[發明專利]一種基于深度神經網絡的聲源定位方法及系統有效
| 申請號： | 202010050760.9 | 申請日： | 2020-01-17 |
| 公開（公告）號： | CN111239687B | 公開（公告）日： | 2021-12-14 |
| 發明（設計）人： | 張巧靈;唐柔冰;馬晗 | 申請（專利權）人： | 浙江理工大學 |
| 主分類號： | G01S5/22 | 分類號： | G01S5/22 |
| 代理公司： | 浙江千克知識產權代理有限公司 33246 | 代理人： | 周希良 |
| 地址： | 310018 浙江省*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 神經網絡 聲源 定位 方法 系統 | ||
1.一種基于深度神經網絡的聲源定位方法，其特征在于，包括深度神經網絡的訓練階段和深度神經網絡的測試階段，包括步驟：
S1.獲取麥克風接收的語音信號，并將獲取到的語音信號生成語音數據集；其中，所述語音數據集包括訓練數據集和測試數據集；
S2.對所述生成的語音數據集內的語音信號進行第一預處理；
S3.計算所述預處理后的語音信號所對應的聲源信號的相位加權廣義互相關函數；
S4.獲取與所述相位加權廣義互相關函數波峰相對應的時延信息，并將所述獲取的時延信息作為聲源信號到達麥克風的TDOA觀測值；并獲取所述時延信息對應的幅值；
S5.將所述TDOA觀測值與幅值結合作為深度神經網絡的輸入向量，將聲源信號對應的三維空間位置坐標作為神經網絡的輸出向量，將所述輸入向量和輸出向量結合生成特征向量；
S6.對所述生成的特征向量進行第二預處理；
S7.在深度神經網絡的訓練階段，設置深度神經網絡相關的參數，并用訓練集的特征向量訓練深度神經網絡，得到訓練好的深度神經網絡；
S8.在深度神經網絡的測試階段，將測試集的輸入向量傳入訓練好的深度神經網絡進行預測，得到聲源信號的三維空間位置坐標，并采用交叉驗證評估深度神經網絡模型的性能；
所述步驟S5具體為：
將時延信息及其所對應的幅值結合作為深度神經網絡的輸入向量I：
將聲源信號S對應的三維空間位置坐標Q作為神經網絡的輸出向量：
將所述輸入向量I和輸出向量Q結合生成特征向量G：
G＝(I，Q)T。
2.根據權利要求1所述的一種基于深度神經網絡的聲源定位方法，其特征在于，所述步驟S1中麥克風陣列的集合為V＝{1，2，…，M}；每個麥克風節點m包含兩個麥克風，其中m∈V；M表示共有M個麥克風節點。
3.根據權利要求2所述的一種基于深度神經網絡的聲源定位方法，其特征在于，所述步驟S2具體為對麥克風節點m內的兩個麥克風接收的語音信號進行第一預處理，所述第一預處理包括分幀、加窗、預加重。
4.根據權利要求2所述的一種基于深度神經網絡的聲源定位方法，其特征在于，所述步驟S3具體為計算預處理后的麥克風節點m內的兩個麥克風語音信號的相位加權廣義互相關函數Rm(τ)，表示為：
其中，m∈V，和分別表示為在節點m處的時域麥克風信號和的所對應的頻域部分；符號*表示為復共軛操作。
5.根據權利要求4所述的一種基于深度神經網絡的聲源定位方法，其特征在于，所述步驟S4獲取與所述相位加權廣義互相關函數Rm(τ)波峰相對應的時延信息表示為：
并獲取所述時延信息對應的幅值
6.根據權利要求5所述的一種基于深度神經網絡的聲源定位方法，其特征在于，所述步驟S6中的第二預處理包括數據清洗、數據亂序、數據歸一化。
7.根據權利要求6所述的一種基于深度神經網絡的聲源定位方法，其特征在于，所述步驟S8中采用的交叉驗證包括留一驗證法。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江理工大學，未經浙江理工大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010050760.9/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：無人機異地起降和雙遙控切換控制系統
- 下一篇：一種頭孢妥侖匹酯δ
