基于频率信噪比加权的麦克风阵列声源定位算法
发布时间:2022-02-13 05:35
为了提高噪声和混响环境下麦克风阵列的声源定位算法性能,提出了一种基于频率信噪比加权的可控响应功率定位算法。该算法首先根据每帧阵列信号的频域协方差矩阵估计每个频率的信噪比;然后通过激活函数将频率信噪比映射为加权值,并修正传统的相位变换可控响应功率计算公式;最后利用修正公式计算每个候选位置的可控响应功率值,通过搜索可控响应功率的最大值实现声源定位。该算法无需噪声先验信息,根据实时估计的频率信噪比自适应地调整各频率分量对可控响应功率的贡献。仿真环境和实际环境测试结果表明,与传统的相位变换可控响应功率算法、维纳预滤波波束形成算法相比,在噪声和混响的复杂声学环境下,本文算法的定位正确率更高,均方根误差更小,对噪声的鲁棒性更强。
【文章来源】:信号处理. 2020,36(03)北大核心CSCD
【文章页数】:8 页
【部分图文】:
β=2,不同α取值时的定位正确率
图1 β=2,不同α取值时的定位正确率由图可见,激活函数参数α和β对本文的定位性能有影响。由公式(10)可知,α影响以信噪比ξ(i,k)为自变量的G(i, k)函数的曲线陡峭程度,而β影响曲线左右平移。α取值越小,G(i, k)函数的曲线越平坦,则不同信噪比的频点的权值区分度越不明显。当α=0时,此时G(i, k)=1/2,所有频点的权值相同,本文算法等价于传统SRP-PHAT算法。α取值越大,G(i, k)函数的曲线越陡峭,激活函数对信噪比低于β dB的频谱抑制越明显,而对信噪比高于β dB的频谱区分度较小。当α=∞时, G(i, k)函数是一个阶跃函数,此时本文算法将只保留信噪比高于β dB的频点用于计算可控响应功率,且这些频点的权重相同。以信噪比为自变量的G(i, k)函数的拐点位于(β, 0.5)处,信噪比低于β的频点被明显抑制。当β取值过大时,大多数频点被明显抑制,可用的频点过少;当β取值过小时,信噪比低的频点不能被有效抑制。如图1和图2所示,当α取值为0.5,β取值为2时,本文算法获得最优的定位性能。综合以上结果,后续实验中本文算法的激活函数参数α取值为0.5,β取值为2。
在混响时间T60为0.3 s和0.6 s,噪声类型为高斯白噪声,全局信噪比为0~20 dB环境中,将本文算法与传统SRP-PHAT算法和维纳预滤波波束形成算法进行比较。不同算法的定位性能如图3和图4所示。图3 混响时间T60=0.3 s时不同算法的定位性能比较
【参考文献】:
期刊论文
[1]利用相位时频掩蔽的麦克风阵列噪声消除方法[J]. 何礼,周翊,刘宏清. 信号处理. 2018(12)
[2]奇异值分解的HB加权广义互相关时延估计[J]. 齐小刚,袁列萍,刘立芳. 信号处理. 2018(10)
[3]结合差分阵列与幅度谱减的双麦语音增强算法[J]. 徐娜,吴长奇. 信号处理. 2018(07)
[4]基于自适应频率选择的鲁棒时延估计算法[J]. 万新旺,吴镇扬. 东南大学学报(自然科学版). 2010(05)
本文编号:3622733
【文章来源】:信号处理. 2020,36(03)北大核心CSCD
【文章页数】:8 页
【部分图文】:
β=2,不同α取值时的定位正确率
图1 β=2,不同α取值时的定位正确率由图可见,激活函数参数α和β对本文的定位性能有影响。由公式(10)可知,α影响以信噪比ξ(i,k)为自变量的G(i, k)函数的曲线陡峭程度,而β影响曲线左右平移。α取值越小,G(i, k)函数的曲线越平坦,则不同信噪比的频点的权值区分度越不明显。当α=0时,此时G(i, k)=1/2,所有频点的权值相同,本文算法等价于传统SRP-PHAT算法。α取值越大,G(i, k)函数的曲线越陡峭,激活函数对信噪比低于β dB的频谱抑制越明显,而对信噪比高于β dB的频谱区分度较小。当α=∞时, G(i, k)函数是一个阶跃函数,此时本文算法将只保留信噪比高于β dB的频点用于计算可控响应功率,且这些频点的权重相同。以信噪比为自变量的G(i, k)函数的拐点位于(β, 0.5)处,信噪比低于β的频点被明显抑制。当β取值过大时,大多数频点被明显抑制,可用的频点过少;当β取值过小时,信噪比低的频点不能被有效抑制。如图1和图2所示,当α取值为0.5,β取值为2时,本文算法获得最优的定位性能。综合以上结果,后续实验中本文算法的激活函数参数α取值为0.5,β取值为2。
在混响时间T60为0.3 s和0.6 s,噪声类型为高斯白噪声,全局信噪比为0~20 dB环境中,将本文算法与传统SRP-PHAT算法和维纳预滤波波束形成算法进行比较。不同算法的定位性能如图3和图4所示。图3 混响时间T60=0.3 s时不同算法的定位性能比较
【参考文献】:
期刊论文
[1]利用相位时频掩蔽的麦克风阵列噪声消除方法[J]. 何礼,周翊,刘宏清. 信号处理. 2018(12)
[2]奇异值分解的HB加权广义互相关时延估计[J]. 齐小刚,袁列萍,刘立芳. 信号处理. 2018(10)
[3]结合差分阵列与幅度谱减的双麦语音增强算法[J]. 徐娜,吴长奇. 信号处理. 2018(07)
[4]基于自适应频率选择的鲁棒时延估计算法[J]. 万新旺,吴镇扬. 东南大学学报(自然科学版). 2010(05)
本文编号:3622733
本文链接:https://www.wllwen.com/kejilunwen/wltx/3622733.html