109409341A的专利技术专利申请就公开了基于ICA模型进行进场航空发动机噪声源辨识的方法。
[0003]ICA算法能够有效地分离独立源信号的一个前提是阵列接收信号是线性混合，且混合矩阵的秩不小于信号源的个数。在振动检测应用场景中，传感器阵列的接收信号通常都满足上述条件。传感器距离振动源有不同的距离就会有不同的衰减，而且由于声波在固体中传播速度较快，例如在铁中的传播速度为5000m/s，因此可以在一定范围内忽略传感器不同距离造成的时延差。即使传感器到声源有一定距离差，仍然可以近似认为是线性叠加模型。但在空气中检测则不同，空气中声音传播速度约为340m/s，时延误差不能被忽略。如果将麦克风阵列摆放的非常近以减小时延误差，这时各个麦克风的衰减又过于接近，混合矩阵接近奇异矩阵，造成ICA计算过程数值不稳定，结果同样不可靠。因此线性ICA应用于空气中传播的声音信号检测时，效果并不理想。

技术实现思路

[0004]本专利技术所要解决的技术问题在于提供一种通过多面体麦克风阵列实现使用ICA在空气环境下进行声音检测和定位的方法。
[0005]本专利技术是通过以下技术方案解决上述技术问题的：一种基于多面体麦克风阵列的声源定位方法，包括，
[0006]S1：采集构成多面体结构的多个麦克风采集的多通道数据；
[0007]所述多面体麦克风阵列包括多个法向不平行的非全向麦克风，相邻麦克风的间距小于目标声学信号波长的1/5；
[0008]S2：通过独立分量分析算法迭代处理多通道数据，获得降噪后的目标声源数据；
[0009]S3：基于各麦克风对目标声源的衰减量确定目标声源的方位。
[0010]本专利技术通过多面体麦克风阵列采集声音数据，使麦克风阵列接收信号近似满足线性叠加模型，且混合矩阵为非奇异矩阵，从而能够通过独立分量分析算法进行声源的提取，然后再通过声源的衰减量判断其相对于麦克风阵列的方位，在声源分离的基础上，进一步实现了声源的定位，能够满足异常声源的定位、故障检测等场景的需求。
[0011]优选的，所述独立分量分析算法迭代处理多通道数据的方法为，
[0012]步骤i：随机初始化生成模数为1的解混矩阵w1、方差为1的零均值高斯向量v、白化
矩阵Q、拉格朗日乘数μ1和相似度门限ε，迭代次数k＝1；
[0013]步骤ii：对接收的多通道数据矩阵y进行白化操作，即，
[0014][0015]步骤iii：计算第k次迭代降噪处理后的声源信息x
k
，
[0016][0017]步骤iv：计算x
k
与参考信号r的相似度，
[0018]s
k
＝G(x
k
,r)
‑
ε
[0019]相似度函数的公式为，
[0020]G(x
k
,r)＝
‑
E{|x
k2
|
·
r}
[0021]E{}表示期望值；
[0022]步骤v：更新参数解混矩阵和拉格朗日乘数，
[0023]μ
k+1
＝max{0,μ
k
+s
k
}
[0024][0025]其中，
[0026][0027]L(x
k
,y,w
k
)＝ρ
·
E{yF
′
(x
k
)}
‑
0.5μ
k
E{yG
′
(x
k
,r)}
[0028]δ(w
k
)＝ρ
·
E{yF
″
(x
k
)}
‑
0.5μ
k
E{yG
″
(x
k
,r)}
[0029]ρ＝E{F(x)}
‑
E{F(v)}
[0030][0031]η为常数，F
′
(x
k
)和F
″
(x
k
)分别表示F(x
k
)的一阶导数和二阶导数；
[0032]步骤vi：如果Δ为预设的经验值，令k＝k+1，返回步骤iii，否则输出x
k
。
[0033]优选的，所述确定目标声源方位的方法为，
[0034]由解混矩阵和白化矩阵得到期望声源的混合矩阵为，
[0035]W
mix
＝pinv(w
k
,Q)
[0036]其中，pinv()表示广义逆矩阵，W
mix
为声源到各个麦克风的衰减系数组成的向量，
[0037]根据各个麦克风的位置和方向，计算出各个方位的声音相对多面体麦克风的衰减系数向量A
n
,n＝1,2,
···
,N，得到N个方位的衰减系数向量，声源方位为，
[0038][0039]所对应的方位即为期望声源的估计方位。
[0040]优选的，所述多面体麦克风阵列的形状包括处于中心的第一方框和分别与第一方框的四个边连接的四个第二方框，四个所述第二方框与第一方框的法向夹角小于90
°
且相
等，第一方框和每个第二方框上分别设置有一个麦克风。
[0041]本专利技术还提供了一种基于多面体麦克风阵列的声源定位系统，包括，
[0042]数据采集模块，用于采集构成多面体结构的多个麦克风采集的多通道数据；
[0043]所述多面体麦克风阵列包括多个法向不平行的非全向麦克风，相邻麦克风的间距小于期望声学信号波长的1/5；
[0044]降噪模块，通过独立分量分析算法迭代处理多通道数据，获得降噪后的目标声源数据；
[0045]定位模块，基于各麦克风的对目标声源的衰减量确定目标声源的方位。
[0046]优选的，所述独立分量分析算法迭代处理多通道数据的方法为，
[0047]步骤i：随机初始化生成模数为1的解混矩阵w1、方差为1的零均值高斯向量v、白化矩阵Q、拉格朗日乘数μ1和相似度门限ε，迭代次数k＝1；
[0048]步骤ii：对接收的多通道数据矩阵y进行白化操作，即，
[0049][0050]步骤iii：计算第k次迭代降噪处理后的声源信息x
k
，...

【技术保护点】

【技术特征摘要】
1.一种基于多面体麦克风阵列的声源定位方法，其特征在于：包括，S1：采集构成多面体结构的多个麦克风采集的多通道数据；所述多面体麦克风阵列包括多个法向不平行的非全向麦克风，相邻麦克风的间距小于目标声学信号波长的1/5；S2：通过独立分量分析算法迭代处理多通道数据，获得降噪后的目标声源数据；S3：基于各麦克风对目标声源的衰减量确定目标声源的方位。2.根据权利要求1所述的一种基于多面体麦克风阵列的声源定位方法，其特征在于：所述独立分量分析算法迭代处理多通道数据的方法为，步骤i：随机初始化生成模数为1的解混矩阵w1、方差为1的零均值高斯向量v、白化矩阵Q、拉格朗日乘数μ1和相似度门限ε，迭代次数k＝1；步骤ii：对接收的多通道数据矩阵y进行白化操作，即，步骤iii：计算第k次迭代降噪处理后的声源信息x
k
，步骤iv：计算x
k
与参考信号r的相似度，s
k
＝G(x
k
，r)
‑
ε相似度函数的公式为，G(x
k
，r)＝
‑
E{|x
k2
|
·
r}E{}表示期望值；步骤v：更新参数解混矩阵和拉格朗日乘数，μ
k+1
＝max{0，μ
k
+s
k
}其中，L(x
k
，y，w
k
)＝ρ
·
E{yF
′
(x
k
)}
‑
0.5μ
k
E{yG
′
(x
k
，r)}δ(w
k
)＝ρ
·
E{yF
″
(x
k
)}
‑
0.5μ
k
E{yG
″
(x
k
，r)}ρ＝E{F(x)}
‑
E{F(v)}η为常数，F
′
(x
k
)和F
″
(x
k
)分别表示F(x
k
)的一阶导数和二阶导数；步骤vi：如果Δ为预设的经验值，令k＝k+1，返回步骤iii，否则输出x
k
。3.根据权利要求2所述的一种基于多面体麦克风阵列的声源定位方法，其特征在于：所述确定目标声源方位的方法为，由解混矩阵和白化矩阵得到期望声源的混合矩阵为，
W
mix
＝pinv(w
k
，Q)其中，pinv()表示广义逆矩阵，W
mix
为声源到各个麦克风的衰减系数组成的向量，根据各个麦克风的位置和方向，计算出各个方位的声音相对多面体麦克风的衰减系数向量A
n
，n＝1，2，
…
，N，得到N个方位的衰减系数向量，声源方位为，，N，得到N个方位的衰减系数向量，声源方位为，所对应的方位即为期望声源的估计方位。4.根据权利要求1所述的一种基于多面体麦克风阵列的声源定位方法，其特征在于：所述多面体麦克风阵列的形状包括处于中心的第一方框和分别与第一方框的四个边连接的四个第二方框，四个所述第二方框与第一方框的法向夹角小于90
°
且相等，第一方框和每个第二方框上分别设置有一个麦克风。5.一种基于多面体麦克风阵列的声源定位系统，其特征在于：包括，数据采集模块，用于采集构成多面体结构的多个麦克风采集的多通道数据；所述多面体麦克风阵列包括多个法向不平行的非全向麦克风，相邻麦克风的间距小于目标...

【专利技术属性】
技术研发人员：胡凯，李宁，刘广威，杨猛，
申请(专利权)人：大连赛听科技有限公司，
类型：发明
国别省市：