一种基于信号时域特征的深度学习声源定位方法技术

本发明专利技术涉及一种基于信号时域特征的深度学习声源定位方法，本发明专利技术通过时域信号切割重构方法计算得到输入特征，使用三维空间位置特征降维处理及表示方法计算得到输出特征，并基于优化后的卷积神经网络对输入特征和输出特征进行非线性建模，通过不断修正神经网络参数对神经网络进行优化，进而对位置未知的声源发出的时域信号进行位置预测。本发明专利技术不依赖于任何基础信号处理方法，直接以时域信号作为网络的输入特征，保留了信号原始特征信息且减少了运算量。同时以0、1为标定值对三维空间中的声源位置信息进行标定，以标定后声源空间位置特征矩阵作为网络的输出，经测试，此种标定方式对削弱旁瓣效应具有显著效果。标定方式对削弱旁瓣效应具有显著效果。标定方式对削弱旁瓣效应具有显著效果。

【技术实现步骤摘要】
一种基于信号时域特征的深度学习声源定位方法


[0001]本专利技术属声源定位
，尤其是一种基于信号时域特征的深度学习声源定位方法。

技术介绍

[0002]基于麦克风阵列的声源定位技术被广泛应用于工业及军事领域，主要定位算法分为广义互相关延时估计法、高分辨空间谱估计法以及波束形成法。目前主流的算法为波束形成算法，利用信号到达各阵元的产生的相位差异，将各阵元采集来的信号进行加权求和形成波束，通过搜索声源的可能位置来引导该波束，修改权值使得传声器阵列的输出信号功率最大，功率最大位置即声源所在位置。
[0003]但在实际使用过程中，由于算法原理限制，波束形成算法具有不可突破的物理极限。主要分为两方面：1、定位时需提前假定阵列面到定位面的距离，当声源远离或靠近定位面超过一定距离，产生定位误差，因此存在一定程度的工程应用限制。2、由于采用波束扫描的方式进行定位，当波束扫描至非声源位置时，产生旁瓣效应，旁瓣效应过大导致声源位置不清晰。
[0004]同时，随着人工智能的发展，深度学习方法为解决传统算法的缺陷提供了新思路。传统的多层感知机神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信号时域特征的深度学习声源定位方法，其特征在于：包括以下步骤：步骤1、采用网格化方法离散声源位置信息并量化为仅包含0、1二值输出特征，所述声源位置信息包括球坐标系下半径、倾角和方向角；步骤2、通过预设声源位置信息计算四元麦克风阵列接收的时域信号；步骤3、采用时域信号切割重构方法截取长度为时域信号并进行重组得到输入特征；步骤4、基于优化后的卷积神经网络对输入特征、输出特征进行非线性建模；步骤5、重复步骤1至步骤4对神经网络参数进行优化，通过优化参数的神经网络对位置未知的声源发出的时域信号进行位置预测。2.根据权利要求1所述的一种基于信号时域特征的深度学习声源定位方法，其特征在于：所述步骤1的具体是实现方法为：对不同声源位置信息中半径下的声源平面进行离散，形成均匀分布的空间点集，设置存在声源位置为1、不存在为0，在半径为空间球面内形成二维声源位置信息特征矩阵为且元素值仅具有0、1两值：其中，为方向角划分的网格点数量，为倾角划分的网格点数量，以阵列为参考点，当多个单点源空间半径...

【专利技术属性】
技术研发人员：唐俊，孙鑫淼，
申请(专利权)人：苏州静声泰科技有限公司，
类型：发明
国别省市：