The location of Steffen's Polyhedron's vertexes is listed as below:
Finally, the fourteens triangles that are used to make up this Polyhedron is
The location of Steffen's Polyhedron's vertexes is listed as below:
Finally, the fourteens triangles that are used to make up this Polyhedron is
请问
关于窄带的误差:
关于宽带的误差:
我在处理这方面时并没有单纯的对宽带进行拆分重组,而是借用了另一种算法
高分辨率谱估计算法主要针对窄带信号提出,在信号为宽带信号时,需要将宽带信号分为多个子带信号,对于每个子带信号分别利用高分辨率算法进行声源定位,最后根据得到的结果计算声源位置。这一方法使得算法复杂度增加,很难实时实现。
Q2:那为什么最后还是会有较大的误差呢:
在此附上另一种 基于子空间搜索算法的代码 :
[ang1,ang2,LocX,LocY] = SubspaceSearch(rxsignaltmp,Mic_Loc_H,Mic_Loc_L,[25 75],[25 75],1,1,fs); LocEst1(ii,:) = [ang1,ang2, LocX,LocY,ii*DataNum/fs]; %相关的 function 可在 SubspaceSearch.m 内查询。
下面是以
对于
宽带的套壳检验似乎可以触发类似于“循环展开”的
基于相对时延估计的方法。由于阵列的几何结构,各个阵列接收到的信号都有不同程度的延时,而基于相对时延估计的方法通过互相关、广义互相关(
基于波束形成的方法。该算法通常对阵列的各阵元使用所有角度补偿相位,以实现对目标区域的扫描,然后对各信号进行加权求和,将波束输出功率最大的方向作为目标声源的方向。常见的基于波束形成的声源方位角估计算法有延迟相加(
基于信号子空间的方法。这类算法一般可以分为相干子空间方法和非相干子空间方法,在非相干子空间算法中,最经典的算法为多信号分类(
基于模态域的方法。上述方法皆是阵元域的处理方法,而模态域的一大特性是其波束和导向矢量的频率无关,依据此可以设计出具有低频指向型的波束形成器,也可以降低阵元域波束扫描的频点数。模态域的处理方法与阵元域相比,其波束形成多出一步模态展开的操作,模态展开可通过傅立叶变换实现,展开后的每阶模态都有与之对应的空间特征波束,对应于特定的波束响应,可以看作是组合成期望波束响应的一组基。理论上来讲,只要模态展开的阶数足够高,理论是可以组合逼近成任意的波束。模态域的方法目前应用在球型阵列和环型阵列上有比较好的结果。
基于机器学习(或深度学习)的方法。与传统基于模型的方法相比,基于机器学习的方法是数据驱动的,甚至无需定义传播模型。基于机器学习的方法将声源定位看作是一个多分类或者线性回归问题,利用其非常强的非线形拟合能力,直接将多通道数据特征映射成定位结果。基于机器学习的方法主要也发展成了两种方向,即基于网格的方法和无网格的方法,这两种方法在定位精度和估计声源个数上各有优势。
与
在室内条件下,当声源距离发生变化时,来自反射声的能量(如室内混响漫射声场)可以假定是保持不变,而来自直达声的能量会发生变化。这两种能量的比值被称为直达混响比(
针对DOA估计和距离估计的方法,需要依靠一些指标来衡量声源定位的性能,常见的评价指标如下:
平均误差(
准确率(
查准率(
声源的数量(Number\ of\ sources)。该指标衡量所能估计到声源的数量,而不在乎声源的具体位置。
还有一些其他的性能指标,如将某声源定位方法用在语音识别、声源分离、语音拾取任务的预处理,上述任务依赖于声源定位的效果,通过这些任务的性能表现来间接评价声源定位的性能。
在过去几十年里,声源定位领域有了巨大的发展,很多问题都得到了解决。例如,在半个世纪以前,研究人员认为声源定位在噪声和混响的条件下,其鲁棒性非常差,认为这个问题几乎不可能解决,但现在很多针对声源定位方法也正是基于噪声和混响条件下的研究,性能也得到很好的改善。目前的方法也存在如上一节所述的局限性,而且在声源定位中,仅依靠音频信号对距离进行估计的研究方法效果较差,但如今的趋势表明,这些研究问题正不断得到解决。
麦克风阵列
空间采样定理
噪音模型
GCC
详细复杂度比较