本申请属于声源定位技术领域,涉及一种基于机器学习的声源定位方法和装置
【技术实现步骤摘要】
一种基于机器学习的声源定位方法和装置
[0001]本申请涉及声源定位
,特别是涉及一种基于机器学习的声源定位方法和装置
。
技术介绍
[0002]靶场枪声定位属于靶场信息系统重要组成部分,对提高靶场安全性和信息化水平至关重要
。
例如对于靶场枪声定位的研究有助于更好地了解人员的射击水平,同时也可以通过对声源的定位,确保每一名人员不会出现没有射击完所有子弹的情况,保证了弹药管控的安全性
。
[0003]传统枪声定位技术基于声传播物理模型,根据测量参数不同,可分为:基于信号传输时间差
、
基于信号到达角度和基于信号强度的定位技术,阵列间距
、
声源入射角
、
风速
、
温度等均会导致误差,因而对仪器灵敏度
、
相位一致性
、
阵列布设等要求较高
。
[0004]在基于传声器阵列的声源定位技术中,基于到达时间差的声源定位算法得到广泛应用
。
[0005]然而,其对传声器阵列几何位置关系具有高度依赖,阵列位置的测量误差对定位结果影响较大
。
另外,随着定位精度要求提高,阵元数目不断增加,声音采集通道数也随之增加,通道与阵元必须一一对应,才能避免通道顺序紊乱对定位造成影响,在大型实验中,增大了探测的难度
。
传统基于到达时间差的声源定位算法对通道顺序和阵列阵形的高度依赖,已经成为制约其发展应用的重要因素
。
技术实现思路
[0006]基于此,有必要针对上述技术问题,提供一种基于机器学习的声源定位方法和装置,能够实现声源的准确定位,而不依赖通道顺序和阵列阵形
。
[0007]基于机器学习的声源定位方法,包括:
[0008]获取多个声音信号,以每个声音信号的各通道延时作为所述声音信号的特征值,以每个声音信号的声源点位置坐标作为所述声音信号的标签,根据所述声音信号
、
与所述声音信号对应的特征值以及与所述声音信号对应的标签,建立数据集;
[0009]根据所述数据集,选择训练集;
[0010]创建分类学习器,并根据所述训练集对所述分类学习器进行机器学习,建立声源定位模型;
[0011]获取当前声音信号,输入所述声源定位模型,得到当前声音信号的声源点位置坐标
。
[0012]在一个实施例中,创建分类学习器,并根据所述训练集对所述分类学习器进行机器学习,建立声源定位模型包括:
[0013]根据所述数据集,选择测试集;
[0014]创建分类学习器,并根据所述训练集对所述分类学习器进行机器学习,得到多个
声源训练模型;
[0015]采用所述测试集对多个声源训练模型进行测试,建立声源定位模型
。
[0016]在一个实施例中,在获取多个声音信号之前,还包括:
[0017]基于行波管开展多通道声信号采集标定,并进行相位一致性检测,选择相位误差在1度范围内的传声器作为声音信号的获取来源
。
[0018]在一个实施例中,所述声音信号的各通道延时采用广义互相关算法求得
。
[0019]在一个实施例中,在建立声源定位模型时,采用针对多线阵多目标数据融合的处理方法
。
[0020]在一个实施例中,针对多线阵多目标数据融合的处理方法包括:
[0021]采用分子阵级融合自适应波束形成方法,通过子阵常规波束形成及分子阵降维处理
。
[0022]在一个实施例中,针对多线阵多目标数据融合的处理方法还包括:
[0023]采用密度峰值的聚类算法对爆点位置进行精确估计定位
。
[0024]基于机器学习的声源定位装置,包括:
[0025]获取模块,用于获取多个声音信号,以每个声音信号的各通道延时作为所述声音信号的特征值,以每个声音信号的声源点位置坐标作为所述声音信号的标签,根据所述声音信号
、
与所述声音信号对应的特征值以及与所述声音信号对应的标签,建立数据集;
[0026]选择模块,用于根据所述数据集,选择训练集;
[0027]建模模块,用于创建分类学习器,并根据所述训练集对所述分类学习器进行机器学习,建立声源定位模型;
[0028]定位模块,用于获取当前声音信号,输入所述声源定位模型,得到当前声音信号的声源点位置坐标
。
[0029]上述基于机器学习的声源定位方法和装置,以每个声音信号的各通道延时作为声音信号的特征值,以每个声音信号的声源点位置坐标作为声音信号的标签,并根据声音信号
、
特征值以及标签,建立数据集,在此基础上建立了声源定位模型,以进行声源定位,定位速度快
、
准确度高,而且随着定位次数增加,训练集不断丰富,定位结果更加准确,能够适应复杂变化的环境,适用于枪声等具有脉冲特性且声强高的声源探测,可以推广应用于飞行投弹训练
、
烟花爆竹燃放监测等军用民用场景
。
附图说明
[0030]图1为一个实施例中基于机器学习的声源定位方法的应用场景图;
[0031]图2为一个实施例中基于机器学习的声源定位方法的流程示意图;
[0032]图3为一个实施例中基于机器学习的声源定位方法的流程架构图;
[0033]图4为一个实施例中基于机器学习的声源定位方法的构思图;
[0034]图5为一个实施例中基于机器学习的声源定位装置的结构框图
。
具体实施方式
[0035]为了使本申请的目的
、
技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明
。
应当理解,此处描述的具体实施例仅仅用以解释本申请,并不
用于限定本申请
。
基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围
。
[0036]需要说明,本申请实施例中所有方向性指示
(
诸如上
、
下
、
左
、
右
、
前
、
后
……
)
仅用于解释在某一特定姿态
(
如附图所示
)
下各部件之间的相对位置关系
、
运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变
。
[0037]另外,在本申请中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量
。
由此,限定有“第一”“第二”的特征可以明示或者隐含地包括至少一个该特征
。
在本申请的描述中,“多组”的含义是至少两组,例本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于机器学习的声源定位方法,其特征在于,包括:获取多个声音信号,以每个声音信号的各通道延时作为所述声音信号的特征值,以每个声音信号的声源点位置坐标作为所述声音信号的标签,根据所述声音信号
、
与所述声音信号对应的特征值以及与所述声音信号对应的标签,建立数据集;根据所述数据集,选择训练集;创建分类学习器,并根据所述训练集对所述分类学习器进行机器学习,建立声源定位模型;获取当前声音信号,输入所述声源定位模型,得到当前声音信号的声源点位置坐标
。2.
根据权利要求1所述的基于机器学习的声源定位方法,其特征在于,创建分类学习器,并根据所述训练集对所述分类学习器进行机器学习,建立声源定位模型包括:根据所述数据集,选择测试集;创建分类学习器,并根据所述训练集对所述分类学习器进行机器学习,得到多个声源训练模型;采用所述测试集对多个声源训练模型进行测试,建立声源定位模型
。3.
根据权利要求1或2所述的基于机器学习的声源定位方法,其特征在于,在获取多个声音信号之前,还包括:基于行波管开展多通道声信号采集标定,并进行相位一致性检测,选择相位误差在1度范围内的传声器作为声音信号的获取来源
。4.
根据权利要求1或2所述的基于机器学习的声源定位方法,其特征在于,所述...
【专利技术属性】
技术研发人员:刘硕,李博,李衡,罗欣宜,倪昊,李思洁,李思蔓,闫弘扬,赵心绮,徐晓红,赵云,史剑,张文,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。