[發(fā)明專利]基于主成分分析的支持向量機(jī)近場(chǎng)聲源定位方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910139418.3
• 申請(qǐng)日: 2019-02-25
• 公開（公告）號(hào): CN109901110A
• 公開（公告）日: 2019-06-18
• 發(fā)明（設(shè)計(jì)）人: 王蘭美;王瑤;魏兵;王桂寶;廖桂生;孫長(zhǎng)征
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué);陜西理工大學(xué)
• 主分類號(hào): G01S5/18
• 分類號(hào): G01S5/18;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

基于主成分分析的支持向量機(jī)近場(chǎng)聲源定位方法，利用均勻線陣接收K個(gè)窄帶、非高斯、平穩(wěn)近場(chǎng)聲源信號(hào)，在訓(xùn)練區(qū)間中產(chǎn)生L組接收數(shù)據(jù)，計(jì)算接收數(shù)據(jù)的協(xié)方差矩陣，并進(jìn)行PCA降維處理得到訓(xùn)練數(shù)據(jù)的特征向量矩陣；根據(jù)降維后訓(xùn)練數(shù)據(jù)的特征向量矩陣和訓(xùn)練信號(hào)源集合訓(xùn)練得到支持向量最優(yōu)回歸參數(shù)；將降維后的訓(xùn)練數(shù)據(jù)的特征向量矩陣和測(cè)試數(shù)據(jù)特征矢量帶入高斯核函數(shù)得到測(cè)試核矩陣，利用訓(xùn)練好的近場(chǎng)聲源支持向量最優(yōu)回歸參數(shù)和測(cè)試核矩陣估計(jì)聲源的角度和距離；主成分分析大大降低了支持向量回歸機(jī)的輸入特征的維數(shù)，降低了處理數(shù)據(jù)的復(fù)雜度，使訓(xùn)練時(shí)間縮短，同時(shí)在不損失原有數(shù)據(jù)信息的基礎(chǔ)上，抑制了噪聲，提高了信噪比，具有很好的估計(jì)精度。

技術(shù)領(lǐng)域

本發(fā)明屬于陣列信號(hào)處理技術(shù)領(lǐng)域，尤其涉及一種主成分分析的支持向量機(jī)近場(chǎng)聲源定位方法。

背景技術(shù)

到達(dá)角(DOA，Direction of Arrival)估計(jì)又被稱為信號(hào)波達(dá)方向估計(jì)，是陣列信號(hào)處理領(lǐng)域的一個(gè)重要的研究方向。傳統(tǒng)的近場(chǎng)源DOA估計(jì)方法有兩步MUSIC方法、廣義ESPRIT方法以及其它的改進(jìn)方法。兩步MUSIC方法利用信號(hào)子空間和噪聲子空間的正交性來實(shí)現(xiàn)目標(biāo)的定位，但傳統(tǒng)的兩步MUSIC方法運(yùn)用于近場(chǎng)源參數(shù)估計(jì)時(shí)存在一些不足之處，如它利用譜峰搜索使得計(jì)算量大、當(dāng)信源為相干信源時(shí)會(huì)出現(xiàn)秩虧損以致無法分辨、在低信噪比情形下對(duì)信源角度相隔較近時(shí)的估計(jì)精度迅速下降。廣義ESPRIT方法對(duì)于信號(hào)估計(jì)也存在類似的問題。

主成分分析(Principal Component Analysis，PCA)是一種統(tǒng)計(jì)方法。主成分分析是將原來眾多具有一定相關(guān)性的指標(biāo)，重新組合成一組新的互相無關(guān)的綜合指標(biāo)來代替原來的指標(biāo)。主要思想是將特征從高維空間映射到低維空間，將原有的復(fù)雜的特征減少為幾個(gè)主要特征，使它們盡可能多地保留原始特征的信息，且彼此間互不相關(guān)。我們將通過正交變換后的這組線性無關(guān)的特征稱為主成分。采用PCA進(jìn)行降維以后舍棄冗余信息往往是必要的，一方面舍棄這部分信息之后能使樣本的采樣密度增大，這正是降維的重要?jiǎng)訖C(jī)；另一方面，當(dāng)數(shù)據(jù)受到噪聲影響時(shí)，最小的特征值所對(duì)應(yīng)的特征向量往往與噪聲有關(guān)，將它們舍棄能在一定程度上起到去噪的效果。近年來，主成分分析的方法已經(jīng)廣泛應(yīng)用于各個(gè)領(lǐng)域，并取得了很好的效果。因此，本發(fā)明研究了將主成分分析和支持向量回歸(Support VectorRegression，SVR)結(jié)合來對(duì)近場(chǎng)信號(hào)源進(jìn)行多參數(shù)估計(jì)。

針對(duì)兩步MUSIC方法、廣義ESPRIT方法存在的不足之處諸如非相干信號(hào)低信噪比下角度分辨率差以及無法處理相干信源等問題，本發(fā)明的主成分分析方法是將得到的接收數(shù)據(jù)的特征矩陣經(jīng)過PCA降維以后作為支持向量回歸機(jī)的輸入，待估計(jì)角度作為輸出，從而得到輸入與輸出的非線性映射關(guān)系，然后利用得到的PCA-SVR模型來估計(jì)目標(biāo)的角度和距離，本發(fā)明方法通過降低接收數(shù)據(jù)的特征矩陣的維數(shù)，從而降低了支持向量機(jī)對(duì)數(shù)據(jù)處理的復(fù)雜度，使計(jì)算量大大減小，訓(xùn)練時(shí)間縮短，也能對(duì)相干信號(hào)源進(jìn)行定位，對(duì)于低信噪比下的非相干近場(chǎng)聲源信號(hào)定位性能優(yōu)于兩步MUSIC算法。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于主成分分析的支持向量機(jī)近場(chǎng)聲源定位方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采取如下的技術(shù)解決方案：

基于主成分分析的支持向量機(jī)近場(chǎng)聲源定位方法，采用標(biāo)量聲壓傳感器陣列接收K個(gè)窄帶、非高斯的平穩(wěn)近場(chǎng)聲源。接收陣列通過以下方式獲得：在空間任意選取一點(diǎn)作為坐標(biāo)軸的原點(diǎn)位置o，從左至右經(jīng)過該原點(diǎn)的水平線為x軸，垂直于該水平線的直線為z軸，即假設(shè)聲源從xoz平面入射，第k個(gè)入射聲源與z軸的夾角為的取值范圍為[-π/2，π/2]，在坐標(biāo)原點(diǎn)處向x軸正向分別以d＝λ_min/4等間隔放置M個(gè)陣元，λ_min為入射聲源中的最小波長(zhǎng)，陣元從左到右依次標(biāo)記為[1，2，...m，...M]；

基于主成分分析的近場(chǎng)聲源定位方法步驟如下：