一種魯棒性的時(shí)間延遲估計(jì)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及隨機(jī)信號(hào)處理領(lǐng)域，更具體地說(shuō)，本發(fā)明設(shè)及一種魯棒性的時(shí)間延遲 估計(jì)方法。
【背景技術(shù)】
[0002] 時(shí)間延遲是指接收器陣列中不同接收器所接收到的同源帶噪信號(hào)之間的時(shí)間差。 利用信號(hào)處理的理論和方法對(duì)時(shí)間延遲進(jìn)行估計(jì)，由此進(jìn)一步確定其它有關(guān)參數(shù)，如源的 距離、方位、運(yùn)動(dòng)方向和速度等，在無(wú)線(xiàn)定位、雷達(dá)、聲納、石油勘探、故障診斷及生物醫(yī)學(xué)等 領(lǐng)域具有重要的應(yīng)用價(jià)值。在傳統(tǒng)的時(shí)延估計(jì)算法中，對(duì)噪聲采用高斯分布的模型，運(yùn)種假 設(shè)在許多情況下是合理的。采用高斯分布假設(shè)的好處是使信號(hào)處理的算法趨于簡(jiǎn)單，并且 便于理論分析。然而，在實(shí)際應(yīng)用中遇到的許多噪聲并不是高斯分布的，例如，水聲信號(hào)、許 多生物醫(yī)學(xué)信號(hào)、低頻大氣信號(hào)W及許多人為產(chǎn)生的信號(hào)和噪聲等均為非高斯分布的，其 結(jié)果是導(dǎo)致在高斯假定下設(shè)計(jì)的系統(tǒng)性能退化，甚至不能使用。
[0003] 一類(lèi)非常重要的非高斯分布隨機(jī)過(guò)程稱(chēng)為穩(wěn)定分布隨機(jī)過(guò)程。運(yùn)類(lèi)隨機(jī)信號(hào)的顯 著特點(diǎn)是比常規(guī)的高斯信號(hào)有更多的尖峰脈沖。許多實(shí)際信號(hào)具有穩(wěn)定分布特性，基于隨 機(jī)信號(hào)或噪聲分?jǐn)?shù)低階穩(wěn)定分布（FLOA)假設(shè)和分?jǐn)?shù)低階統(tǒng)計(jì)量（FLO巧而導(dǎo)出的信號(hào)處理 算法對(duì)諸如隨機(jī)信號(hào)或噪聲模型的不確定性及與實(shí)際情況有誤差等情況，具有良好的魯棒 性（Robustness)。研究表明，運(yùn)類(lèi)算法在很多方面優(yōu)于相應(yīng)的基于高斯分布假定的算法， 即使當(dāng)隨機(jī)信號(hào)或噪聲確實(shí)為高斯分布時(shí)，基于化OA分布假設(shè)而得出算法的性能也與基 于高斯假定算法的性能相當(dāng)。正是因?yàn)榫哂猩鲜鲲@著優(yōu)點(diǎn)，自20世紀(jì)90年代中期W來(lái)，對(duì) 于化OA分布與基于化OS的信號(hào)處理理論和方法受到國(guó)際信號(hào)處理學(xué)術(shù)界極大的關(guān)注，并 且在時(shí)間延遲估計(jì)領(lǐng)域得到了應(yīng)用。
[0004] 基于自適應(yīng)特征值分解（AED)的時(shí)延估計(jì)算法，將其應(yīng)用在語(yǔ)音聲源定位系統(tǒng) 中。該算法不需要知道兩個(gè)傳感器接收信號(hào)到達(dá)的先后，在噪聲為高斯分布時(shí)可W較好地 得到時(shí)延。然而在脈沖噪聲環(huán)境中，該算法不能可靠收斂，語(yǔ)音環(huán)境的噪聲常常具有脈沖 性，因此需要擴(kuò)展A邸算法的適用條件。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)中存在上述缺陷，提供一種時(shí)間延遲 估計(jì)方法，其能夠提高魯棒性時(shí)延估計(jì)的語(yǔ)音聲源定位效果。
[0006] 為了實(shí)現(xiàn)上述技術(shù)目的，根據(jù)本發(fā)明，提供了一種魯棒性的時(shí)間延遲估計(jì)方法，其 特征在于包括：基于廣義歸一化最小平均P范數(shù)算法，自適應(yīng)得到兩個(gè)傳感器接收的組合 信號(hào)的共變矩陣最小特征值對(duì)應(yīng)的特征向量，將該特征向量確定為對(duì)信道的估計(jì)；并且，從 特征向量的峰值位置信息得到兩個(gè)傳感器接收信號(hào)到達(dá)的時(shí)間差。
[0007] 優(yōu)選地，所述時(shí)間延遲估計(jì)方法包括下述步驟：
[0008] 利用下述離散信號(hào)模型表示兩個(gè)傳感器的接收信號(hào)
[0009] Xi (n) = S (n_di) +Vi (n)
[0010] 又2 (n)二人 S (n-dz)+V2 (n);
[0011] 其中，s(n)為源信號(hào)，|d2-di|為時(shí)延差真值，A為衰減因子，vi(n)和V2(n)分別 為接收到的背景噪聲，源信號(hào)與背景噪聲是不相關(guān)的，背景噪聲服從a穩(wěn)定分布；
[0012] 將信道建模為FIR濾波器，而且將兩個(gè)傳感器接收到的信號(hào)建模為Xi (n)= S (n) *hi+Vi (n),i = 1, 2 ；
[0013] 將兩個(gè)接收信號(hào)xi(n)、X2(n)整合在一起，組成新的向量x(n) = [xf(")，域H)f . n時(shí) 亥IJ下的新的向量滿(mǎn)足妍姆h =片州h;-諒姆hi A Q，其中
[0014] Xi (n) = [Xi (n), Xi (n-1)，…，Xi (n-M+1) ]T [001引hi=比i,0，hi,i，…，hi,Mi]T i = 1，2
[0016] h=[h;.-h|']'
[0017] 將3^''(")h = X;' (")h2:=.任兩邊左乘 w")r; " i，..-，-V|("-',v/+i)j" i .片（")j" k'….i:f 其中符號(hào)< . >表示運(yùn)算Z< n> =I Z r S即(Z)，然后取均值得到Re(n) h=0,其中Re(n)= E {[X (n) ] < P 1 > xT (n)}，W作為組合信號(hào)X (n)的共變矩陣；
[0018] 使用最小平均P范數(shù)算法對(duì)共變矩陣Rt(n)最小特征值對(duì)應(yīng)的特征向量h進(jìn)行估 計(jì)，將自適應(yīng)算法中權(quán)矢量W(") = [W沁z)，-wf (")f收斂時(shí)的值確定為對(duì)h的估計(jì)，其中W2 (n) 和Wi (n)分別是對(duì)I12和h 1的估計(jì)；代價(jià)函數(shù)為J(n) = E[Ie (n)I P]，（1《P < a );其中最小 平均P范數(shù)算法的迭代公式為

[0021] 其中y是自適應(yīng)步長(zhǎng)，當(dāng)w(n)收斂時(shí)，梯度向量從而有
[0025] 其中，Rc(n) = E{[x(n)]<P 1>/(n)} = E{x(n) [xT(n)]<p 1> };
[0026]對(duì)權(quán)矢量進(jìn)行歸一化，使得迭代方程式變?yōu)?br>[002引使用歸一化I |w(n) Mp= 1，W使得簡(jiǎn)化的迭代公式為
[0029]e(n) ="T(n)X(n).
[0031] 依據(jù)廣義NLMP算法將式
中的權(quán)W (n)的更新矢量
修正為
[003引其中
與代價(jià)函數(shù)瞬時(shí)梯度= 的內(nèi) 積是一個(gè)非正數(shù)，即
[0035] 根據(jù)上述關(guān)系進(jìn)一步更新迭代公式如下
[0036] e(n) ="T(n)X(n).
[003引 P-、 ；
[003引式中，y是迭代步長(zhǎng)，A是一個(gè)小的正數(shù)，W是x(n)的共變矩陣Rc(n)的最小特 征值E[|e(n)鬥對(duì)應(yīng)的特征向量，該特征向量是信道的估計(jì)，W2及-Wi峰值的位置差是兩個(gè) 信號(hào)到達(dá)的時(shí)延差。
[0040]優(yōu)選地，在 時(shí)，判定Xi信號(hào)先到達(dá)。
[0041] 優(yōu)選地，在 時(shí)，判定X2信號(hào)先到達(dá)。
[0042] 由此，本發(fā)明根據(jù)分?jǐn)?shù)低階信號(hào)處理理論，提出了一種初性自適應(yīng)特征值分解 (簡(jiǎn)稱(chēng)為RAED)時(shí)延估計(jì)方法，該方法不但在高斯噪聲下可W可靠地收斂，而且在具有脈沖 的噪聲環(huán)境中也可W很好地工作。
【附圖說(shuō)明】
[0043] 結(jié)合附圖，并通過(guò)參考下面的詳細(xì)描述，將會(huì)更容易地對(duì)本發(fā)明有更完整的理解 并且更容易地理解其伴隨的優(yōu)點(diǎn)和特征，其中：
[0044] 圖1示意性地示出了根據(jù)本發(fā)明優(yōu)選實(shí)施例的魯棒性的時(shí)間延遲估計(jì)方法的信 道模型和自適應(yīng)濾波器方框圖。
[0045] 圖2示意性地示出了高斯噪聲下權(quán)矢量前后兩段峰值位置之差的跟蹤情況（SNR =0地）的計(jì)算機(jī)仿真的A邸算法的結(jié)果。
[0046] 圖3示意性地示出了高斯噪聲下權(quán)矢量前后兩段峰值位置之差的跟蹤情況（SNR =0地）的計(jì)算機(jī)仿真的RAED算法的結(jié)果。
[0047] 圖4示意性地示出了脈沖噪聲下權(quán)矢量前后兩段峰值位置之差的跟蹤情況（MSNR =0地，a= 1.6)的計(jì)算機(jī)仿真的AED算法的結(jié)果。
[0048] 圖5示意性地示出了脈沖噪聲下權(quán)矢量前后兩段峰值位置之差的跟蹤情況（MSNR =0地，a= 1. 6)的計(jì)算機(jī)仿真的RA邸算法的結(jié)果。
[0049] 需要說(shuō)明的是，附圖用于說(shuō)明本發(fā)明，而非限制本發(fā)明。注意，表示結(jié)構(gòu)的附圖可 能并非按比例繪制。并且，附圖中，相同或者類(lèi)似的元件標(biāo)有相同或者類(lèi)似的標(biāo)號(hào)。
【具體實(shí)施方式】
[0050] 為了使本發(fā)明的內(nèi)容更加清楚和易懂，下面結(jié)合具體實(shí)施例和附圖對(duì)本發(fā)明的內(nèi) 容進(jìn)行詳細(xì)描述。
[0051] <初性自適應(yīng)特征值分解（RAED)時(shí)延估計(jì)方法〉
[0052] 兩個(gè)傳感器的接收信號(hào)滿(mǎn)足下面的離散信號(hào)模型
[0053]Xi(n) =S(n_di)+Vi(n)
[0054] 又2(n)二人S(n-dz)+V2(n) (1)
[005引其中，s(n)為源信號(hào)，|d2-di|為時(shí)延差真值，A為衰減因子，vi(n)和V2(n)分別 為接收到的背景噪聲。源信號(hào)與背景噪聲是不相關(guān)的，背景噪聲服從a穩(wěn)定分布，包括高 斯和非高斯兩種情況。
[0056] 當(dāng)加性噪聲具有較強(qiáng)的脈沖性而服從a穩(wěn)定分布時(shí)，本文依據(jù)分?jǐn)?shù)低階統(tǒng)計(jì)量 理論提出一種初性自適應(yīng)特征值分解（RAED)算法。假定信道是線(xiàn)性時(shí)不變的，通過(guò)估計(jì)信 道的沖激響應(yīng)來(lái)得到信號(hào)的時(shí)延信息。本算法整合兩個(gè)輸入信號(hào)，使其共變矩陣最小特征 值對(duì)應(yīng)的特征向量為信道的估計(jì)。運(yùn)里，運(yùn)用廣義歸一化最小平均P范數(shù)（廣義NLM巧算 法自適應(yīng)得到該特征向量。運(yùn)種算法的代價(jià)函數(shù)與LMP算法的代價(jià)函數(shù)相同，但抑制脈沖 的能力更強(qiáng)。信道和基于廣義NLMP算法的自適應(yīng)濾波器的模型框圖如圖1所示。
[0057] 信道建模為FIR濾波器，兩個(gè)傳感器接收到的信號(hào)建模為Xi(n)= S(n) *hi+Vi(n)，i= 1，2,在無(wú)噪聲情況下，進(jìn)一步還有如下關(guān)系：
[0058]Xi(n) *h2=S(n)*h1*]?=X2(n)曲1〇)
[0059] RA邸算法將兩個(gè)接收信號(hào)Xi(n)、X2(n)整合在一起，組成新的向量 x(") = [xf(/?)，x;(蝴T。n時(shí)刻有如下方程：
[0060] X『(H)h=xf(H)Il: -X[(?!)hi=0: (至)：
[0061]式中
[0062] Xi (n) = [Xi (n), Xi (n-1)，…，Xi (n-M+1) ]T [006引 hi=比 i,0，hi,i，...，hiiMir i = 1,2 [0064] h -[hj -h,]'
[00財(cái)將式城兩邊左乘曲!、r'。-!'三[[.、如)廣|、，.''.,、'加-始考仲[.、%帥^ 符號(hào) <. >表示運(yùn)算z<u> = |z^s即(z)，然后取均值得到
[0066] R。(n)h= 0 (4)
[0067] 其中R>) =E