申请/专利权人：西北工业大学

申请日：2020-11-30

公开（公告）日：2022-09-27

公开（公告）号：CN112565119B

主分类号：H04L25/02

分类号：H04L25/02;H04L25/03

优先权：

专利状态码：有效-授权

法律状态：2022.09.27#授权;2021.04.13#实质审查的生效;2021.03.26#公开

摘要：本发明公开了一种基于时变混合信号盲分离的宽带DOA估计方法，包括：获取声学相机系统的多声源混响数据；通过GPR‑UKF‑NMFD盲分离算法、变分贝叶斯盲分离算法、时变在线盲分离算法、GCC‑PHAT算法、MVDR波束形成算法，形成深度盲波束形成算法；通过深度盲波束形成算法，对多声源混响数据进行时变盲源分离、去混响、及DOA估计。本发明基于GPR‑UKF‑NMFD盲分离方法、变分贝叶斯盲分离方法和时变在线盲分离方法，GCC‑PHAT的DOA估计方法和MVDR波束形成方法，提出了一种适用于多声源DOA估计的声学相机系统的深度盲波束形成算法，将该算法移植到声学相机系统中，通过半实物仿真实验实现了实测多声源的时变盲分离、定位以及去混响。

主权项：1.一种基于时变混合信号盲分离的宽带DOA估计方法，其特征在于，包括：获取声学相机系统的多声源混响数据；通过GPR-UKF-NMFD盲分离算法、变分贝叶斯盲分离算法、时变在线盲分离算法、GCC-PHAT算法、MVDR波束形成算法，形成深度盲波束形成算法；通过深度盲波束形成算法，对多声源混响数据进行时变盲源分离、去混响、及DOA估计；所述通过GPR-UKF-NMFD盲分离算法、变分贝叶斯盲分离算法、时变在线盲分离算法、GCC-PHAT算法、MVDR波束形成算法，形成深度盲波束形成算法，包括：通过GPR-UKF-NMFD盲分离算法，对多声源混响数据进行第一次盲分离；通过变分贝叶斯盲分离算法，对第一次盲分离后数据进行第二次盲分离；通过时变在线盲分离算法，对第二次盲分离后数据进行第三次盲分离；通过GCC-PHAT算法，对第三次盲分离后数据进行DOA估计；将DOA估计后数据代入MVDR波束形成算法，获得深度盲波束形成算法；所述通过GPR-UKF-NMFD盲分离算法，对多声源混响数据进行第一次盲分离，包括：采用高斯过程回归GPR理论建立动态系统模型，再结合无迹卡尔曼滤波UKF理论对观测信号进行实时在线滤波，形成GPR-UKF状态预估计算法；其过程如下：1.1建立高斯过程带加性噪声的非线性动态系统模型： 式中，xk和yk分别为k时刻的状态变量和量测变量，wk为量测噪声，且1.2分别确定状态模型和量测模型中的训练数据量Df和Dh，输入与输出数据的维度为N与M，并初始化统计量μk-1和Px,k-1；1.3通过向量x的均值μ和方差Px构造Sigma点集{χi∣i＝0,1,…2n} 式中，k为尺度参数，是调节精度的参数，该组采样点表示x服从的高斯分布，并将该点集带入状态方程中，得到状点集1.4计算均值1.5计算方差1.6将和代入1.3中公式，重新得到一组Sigma点集并将其代入量测方程中，得观测量的点集1.7计算观测量的均值1.8计算观测量的方差1.9计算互协方差1.10根据卡尔曼增益更新状态，并将其作为新一轮的统计量；根据GPR-UKF状态预估计算法，结合非负矩阵分解解卷积NMFD理论，形成GPR-UKF-NMFD盲分离算法；其过程如下：2.1根据GPR-UKF状态预估计算法，对观测信号xit通过GPR理论建立状态空间模型，然后通过UKF理论估计状态变量2.2对进行短时傅里叶变换得到J×P维的复数矩阵V0，并计算V0的功率谱值V′，具体为且2.3随机初始化非负矩阵W和H，再将V,W,H代入如下非负矩阵分解更新规则中： 2.4将上一步更新得到的Wnew和Hnew代入如下两式中，得到E： 2.5令W＝Wnew,H＝Hnew，继续代入更新规则至EE0时停止更新，E0为设定的阈值，此时非负矩阵分别为Wfin,Hfin；2.6令利用将其转化为复数矩阵2.7对进行短时傅里叶逆变换，得到分离信号此时的分离信号为去混响后的信号；所述通过变分贝叶斯盲分离算法，对第一次盲分离后数据进行第二次盲分离，包括：3.1对第mm＝1,…,M个阵元上的观测信号进行短时傅里叶变换，并得到第一帧的3.2初始化二值矩阵G、参数θ以及混合系统后验统计量3.3重复以下VBE-C步、VBE-A步，至下界收敛：VBE-C步：用下式计算 其中，是J×J维的矩阵，其第jrth个元素是的第jrth个元素，并通过下式估计出 VBE-A步：用下式计算再使用卡尔曼平滑得到参数 VBM步：用以下公式更新参数θ； 其中，被定义为3.4返回源信号的估计值3.5m++，继续执行3.1～3.5步，直到m＝M，并返回得到分离信号；所述通过时变在线盲分离算法，对第二次盲分离后数据进行第三次盲分离，包括：4.1初始化：初始化参数Θ0，用前4帧的信号与混合系统数据来训练GPR模型参数，即初始核超参数Ω0，随机初始化其余超参数Ψ0，超参数Φ＝Ω∪Ψ；4.2对前2个阵元上的每一帧的观测信号4.3VBE步：估计后验分布qAl，qSl，qPl；4.4VBM步：估计各参数的期望值ESl，EXl，EPl；4.5更新核函数的超参数与其余超参数Ψl；4.6算出负变分自由能的变化量ΔF＝|FΘnew-FΘold|；4.7若ΔF＜tol，分离信号Sl＝ESl，l++，返回步骤2，否则，返回步骤3；如此反复，直到得到最终的分离结果S1,2＝{Sl}；所述通过GCC-PHAT算法，对第三次盲分离后数据进行DOA估计，包括：各阵元处接收到观测信号为xjt＝αjst-τj+njt,j＝1,2...n；其中，st为源信号，τj为声源到第j个麦克风的时间延迟，αjt是声源到第j个麦克风的衰减幅度，njt是加性噪声；假设声源到两个麦克风的时间差为τ12，则麦克风接收到的语音信号的互相关函数为GCC-PHAT算法则在频域中利用PHAT加权函数来改进原互功率谱密度函数，改进后的为若以L型阵列为例，假设其x轴时延为τ12，y轴时延为τ13，方位角θ与俯仰角由下式计算： 所述通过深度盲波束形成算法，对多声源混响数据进行时变盲源分离、去混响、及DOA估计，包括：假设某一空间中期望信号的来波方向为φe，并存在K个以φk为入射角的干扰信号，其对应的导向矢量分别为aφe和aφk，权向量与导向矢量之间需要满足约束条件wHaφe＝1,wHaφk＝0，此时的目标函数即为s.t.wHaφe＝1,wHaφk＝0，得输出功率最小同时信干噪比最大的最优权值对时间对齐后的信号进行加权处理，最后将加权后的结果叠加，以使得阵列在期望方向上产生一个主瓣波束，而对其他方向上产生旁瓣波束；这样对整个空间进行波束扫描即估计出目标信号的位置。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于时变混合信号盲分离的宽带DOA估计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD