基于到达时差(Time Difference of Arrival,TDOA)的多声源定位中,由于麦克风阵列对测量的TDOA值无法与目标声源进行关联,声源定位过程会产生关联模糊,从而影响多声源定位结果的精度。针对这一问题,提出基于阵列重构的多声源关联模糊消...基于到达时差(Time Difference of Arrival,TDOA)的多声源定位中,由于麦克风阵列对测量的TDOA值无法与目标声源进行关联,声源定位过程会产生关联模糊,从而影响多声源定位结果的精度。针对这一问题,提出基于阵列重构的多声源关联模糊消除方法。通过广义互相关(Generialized Cross⁃Correlation,GCC)算法估计麦克风阵列的TDOA值,再利用排序算法获得定位麦克风阵列所有可能的TDOAs序列,并基于Chan算法估计所有可能的声源。通过轮换定位麦克风阵列的参考麦克风,构造多组校验子阵列,利用真实声源与阵列麦克风的相对位置关系来滤除虚假声源。对于不同校验子阵列筛选出的所有声源位置,以出现频数最大化原则再次进行冗余校验,从而提升最终筛选真实声源的准确性。仿真及实验结果表明,该方法能够以最少数量常规麦克风有效消除多声源定位中的虚假声源。在同等麦克风数量的情况下,该方法的定位精度及定位鲁棒性高于对比方法。展开更多
基于到达时差(time difference of arrival,简称TDOA)的多声源定位方法难以将麦克风获得的TDOA值与真实声源进行有效的关联。针对此问题,提出了一种基于TDOA的多声源空间定位方法。利用互相关算法估计声源的TDOA值,并基于Chan算法求解...基于到达时差(time difference of arrival,简称TDOA)的多声源定位方法难以将麦克风获得的TDOA值与真实声源进行有效的关联。针对此问题,提出了一种基于TDOA的多声源空间定位方法。利用互相关算法估计声源的TDOA值,并基于Chan算法求解多目标声源的空间位置。为消除虚假声源,将阵列麦克风分为定位和校验两组子阵列,并构建阵列分组定位校验模型。定位麦克风用于所有可能声源的定位。校验麦克风用于虚假声源的消除,并获得多声源的初始位置。根据初始真实声源位置,构建全阵列TDOA序列校验模型,并获得最终真实声源位置。搭建了仿真及实验平台,对提出的方法进行验证。仿真及实验结果表明,提出的方法有效地消除了基于TDOA多声源定位的虚假声源,并能充分利用阵列麦克风数量来提升多声源定位精度。展开更多
文摘基于到达时差(Time Difference of Arrival,TDOA)的多声源定位中,由于麦克风阵列对测量的TDOA值无法与目标声源进行关联,声源定位过程会产生关联模糊,从而影响多声源定位结果的精度。针对这一问题,提出基于阵列重构的多声源关联模糊消除方法。通过广义互相关(Generialized Cross⁃Correlation,GCC)算法估计麦克风阵列的TDOA值,再利用排序算法获得定位麦克风阵列所有可能的TDOAs序列,并基于Chan算法估计所有可能的声源。通过轮换定位麦克风阵列的参考麦克风,构造多组校验子阵列,利用真实声源与阵列麦克风的相对位置关系来滤除虚假声源。对于不同校验子阵列筛选出的所有声源位置,以出现频数最大化原则再次进行冗余校验,从而提升最终筛选真实声源的准确性。仿真及实验结果表明,该方法能够以最少数量常规麦克风有效消除多声源定位中的虚假声源。在同等麦克风数量的情况下,该方法的定位精度及定位鲁棒性高于对比方法。
文摘基于到达时差(time difference of arrival,简称TDOA)的多声源定位方法难以将麦克风获得的TDOA值与真实声源进行有效的关联。针对此问题,提出了一种基于TDOA的多声源空间定位方法。利用互相关算法估计声源的TDOA值,并基于Chan算法求解多目标声源的空间位置。为消除虚假声源,将阵列麦克风分为定位和校验两组子阵列,并构建阵列分组定位校验模型。定位麦克风用于所有可能声源的定位。校验麦克风用于虚假声源的消除,并获得多声源的初始位置。根据初始真实声源位置,构建全阵列TDOA序列校验模型,并获得最终真实声源位置。搭建了仿真及实验平台,对提出的方法进行验证。仿真及实验结果表明,提出的方法有效地消除了基于TDOA多声源定位的虚假声源,并能充分利用阵列麦克风数量来提升多声源定位精度。