一种基于声矢量传感器的机动声源方位估计方法

摘要

本发明涉及一种基于声矢量传感器的机动声源方位估计方法，属于信号处理技术领域。本发明首先估计空域噪声协方差矩阵，通过噪声白化方法固化最大能量定位方法中的加权参数，以避免最优加权参数选择的一维搜索过程，提高了最大能量定向算法的估计精度，然后结合最大能量定向估计子输出和声源匀速运动的先验信息，在极坐标系下采用卡尔曼滤波技术进一步提高机动声源的方位估计精度。通过理论分析和仿真研究，本发明的基于声矢量传感器的机动声源方位估计与跟踪方法的估计精度优于原最大能量定向方法，并且由于采用了卡尔曼滤波，本发明的均方角度误差低于静态声源定位情况下的克拉美‑罗下界。

主权项

一种基于声矢量传感器的机动声源方位估计方法，其特征在于，该方法的步骤如下：1)利用改进最大能量梯度法获取初始时刻声源方向矢量和k时刻声源方向矢量2)求出对应极坐标下的俯仰角与方位角初始状态向量同时计算k时刻声源方向矢量对应极坐标下的俯仰角与方位角3)根据卡尔曼滤波方法，获取k时刻的状态预测及其误差协方差矩阵P(k,k‑1)，$\hat{X}(k,k-1)=\Phi (k,k-1)X(k-1)$P(k,k‑1)＝Φ(k,k‑1)P(k‑1,k‑1)Φ(k,k‑1)^Τ+Γ(k‑1)Q(k‑1)Γ(k‑1)^Τ其中，为k时刻声源目标的状态向量，θ为声源信号入射向量的俯仰角，为声源的方位角，Φ(k,k‑1)为k‑1时刻至k时刻的状态转移矩阵，Γ(k‑1)为系统噪声驱动矩阵；4)利用k时刻先验信息对以上预测信息进行修正，从而得到k时刻波达方向估计及其误差协方差矩阵P(k,k)：$\hat{X}(k,k)=\hat{X}(k,k-1)+K\left(k\right)\left(Z\right(k)-H\hat{X}(k,k-1\left)\right)$P(k,k)＝P(k,k‑1)‑K(k)HP(k,k‑1)其中Z(k)为k时刻声源方向矢量对应的极坐标下的量测方程，K(k)为卡尔曼滤波器的增益；所述步骤1)中利用改进最大能量梯度法获取k时刻声源方向矢量的过程为：A.根据非均匀噪声协方差估计方法，估计入射声信号的噪声协方差矩阵$\hat{Q}=\left[\begin{array}{cc}{\delta }_p^2& 0_{1\times 3}\\ 0_{3\times 1}& {\delta }_v^2{I}_{3\times 3}\end{array}\right]=\left(\begin{array}{ccc}{\hat{r}}_{11}-{\hat{x}}_2{\hat{x}}_4^{-1}{\hat{x}}_3& 0& 0_{1\times 2}\\ 0& {\hat{r}}_{22}-{\hat{x}}_3{\hat{x}}_5^{-1}{\hat{x}}_6& 0_{1\times 2}\\ 0_{2\times 1}& 0_{2\times 1}& diag\{{\hat{r}}_4-{\hat{r}}_2{\hat{r}}_1^{-1}{\hat{r}}_3\}\end{array}\right)$其中和分别为矢量传感器声压域和振速域的噪声方差，和是矩阵R_D的各个分块矩阵，和是协方差矩阵R中的分块矩阵；B.将声矢量传感器的接收信号进行预白化处理，得到预白化后的信号${\hat{Y}}_k\left(n\right)={\hat{Q}}^{-\frac{1}{2}}\left[\begin{array}{c}{Y}_k^p\left(n\right)\\ Y_k^v\left(n\right)\end{array}\right]=\left[\begin{array}{c}{\hat{Y}}_k^p\left(n\right)\\ {\hat{Y}}_k^v\left(n\right)\end{array}\right],n=1,2,...,N;$C.根据预白化后的信号计算预白化后振速信号与声压信号的协方差阵和振速信号的协方差阵$\begin{array}{c}{\hat{R}}_{vp}=\frac{1}{N}\underset{n=1}{\overset{N}{\Sigma }}{\hat{Y}}_k^v\left(n\right){\hat{Y}}_k^p\left(n\right)\\ {\hat{R}}_{vv}=\frac{1}{N}\underset{n=1}{\overset{N}{\Sigma }}\left[{\hat{Y}}_k^v\left(n\right)\right]{\left[{\hat{Y}}_k^p\left(n\right)\right]}^T\end{array};$D.根据得到的振速信号与声压信号的协方差阵和振速信号的协方差阵计算和${\hat{u}}_0=q_0={\hat{R}}_{vp}/\left|\right|{\hat{R}}_{vp}\left|\right|$其中μ为步长参数，为0.5。