针对平面麦克风阵列的声源三维坐标估计问题,文中在TDOA(Time Difference of Arrival)声源定位算法中引入粒子群优化算法进行位置估计。利用PHAT(Phase Transform)加权函数的广义互相关法计算得到时延差的真实值,结合麦克风的坐标位置,...针对平面麦克风阵列的声源三维坐标估计问题,文中在TDOA(Time Difference of Arrival)声源定位算法中引入粒子群优化算法进行位置估计。利用PHAT(Phase Transform)加权函数的广义互相关法计算得到时延差的真实值,结合麦克风的坐标位置,通过几何关系计算出假设声源到达麦克风之间的时延差的估计值。设计时延真实值和估计值差值的平方和为粒子适应度函数,利用粒子群优化算法搜索空间中符合适应度函数的声源点,实现声源位置估计。仿真结果表明,在计算速度与球形插值法相近的情况下,文中所提算法比球形插值法具有更好的鲁棒性和抗噪性。展开更多
非视距(Non Line of Sight,NLOS)传播是影响超宽带(Ultra-wide Bandwidth,UWB)定位精度的一个重要因素。针对UWB定位中视距(Line of Sight,LOS)信号数量大于NLOS信号数量所呈现的类别不平衡特点,提出了一种基于类别不平衡学习的NLOS信...非视距(Non Line of Sight,NLOS)传播是影响超宽带(Ultra-wide Bandwidth,UWB)定位精度的一个重要因素。针对UWB定位中视距(Line of Sight,LOS)信号数量大于NLOS信号数量所呈现的类别不平衡特点,提出了一种基于类别不平衡学习的NLOS信号识别方法。该方法通过给NLOS信号和LOS信号赋予不同的误分代价来训练一个带野值的支持向量数据描述(Support Vector Data Description,SVDD)学习器,实现对数量少但重要的NLOS信号的识别。仿真结果表明,当LOS信号数量远大于NLOS信号数量时,该方法对NLOS信号的识别性能优于支持向量机(Support Vector Machine,SVM)。展开更多
文摘针对平面麦克风阵列的声源三维坐标估计问题,文中在TDOA(Time Difference of Arrival)声源定位算法中引入粒子群优化算法进行位置估计。利用PHAT(Phase Transform)加权函数的广义互相关法计算得到时延差的真实值,结合麦克风的坐标位置,通过几何关系计算出假设声源到达麦克风之间的时延差的估计值。设计时延真实值和估计值差值的平方和为粒子适应度函数,利用粒子群优化算法搜索空间中符合适应度函数的声源点,实现声源位置估计。仿真结果表明,在计算速度与球形插值法相近的情况下,文中所提算法比球形插值法具有更好的鲁棒性和抗噪性。
文摘非视距(Non Line of Sight,NLOS)传播是影响超宽带(Ultra-wide Bandwidth,UWB)定位精度的一个重要因素。针对UWB定位中视距(Line of Sight,LOS)信号数量大于NLOS信号数量所呈现的类别不平衡特点,提出了一种基于类别不平衡学习的NLOS信号识别方法。该方法通过给NLOS信号和LOS信号赋予不同的误分代价来训练一个带野值的支持向量数据描述(Support Vector Data Description,SVDD)学习器,实现对数量少但重要的NLOS信号的识别。仿真结果表明,当LOS信号数量远大于NLOS信号数量时,该方法对NLOS信号的识别性能优于支持向量机(Support Vector Machine,SVM)。