💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
随着智能化设备不断发展,对设备故障检测、智能机器人与视频会议等方面通过声音信号实现位置估计。在声源定位领域中,提出了很多传统的声源定位方法,包括基于广义互相关时延估计方法、可控波束形成(SPR)、多重信号分类(MUSIC)以及反卷积声源成像(DAMAS)等。传统声源定位方法对环境噪声、混响以及多声源事件对定位精度没有很好的解决,导致了声源定位在实际应用中的困难,提高了对硬件设备的要求,增加了系统成本。
📚2 运行结果
部分代码:
% m 预白化滤波器类型:'standard','roth','scot','phat','ml'
%s1,s2 两个输入信号
% Fs 采样频率 (Hz)
% wnd 窗函数或帧长
% inc 帧移
%
% G 估计的时延值
N=wnd;
wnd=hamming(N);
x=enframe(s1,wnd,inc);
y=enframe(s2,wnd,inc);
n_frame=size(x,1);
switch lower(m)
case 'standard'
% 标准GCC
for i=1:n_frame
x = s1(i:i+N);
y = s2(i:i+N);
X=fft(x,2*N-1);
Y=fft(y,2*N-1);
Sxy=X.*conj(Y);
gain=1;
Cxy=fftshift(ifft(Sxy.*gain));
[Gvalue(i),G(i)]=max(Cxy);%求出最大值max,及最大值所在的位置(第几行)location;
end;
case 'roth'
% Roth filter
for i=1:n_frame
x = s1(i:i+N);
y = s2(i:i+N);
X=fft(x,2*N-1);
Y=fft(y,2*N-1);
Sxy=X.*conj(Y);
Sxx=X.*conj(X);
gain=1./abs(Sxx);
Cxy=fftshift(ifft(Sxy.*gain));
[Gvalue(i),G(i)]=max(Cxy);%求出最大值max,及最大值所在的位置(第几行)location;
end;
case 'scot'
% Smoothed Coherence Transform (SCOT)
for i=1:n_frame
x = s1(i:i+N);
y = s2(i:i+N);
X=fft(x,2*N-1);
Y=fft(y,2*N-1);
Sxy=X.*conj(Y);
Sxx=X.*conj(X);
Syy=Y.*conj(Y);
gain=1./sqrt(Sxx.*Syy);
Cxy=fftshift(ifft(Sxy.*gain));
[Gvalue(i),G(i)]=max(Cxy);%求出最大值max,及最大值所在的位置(第几行)location;
end;
case 'phat'
% Phase Transform (PHAT)
for i=1:n_frame
x = s1(i:i+N);
y = s2(i:i+N);
X=fft(x,2*N-1);
Y=fft(y,2*N-1);
Sxy=X.*conj(Y);
gain=1./abs(Sxy);
Cxy=fftshift(ifft(Sxy.*gain));
[Gvalue(i),G(i)]=max(Cxy);%求出最大值max,及最大值所在的位置(第几行)location;
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]盛博文. 基于广义互相关和卷积神经网络的声源定位方法研究[D].山东大学,2020.DOI:10.27272/d.cnki.gshdu.2020.004334.
[2]语音信号处理实验教程