基于无线声传感器网络的多节点信息融合声源定位方法技术

本发明专利技术公开了一种基于无线声传感器网络的多节点信息融合声源定位方法，用于解决现有声源定位方法精确度低的技术问题。技术方案是通过卡尔曼滤波器对声源的近场定位结果和远场DOA估计值进行融合，迭代过程中，依据误差协方差矩阵不断校正预测结果，至获取最终声源定位结果，迭代优化过程可以提高定位精度；每次迭代融合远场节点DOA估计值时，是从节点集合中动态选取定位节点，因此可降低单节点估计误差对定位的影响，提高抗噪性。由于采用卡尔曼滤波器方法，加入声源的近场定位结果并与声源的远场DOA估计值进行融合，迭代优化过程有利于提高声源定位精度，使定位精度提高1％～3％。

Multi node information fusion acoustic source localization method based on wireless acoustic sensor network

The invention discloses a multi node information fusion sound source positioning method based on a wireless acoustic sensor network, which is used for solving the technical problems of low accuracy of the existing sound source positioning method. The technical scheme is through the Calman filter to the sound source localization results near field and far field DOA estimates are fused in the iterative process, based on the error covariance matrix is adjusted to obtain the final prediction result, sound source localization results, the iterative optimization process can improve the positioning accuracy; each iteration fusion node DOA far field when the estimated value is from the set of nodes in dynamic locating nodes, thus reducing the estimation error on the performance of single node positioning, improve anti noise. By using Calman filter method, the near-field acoustic source localization with results and far field DOA and sound source estimation fusion, iterative optimization process is helpful to improve the sound source localization accuracy, to improve the positioning accuracy of 1% ~ 3%.

【技术实现步骤摘要】

本专利技术涉及一种声源定位方法，特别涉及一种基于无线声传感器网络的多节点信息融合声源定位方法。
技术介绍
基于无线声传感器网络(Wireless Acoustic Sensor Network,WASN)的声源定位方法，在通信带宽、能量等资源受限条件下，具有资源占用少，简单易实现等显著优势。文献“Localizing multiple audio sources in a wireless acoustic sensor network[J].Signal Processing,2015,107:54-67”公开了一种基于波达方向角(Direction-of-Arrival，DOA)估计值融合的迭代格网声源定位方法。此方法将网络覆盖范围划分成以麦克风阵列节点为顶点的正方形区域，针对声源所在区域迭代地进行网格划分，通过在网格内搜索，从中寻找到各节点DOA估计值误差最小的网格点位置坐标，该坐标作为声源定位结果。文献所述方法是基于声源所在正方形区域的四个节点DOA估计值融合进行声源定位，未考虑当节点距离声源较近时，只能获得声源的近场定位结果而非DOA估计值的实际情况，参与定位信息不全面，定位结果精确度低；此外，若某一节点DOA估计值存在较大偏差，会使定位结果严重偏离真实位置，甚至导致定位失败，因此单节点DOA估计值对定位结果影响大，抗噪性能差。
技术实现思路
为了克服现有声源定位方法精确度低的不足，本专利技术提供一种基于无线声传感器网络的多节点信息融合声源定位方法。该方法通过卡尔曼滤波器(Kalman Filter，KF)对声源的近场定位结果和远场DOA估计值进行融合，迭代过程中，依据误差协方差矩阵不断校正预测结果，至获取最终声源定位结果，迭代优化过程可以提高定位精度；每次迭代融合远场节点DOA估计值时，是从节点集合中动态选取定位节点，因此可降低单节点估计误差对定位的影响，提高抗噪性。由于采用卡尔曼滤波器方法，加入声源的近场定位结果并与声源的远场DOA估计值进行融合，迭代优化过程有利于提高声源定位精度，使定位精度提高1％～3％；利用动态选择节点代替固定节点参与DOA估计值融合的远场初步定位结果计算，可降低单节点估计误差影响，抗噪性能增强。本专利技术解决其技术问题所采用的技术方案：一种基于无线声传感器网络的多节点信息融合声源定位方法，其特点是包括以下步骤：步骤一、由m个麦克风阵列节点组成观测区域，融合中心接收目标声源的各节点传送数据，来自第k个节点的数据包括：声源的远场DOA估计值θk或近场初步定位结果SN(k)＝(θk，rk)、节点位置信息Pk＝(xk，yk)及声源频谱的特征信息，其中k＝1,2,…m。步骤二、根据接收数据中距离信息rk将其分为两类：远场节点数据集合P和近场节点数据集合Q。P,Q集合大小分别为p,q，则有p个节点获得声源的远场DOA估计值(θ1，θ2，…θp)，q个节点获得声源的近场定位结果((θ1，r1)，(θ2，r2)，…(θq，rq))，满足p<m,q<m且p+q＝m。步骤三、在近场节点数据集合Q中，第i个节点获得声源的近场定位结果为SN(i)＝(θi，ri)，对其进行坐标变换得SN(i)＝(xi，yi)(i＝1,2…q)，计算声源的近场初步定位结果SN＝(xN,yN)，并将其作为KF的初始状态输入值。SN的计算公式为： S N = ( 1 q Σ i = 1 q r i cosθ i , 1 q Σ i = 1 q r i sinθ i ) - - - ( 1 ) ]]>步骤四、针对远场节点数据集合P，计算声源的远场初步定位结果SF＝(xF,yF)。具体步骤为：(a)从P中选取四个节点组成远场定位节点集合Pselect＝{mj本文档来自技高网...

【技术保护点】
一种基于无线声传感器网络的多节点信息融合声源定位方法，其特征在于包括以下步骤：步骤一、由m个麦克风阵列节点组成观测区域，融合中心接收目标声源的各节点传送数据，来自第k个节点的数据包括：声源的远场DOA估计值θk或近场初步定位结果SN(k)＝(θk，rk)、节点位置信息Pk＝(xk，yk)及声源频谱的特征信息，其中k＝1,2,…m；步骤二、根据接收数据中距离信息rk将其分为两类：远场节点数据集合P和近场节点数据集合Q；P,Q集合大小分别为p,q，则有p个节点获得声源的远场DOA估计值(θ1，θ2，...θp)，q个节点获得声源的近场定位结果((θ1，r1)，(θ2，r2)，…(θq，rq))，满足p<m,q<m且p+q＝m；步骤三、在近场节点数据集合Q中，第i个节点获得声源的近场定位结果为SN(i)＝(θi，ri)，对其进行坐标变换得SN(i)＝(xi，yi)(i＝1,2…q)，计算声源的近场初步定位结果SN＝(xN,yN)，并将其作为KF的初始状态输入值；SN的计算公式为：SN=(1qΣi=1qricosθi,1qΣi=1qrisin&theta;i)---(1)]]>步骤四、针对远场节点数据集合P，计算声源的远场初步定位结果SF＝(xF,yF)；具体步骤为：(a)从P中选取四个节点组成远场定位节点集合Pselect＝{mj}(j＝1,2,3,4)，节点位置坐标为Pj＝(xj,yj)，节点DOA估计值θj，并且有其中集合Pselect的选取需满足两个条件：条件1：四个节点围成凸四边形，保证声源的近场初步定位结果在该四边形凸包内；条件2：四个节点中任意两个节点两两组合，每组节点的最小角度距离函数A(X,Y)满足γ阈值条件；函数A(X,Y)∈(0,π)为X和Y之间的最小角度距离：A(X,Y)=min(AX,Y,AY,X)AX,Y(X,Y)=(X-Y)(mod2π)AY,X(X,Y)=(Y-X)(mod2π)---(2)]]>其中，X,Y∈(0，2π)分别为每组节点的DOA估计值θj1，θj2(j1≠j2)；设定平行阈值γ(0<γ<π)，则A(θj1，θj2)需满足：γ<A(θj1，θj2)<π‑γ   (3)若上式不成立则任意剔除其中一个节点，重新选择一个新节点加入到集合Pselect中，重复上述验证过程，直至满足要求获得Pselect；(b)利用线性最小二乘法融合Pselect中节点的DOA估计值，计算公式为：xFsinθ‑yFcosθ＝xjsinθ‑yjcosθ(j＝1,2,3,4)   (4)上式的矩阵表示形式记作ASFT＝b，其中A,b分别为系数矩阵和常量矩阵，SFT为SF的转置，计算求得声源的远场初步定位结果：SFT＝(ATA)‑1ATb   (5)(c)输出声源的远场初步定位结果SF＝(xF,yF)，并将其作为KF的第k次观测值赋值给Z(k)＝(xk,yk)，则Z(k)＝SF；步骤五、利用KF融合声源的远、近场初步定位结果SF和SN；在不考虑控制作用的情况下，线性离散系统的状态方程和观测方程为：X(k)=Φ(k-1)X(k-1)+W(k-1)Z(k)=H(k)X(k)+V(k)---(6)]]>其中，X是状态变量，Φ是状态转移矩阵，Z是观测变量，H是观测矩阵；W,V为系统过程噪声和观测噪声，其协方差矩阵分别为Q(k)和R(k)；uk(x),uk(y)分别为x,y方向的观测噪声，两分量相互独立，服从零均值，方差为的高斯白噪声分布；Q(k),W(k)的定义与观测噪声一致；状态预测方程：X(k|k‑1)＝ΦX(k‑1|k‑1)    (7)P(k|k‑1)＝ΦP(k‑1|k‑1)ΦT+Q(k‑1)   (8)其中，ΦT是Φ的转置矩阵，P是X的协方差矩阵；观测更新方程：Kg(k)＝P(k|k‑1)HT/(HP(k|k‑1)HT+R)   (9)X(k|k)＝X(k|k‑1)+Kg(k)(Z(k)‑HX(k|k‑1))    (10)P(k|k)＝(I‑KgH)P(k|k‑1)   (11)其中，Kg为卡尔曼增益，I为单位矩阵；此外，将近场初步定位结果作为参考声源位置SR＝(xR,yR)，以此计算对应的协方差矩阵P，步骤三中声源的近场初步定位结果SN的协方差矩阵为PN，步骤四中声源的远场初步定位结果SF的协方差矩阵为PF，P的计算公式为：P=diag(δx2,δy2)---(12)]]>其中，噪声方差分别为KF融合过程中参数对应关系：初始状态输入值X0＝SN，P0＝PN；迭代过程中，第k次的观测值Z(k)＝SF，第k次的预测值X(k|k‑1)，对应的估计值X(k|k)；迭代终止，最终声源定位结果记为S*＝(x*,y...

【技术特征摘要】
1.一种基于无线声传感器网络的多节点信息融合声源定位方法，其特征在于包括以下步骤：步骤一、由m个麦克风阵列节点组成观测区域，融合中心接收目标声源的各节点传送数据，来自第k个节点的数据包括：声源的远场DOA估计值θk或近场初步定位结果SN(k)＝(θk，rk)、节点位置信息Pk＝(xk，yk)及声源频谱的特征信息，其中k＝1,2,…m；步骤二、根据接收数据中距离信息rk将其分为两类：远场节点数据集合P和近场节点数据集合Q；P,Q集合大小分别为p,q，则有p个节点获得声源的远场DOA估计值(θ1，θ2，...θp)，q个节点获得声源的近场定位结果((θ1，r1)，(θ2，r2)，…(θq，rq))，满足p<m,q<m且p+q＝m；步骤三、在近场节点数据集合Q中，第i个节点获得声源的近场定位结果为SN(i)＝(θi，ri)，对其进行坐标变换得SN(i)＝(xi，yi)(i＝1,2…q)，计算声源的近场初步定位结果SN＝(xN,yN)，并将其作为KF的初始状态输入值；SN的计算公式为： S N = ( ...

【专利技术属性】
技术研发人员：宁方立，赵满，韦娟，王文静，牛俊儒，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61