一种基于时变混合信号盲分离的宽带DOA估计方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112565119A(43)申请公布日2021.03.26(21)申请号202011385852.9(22)申请日2020.11.30(71)申请人西北工业大学地址710072陕西省西安市碑林区友谊西路127号(72)发明人何鹏举朱瑞霖(74)专利代理机构西安铭泽知识产权代理事务所(普通合伙)61223代理人张举(51)Int.Cl.H04L25/02(2006.01)H04L25/03(2006.01)权利要求书4页说明书14页附图7页(54)发明名称一种基于时变混合信号盲分离的宽带DOA估计方法(57)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。CN112565119ACN112565119A权利要求书1/4页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。2.如权利要求1所述的基于时变混合信号盲分离的宽带DOA估计方法，其特征在于，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。3.如权利要求2所述的基于时变混合信号盲分离的宽带DOA估计方法，其特征在于，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2CN112565119A权利要求书2/4页f1.6)将和Pk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χi(t)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E<E0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。4.如权利要求3所述的基于时