基于四元十字阵的声源定位终期报告.doc

该【基于四元十字阵的声源定位终期报告 】是由【碎碎念的折木】上传分享，文档一共【15】页，该文档可以免费在线阅读，需要了解更多关于【基于四元十字阵的声源定位终期报告 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。信号课外设计制作总结报告题目:信号-微弱声源定位系统组号:组长:成员:成员:成员:成员:联系方式:1一、实验要求设计要求一)设计要求设计微弱声源定位系统,要求:(1)声源功率尽量小;(2)写出数学模型,说明详细算法;(3)能够现场演示。评分依据(1)功能实现;(2)性能指标;(3)工程规范(软件规范、可靠性等);(4)理论水平;(5)团队分工合作情况。在确定了项目小组之后,我们组的组员一起讨论了该如何实现这个微弱声源定位系统并进行了分工,经过我们的讨论之后,我们大致把项目设计分为如下几个过程:1搞懂设计方案的原理,利用所学知识以及上网查找资料,初步确定设计的方向。2分析这个项目的功能要求,一起讨论并编写代码。3利用代码使用MATLAB进行实验,对一些地方进行修改加工。4进行最后的调整,然后纂写报告。二、实验原理1(概述本实验采用的环境为Matlab,核心算法为四元十字算法。声源定位基本原理是将传声器在空间布置成一定几何形状的阵列,以接收目标噪声的声场信息,通过检测或计算各传声器所测得的信号的时延来确定目标的位置。对于无方向性传声器,各个传声器接收到同一声源的信号先后,反映了声源所在传声器连线的方向和距离。声学阵列的设计在被动声定位中具有十分重要的意义。采用的传声器阵列可分为线阵、面阵和立体阵。对于固定式阵列,线阵由于其轴对称性,故在定位时2会造成空间模糊。立体阵可以对整个空间进行定位,但其算法要复杂的多。面阵可以在整个平面对目标进行定位,也可以对阵列所在平面为界的半个空间进行定位。一般要对目标进行定位,至少需要四个阵元组成的声传感器阵列。由于十字形阵列具有分维持性(指二维参量可分开估计),且阵列冗余度也较小,因此,平面十字阵是较为合适的阵形。。对十字形声传感器阵列,。四个阵元的坐标分别为S1(D/2,0,0),S2(0,D/2,0),S3(-D/2,0,0),S4(0,-D/2,0),设目标声源的直角坐标为((x,y,z)、球坐标为((r,θ,ψ),即目标到坐标原点的距离为r,方位角为θ,俯仰角为ψ,D为十字阵对角线阵元之间的距离。假设目标为点声源,目标产生的声源以球面波形式传播,声源到达阵元S1的传播时间为t1,相对于S1声源到达阵元S2,S3,S4的时延分别为τ12,τ13,τ14。目标到坐标原点的距离为r,俯仰角为θ(0<=θ<=90),方位角为ψ(0<=ψ<=90)与时延τ12,τ13,τ14及阵元间距D的关系式可推导如下:(设C为声速)球坐标和直角坐标之间的互化。如式:求解方程式,消去x,y,z可得出目标距离,方位角和俯仰角,得出结果。(Gcc)、互功率谱相位法(csP)、自适应滤波法和参量模型法等多种方法,广义相互函数法、互功率谱相位法、自适应滤波法和参量模型法等几种方法中,互功率谱相位法由于目标信号频率较低,实时性要求高,最小二乘拟合次数不能太高,故估计精度一般不高。自适应滤波法运算速度快,但点声源干扰对其估计精度影响较大。广义互相关法具有较好的综合性能,它是目前人们关注较多的时延估计方法。广义互相关法(GCC)互相关,顾名思义是通过求两路信号的互相关来估计时延D。x1(t),x2(t)互相关函数为:由式()可知,x1(t),x2(t)互相关函数取最大值时,Rss(τ-D)也取最大值,又因为Rss(τ-D)<=Rss(0),,所以求得的互相关只是一个估计值,记为Rx1x2(τ)在各态历经的过程中,定义为:,以模拟目标的运动噪声和观测噪声。在仿真中加入的噪声一般为高斯随机白噪声。其产生方法有三种:第一种利用专门的随机数表:第二种利用物理装置产生随机噪声;第三种利用计算机通过数学方法获得,即运用专门的程序产生伪随机噪声。前面两种由于其固有的缺陷而降低了其使用价值,后一种由于其灵活方便,在计算机仿真中被广泛应用[(s]。严格说来计算机生成的随机数显然不是真正的随机数,因为它生成的方式是完全确定的,所以常把这种随机数称为伪随机数。一般伪随机数个数远小于它的周期长度,可以当作随机数来使用。在matlab中可以直接用命令来产生伪随机白噪声。6三、代码展示clearfs=10000;%频率t=0:1/fs:4-1/fs;[din,fs,nbits]=wavread('ao');%载入音频数据[音频,采样频率,采样精度]转换成变量R=100;%球坐标:声源位置Fi=30;%声源方位角Sita=45;%声源俯仰角fi=Fi/90*pi/2;%换成小数sita=Sita/90*pi/2;%换成小数D=20;C=340;%声速mx=R*sin(sita)*cos(fi);%球坐标与直角坐标:转化声源x坐标my=R*sin(sita)*sin(fi);%声源y坐标mz=R*cos(sita);%声源z坐标mr1=sqrt((mx-D/2)^2+my^2+mz^2);%与麦克风1的距离md12=sqrt(mx^2+(my-D/2)^2+mz^2)-mr1;%与麦克风1,2的距离之差md13=sqrt((mx+D/2)^2+my^2+mz^2)-mr1;%与麦克风1,3的距离之差md14=sqrt(mx^2+(my+D/2)^2+mz^2)-mr1;%与麦克风1,4的距离之差mt12=md12/C;%1,2时间差mt13=md13/C;%1,3时间差mt14=md14/C;%1,4时间差md=round(fs*[mt12mt13mt14]);%取整%md=(fs*[mt12mt13mt14]);dmax=max(md);%返回最大值%***********互相关法延时估计*****************8x1=din(2*dmax:fs+2*dmax-1);%将信号截取x2=din(2*dmax-md(1):fs+2*dmax-md(1)-1);x3=din(2*dmax-md(2):fs+2*dmax-md(2)-1);x4=din(2*dmax-md(3):fs+2*dmax-md(3)-1);sx=size(x1);%当a是一个n维行向量时,size(x1)把其当成一个1×44100的矩阵,因此size(a)的结果是44100tx=1:sx(2);y1=awgn(x1,10,'measured');%在某一信号中加入高斯白噪声'measured',函数将在加入噪声之前测定信号强度。y2=awgn(x2,10,'measured');%所谓高斯白噪声中的高斯是指概率分布是正态函数,而白噪声是指它的二阶矩不相关,一阶矩为常数,是指先后信号在时间上的相关性。y3=awgn(x3,10,'measured');%这是考察一个信号的两个不同方面的问题。高斯白噪声:如果一个噪声,它的幅度服从高斯分布,而它的功率谱密度又是均匀分布的,则称它为高斯白噪声。热噪声和散粒噪声是高斯白噪声。7y4=awgn(x4,10,'measured');cor12=xcorr(y1,y2);%xcorr是来估计随机过程中的互相关序列[max120,id120]=max(cor12);%找出cor12的最大值以及对应的时间点d120=sx(2)-id120;%计算与中心点相差的样点数t120=d120/fs;%计算与中心点相差的样点数对应的时间即为时延cor13=xcorr(y1,y3);%在Matalb中,求解xcorr的过程事实上是利用Fourier变换中的卷积定理进行的,即R(u)=ifft(fft(f)×fft(g)),其中×表示乘法(注:此公式仅表示形式计算,并非实际计算所用的公式)[max130,id130]=max(cor13);d130=sx(2)-id130;t130=d130/fs;cor14=xcorr(y1,y4);[max140,id140]=max(cor14);d140=sx(2)-id140;t140=d140/fs;%************估计目标位置**********************