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
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。
