脉冲噪声环境下麦克风阵列的DOA估计技术研究
发布时间：2020-12-23 04:51
随着计算机及物联网技术的迅速发展,声学信息采集趋向于阵列传感器融合方式,有效地提高了系统对环境的感知能力。其中,波达方向（Direction of Arrival,DOA）估计是麦克风阵列的一项重要研究内容,被广泛应用于战场监测和视频会议等声源定位系统中。传统的DOA估计技术一般都是基于高斯噪声模型的假设,但是高斯分布不能有效地描述具有严重拖尾的脉冲噪声。由于地杂波和人为因素的影响,声学环境中的噪声存在着大量数据突变的冲击响应,导致基于二阶统计量的DOA估计算法性能退化甚至失效。同时,随着麦克风阵列信号处理技术的迅速发展,传感器接收的声学信号大多数为宽带信号,并且声学信号的形式越来越复杂。基于窄带信号模型的DOA估计算法已经无法满足实际需求,亟需研究宽带模型下声学信号的DOA估计技术。针对上述问题,本文以提高麦克风阵列系统的DOA估计精度为目的,对声学脉冲噪声、低快拍和低信噪比等情况下DOA估计的性能退化以及宽带DOA估计依赖于初始预估角度等难点进行了系统且深入的研究。本文的主要研究内容和创新点如下:1)两种基于广义最大复值相关熵的DOA估计算法:提出了广义最大复值相关熵准则,能够有效...
【文章来源】：北京科技大学北京市 211工程院校 教育部直属院校
【文章页数】：142 页
【学位级别】：博士
【部分图文】：
图３－ｉ概率密度函数，夕＝?ｏ，?
?北京科技大学博士学位论文???４?？?１—ｊ＾２！．??－４?？??？５?Ｉ?？?１?１???０?５００?１０００?１５００?２０００??Ｔｉｍｅ??图３－４时域采样图，ａ＝２，厂＝?０，／?＝?ｌ，＝?０??图３－１表示特征指数为《＝０．５，?ａ＝ｌ，?ａ＝１．５，《＝２的概率密度函数，图??３－２为图３－１中幅值为４？８的概率密度函数的局部放大图。可以看出，《值越??小，概率密度函数的拖尾分布越明显。图３－３和图３－４给出了参数《＝１．５，??？＝２，?／？＝扣０，?ｙ?＝?ｌ时的噪声时域波形。从图３－４中可以看出，高斯分布模??型的幅值都渐近一致，没有异常点。从图３＿３中可以看出，《＝１．５的脉冲噪??声时域波形在整个时域始终具有很多非常大的异常值。??３．１．２混合高斯分布??混合高斯分布模型是一种简单有效的脉冲噪声分布模型。由于高斯分布??模型不能精确刻画脉冲噪声的拖尾分布特性，因此需要将多个高斯分布模型??进行组合加权，保证对脉冲噪声的合理描述。常用的混合高斯分布模型为两??个高斯分布模型的简单加权组合，其对应的混合高斯的方差表示为：??Ｏ－２?＾｛＼－￡）（７２ｎ＋￡（７Ｊ?（３．１１）??ｋ?＝?〇－）?ｌａ２Ｎ?（３．１２）??其中，／ｗ（ｘ）表示正常噪声的概率密度函数，表示正常噪声的方差，／／（ｘ）??表示异常噪声的概率密度函数，〇＾２表示异常噪声的方差，Ａ表示脉冲强度系??数，ｓ表示异常点比例。系数Ａ：越大，异常点的幅值越大。ｓ越大，异常点数??量就越多。通常异常点的方差ｃｒ／远远大于背景噪声的方差由于异常点??数据的存在，导致噪声的整体分布具有严重的
ａ＞２??表示ＧＧＤ分布模型的拖尾不明显，ａ?＜?２表示ＧＧＤ分布模型具有显著的拖??尾现象。??本文将以上述脉冲噪声模型为基础，研宄麦克风阵列信号处理系统中的??脉冲噪声，通过相关ＤＯＡ估计算法，实现对声学脉冲噪声的抑制，提高ＤＯＡ??估计的精度。??３．２?ＤＯＡ估计数学模型??麦克风阵列系统是利用声学传感器对声源目标进行数据采集，利用目标??的空域和时域信息进行数据分析。常见的麦克风阵列系统由三部分组成，分??别是声源信号空间，声学传感器阵列系统，ＤＯＡ估计算法。流程图如图３－５??所示，声学传感器阵列系统由多个各向同性驻极体电容传感器按照均匀线性??分布组成。每一个驻极体电容传感器都可以独立采集目标空间中的声源数据，??然后将采集数据通过滤波、放大、ＡＤＣ转换、预处理等操作，传输到处理器??中，采用ＤＯＡ估计算法进行方向估计。??Ｉ?，１?１?ｒ?１??！信号空间传感器阵列?１１?ＤＯＡ估计算法??！?Ｉｎ＾ｎ?ｒ?ｎ?ｎ?ｉ??方！；?及采Ｋ理窗?Ｔ?算Ｉ??ｉ向乂?＼丨「．传感器「￣＾產集ｉ；?法ｉ??！?ＸＨｒ＝ｆ＾?」Ｕ?Ｕ：??＾！；?传感器Ｍ??？?；?Ｊ?！??图３－５麦克风阵列系统的ＤＯＡ估计流程??为了简化数学模型及便于对脉冲噪声环境下ＤＯＡ的理论推导，首先将??－２８－??
本文编号：2933105
【文章来源】：北京科技大学北京市 211工程院校 教育部直属院校
【文章页数】：142 页
【学位级别】：博士
【部分图文】：
图３－ｉ概率密度函数，夕＝?ｏ，?
?北京科技大学博士学位论文???４?？?１—ｊ＾２！．??－４?？??？５?Ｉ?？?１?１???０?５００?１０００?１５００?２０００??Ｔｉｍｅ??图３－４时域采样图，ａ＝２，厂＝?０，／?＝?ｌ，＝?０??图３－１表示特征指数为《＝０．５，?ａ＝ｌ，?ａ＝１．５，《＝２的概率密度函数，图??３－２为图３－１中幅值为４？８的概率密度函数的局部放大图。可以看出，《值越??小，概率密度函数的拖尾分布越明显。图３－３和图３－４给出了参数《＝１．５，??？＝２，?／？＝扣０，?ｙ?＝?ｌ时的噪声时域波形。从图３－４中可以看出，高斯分布模??型的幅值都渐近一致，没有异常点。从图３＿３中可以看出，《＝１．５的脉冲噪??声时域波形在整个时域始终具有很多非常大的异常值。??３．１．２混合高斯分布??混合高斯分布模型是一种简单有效的脉冲噪声分布模型。由于高斯分布??模型不能精确刻画脉冲噪声的拖尾分布特性，因此需要将多个高斯分布模型??进行组合加权，保证对脉冲噪声的合理描述。常用的混合高斯分布模型为两??个高斯分布模型的简单加权组合，其对应的混合高斯的方差表示为：??Ｏ－２?＾｛＼－￡）（７２ｎ＋￡（７Ｊ?（３．１１）??ｋ?＝?〇－）?ｌａ２Ｎ?（３．１２）??其中，／ｗ（ｘ）表示正常噪声的概率密度函数，表示正常噪声的方差，／／（ｘ）??表示异常噪声的概率密度函数，〇＾２表示异常噪声的方差，Ａ表示脉冲强度系??数，ｓ表示异常点比例。系数Ａ：越大，异常点的幅值越大。ｓ越大，异常点数??量就越多。通常异常点的方差ｃｒ／远远大于背景噪声的方差由于异常点??数据的存在，导致噪声的整体分布具有严重的
ａ＞２??表示ＧＧＤ分布模型的拖尾不明显，ａ?＜?２表示ＧＧＤ分布模型具有显著的拖??尾现象。??本文将以上述脉冲噪声模型为基础，研宄麦克风阵列信号处理系统中的??脉冲噪声，通过相关ＤＯＡ估计算法，实现对声学脉冲噪声的抑制，提高ＤＯＡ??估计的精度。??３．２?ＤＯＡ估计数学模型??麦克风阵列系统是利用声学传感器对声源目标进行数据采集，利用目标??的空域和时域信息进行数据分析。常见的麦克风阵列系统由三部分组成，分??别是声源信号空间，声学传感器阵列系统，ＤＯＡ估计算法。流程图如图３－５??所示，声学传感器阵列系统由多个各向同性驻极体电容传感器按照均匀线性??分布组成。每一个驻极体电容传感器都可以独立采集目标空间中的声源数据，??然后将采集数据通过滤波、放大、ＡＤＣ转换、预处理等操作，传输到处理器??中，采用ＤＯＡ估计算法进行方向估计。??Ｉ?，１?１?ｒ?１??！信号空间传感器阵列?１１?ＤＯＡ估计算法??！?Ｉｎ＾ｎ?ｒ?ｎ?ｎ?ｉ??方！；?及采Ｋ理窗?Ｔ?算Ｉ??ｉ向乂?＼丨「．传感器「￣＾產集ｉ；?法ｉ??！?ＸＨｒ＝ｆ＾?」Ｕ?Ｕ：??＾！；?传感器Ｍ??？?；?Ｊ?！??图３－５麦克风阵列系统的ＤＯＡ估计流程??为了简化数学模型及便于对脉冲噪声环境下ＤＯＡ的理论推导，首先将??－２８－??
本文编号：2933105
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2933105.html
