本發(fā)明涉及無人機聲音定位領(lǐng)域，具體涉及一種基于聲紋多諧波識別的無人機方向估計方法。

背景技術(shù)：

一般的被動聲方向估計的方法主要包括：(1)基于到達(dá)時間差(TDOA)的定位技術(shù)；(2)基于最大輸出功率的可控波束形成技術(shù)；(3)基于高分辨率譜估計技術(shù)。相對于前兩種技術(shù)，基于高分辨率譜估計技術(shù)可以利用較少的陣元數(shù)，得到較高的分辨率，在方向估計中得到廣泛應(yīng)用。

但是，傳統(tǒng)的高分辨率譜估計算法一般是針對窄帶信號的，最經(jīng)典的是基于矩陣特征值分解的多重信號分類(MUSIC)算法。在寬帶信號處理中，提出了非相干信號的子空間(ISM)算法，將寬帶信號在頻域分解為窄帶分量，在各個窄帶上利用基于矩陣特征值分解的多重信號分類MUSIC算法進(jìn)行角度估計，然后取算數(shù)平均值。該算法不足之處在于，忽略了子頻帶的能量分布不均和信噪比各不相同，而導(dǎo)致的算法估計性能不佳的問題。

技術(shù)實現(xiàn)要素：

為解決上述問題，本發(fā)明提供一種基于聲紋多諧波識別的無人機方向估計方法。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：一種基于聲紋多諧波識別的無人機方向估計方法，包括如下步驟：

(1)處理無人機起飛階段的聲音信號，對比起飛前后的時頻圖，得到特征頻率區(qū)間[f_1L,f_1R],[f_2L,f_2R],…,[f_NL,f_NR]，[f_1L,f_1R]為基頻，其余為整數(shù)倍的諧波頻率。

(2)將無人機飛行時的時域觀測信號分為K個子段，每段時間為T_d，每段采樣點數(shù)為J點，對每段數(shù)據(jù)進(jìn)行J點的離散傅里葉變換(DFT)，得到K個頻域快拍。

(3)在每個頻域快拍上，按照步驟(1)得到的特征頻率區(qū)間，進(jìn)行譜峰搜索，將K個頻域快拍在特征頻率區(qū)間[f_jL,f_jR]的譜峰對應(yīng)的頻率值求平均，得到特征頻率區(qū)間[f_jL,f_jR]的特征子頻帶f_j，j＝1,...,N。

(4)對每個特征子頻帶f_j，利用窄帶MUSIC計算角度θ(f_j)：利用K個頻域快拍，計算協(xié)方差矩陣，再分解特征值，得到噪聲子空間和信號子空間。利用信號源的方向向量與噪聲子空間的正交特性，構(gòu)造MUSIC空間譜函數(shù)，搜索譜峰，譜峰對應(yīng)的角度即為方向角θ(f_j)。

(5)結(jié)合各特征子頻帶的能量比、信噪比，賦予各特征子頻帶方向角不同的加權(quán)系數(shù)，加權(quán)平均，得到寬帶的波達(dá)方向角估計θ，即無人機的方向角：

其中，w_j表示特征子頻帶f_j的能量(j＝1,...,N)，w_sum表示各特征子頻帶的總能量，實際計算時取頻譜值；是θ(f_j)的加權(quán)系數(shù)(j＝1,...,N)，表示特征子頻帶f_j的能量占總能量的比例。一般低頻特征子頻帶的能量較高且信噪比較高，其估計出的方向角具有較高的可信度，占最終估計出的方向角的比例較大。

本發(fā)明提出的一種基于聲紋多諧波識別的無人機方向估計方法，對具有特定頻率的無人機聲信號的角度估計準(zhǔn)確性高，誤差小。與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)勢：

1.傳統(tǒng)的ISM算法對寬帶需要均勻劃分子頻帶，對每個子頻帶進(jìn)行窄帶MUSIC運算。本發(fā)明只需要提取若干特征子頻帶，進(jìn)行窄帶MUSIC計算，當(dāng)帶寬比較大時，用幾個特征子頻帶計算出的角度綜合估計波達(dá)方向角，能夠得到較好的估計準(zhǔn)確性，同時計算量大大降低。

2.傳統(tǒng)的ISM算法對各子頻帶求得方向角后簡單求算數(shù)平均值，誤差大，性能差。而本方法是結(jié)合各特征子頻帶的能量比和信噪比，賦予各特征子頻帶方向角不同的加權(quán)系數(shù)，加權(quán)平均得到最后的角度估計結(jié)果，以達(dá)到更準(zhǔn)確的估計性能。

附圖說明

圖1是本發(fā)明的一種基于聲紋多諧波識別的無人機方向估計方法的流程圖；

圖2是傳統(tǒng)方法的無人機聲音方向估計的方法的角度估計效果圖；

圖3是本發(fā)明方法的角度估計效果圖。

具體實施方式

以下結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步詳細(xì)說明。

如圖1所示，本發(fā)明提供的一種基于聲紋多諧波識別的無人機方向估計方法，包括如下步驟：

(1)處理無人機起飛階段的聲音信號，對比起飛前后的時頻圖，得到特征頻率區(qū)間[f_1L,f_1R],[f_2L,f_2R],…,[f_NL,f_NR]，[f_1L,f_1R]為基頻，其余為整數(shù)倍的諧波頻率。具體如下：

對無人機起飛階段的聲音數(shù)據(jù)，采用短時傅里葉變換(STFT)，得到任意時刻t的頻譜功率，觀察起飛前與起飛后的頻譜功率變化，觀測出無人機的特征頻率區(qū)間。

對無人機飛行懸停時的聲音數(shù)據(jù)做離散傅里葉變換(DFT)，結(jié)合根據(jù)時頻圖得到的特征頻率區(qū)間，得到更為精確的特征頻率區(qū)間。無人機的聲音可以看作是離散的寬帶信號，由一系列的窄帶信號組成。在一定的采樣頻率下，可以得到N個特征頻率的區(qū)間[f_1L,f_1R],[f_2L,f_2R],…,[f_NL,f_NR]。

(2)將無人機飛行時的時域觀測信號分為K個子段，每段時間為T_d，每段采樣點數(shù)為J點，對每段數(shù)據(jù)進(jìn)行J點的離散傅里葉變換(DFT)，得到K個頻域快拍。記做X_k(f_j),k＝1,2,...,K。

(3)在每個頻域快拍上，按照步驟(1)得到的特征頻率區(qū)間，分別進(jìn)行譜峰搜索，得到特征頻率的子頻帶(假設(shè)有N個)。具體如下：

將K個頻域快拍在特征頻率區(qū)間[f_1L,f_1R]的譜峰對應(yīng)的頻率值求平均，得到頻率f₁，即為特征子頻帶f₁。同理得到特征子頻帶f₁,...,f_N。

(4)對每個特征子頻帶f_j，可看成窄帶，利用窄帶MUSIC計算角度θ(f_j)：

利用K個頻域快拍，計算協(xié)方差矩陣，

參數(shù)解釋：K是頻域快拍的數(shù)目，X是頻域快拍。R_x(f_j)是特征子頻帶f_j的協(xié)方差矩陣。

對協(xié)方差矩陣R_x(f_j)進(jìn)行特征值分解(假設(shè)陣元數(shù)目為M,目標(biāo)信源數(shù)目為D)。

其中，b_i是與特征值λ_i對應(yīng)的特征向量。

對特征值按照從大到小的順序排列：λ₁≥λ₂≥...≥λ_D≥...≥λ_M，則前D個大的特征值對應(yīng)信號的特征值，后面M-D個小的特征值對應(yīng)噪聲的特征值。信號的特征值對應(yīng)的特征向量構(gòu)成信號子空間，噪聲的特征值對應(yīng)的特征向量構(gòu)成噪聲子空間。噪聲子空間記做：E_n＝[v_D+1,v_D+2,...,v_M]。

對任意特征子頻帶f_j,j＝1,...,N，利用窄帶MUSIC的原理，構(gòu)造空間譜函數(shù)搜索譜峰，譜峰對應(yīng)的角度即為方向角θ(f_j)。其中，a(f_j)是信號源的方向向量，E_n是噪聲子空間。

對整個寬帶的所有特征子頻帶f_j,j＝1,...,N，都做同樣處理，估計出方向角θ(f_j),j＝1,...,N。

(5)結(jié)合各特征子頻帶的能量比、信噪比，賦予各特征子頻帶方向角不同的加權(quán)系數(shù)，加權(quán)平均，得到寬帶的波達(dá)方向角估計θ，即無人機的方向角：

其中，w_j表示特征子頻帶f_j的能量(j＝1,...,N)，w_sum表示各特征子頻帶的總能量，實際計算時取頻譜值；是θ(f_j)的加權(quán)系數(shù)(j＝1,...,N)，表示特征子頻帶f_j的能量占總能量的比例。一般低頻特征子頻帶的能量較高且信噪比較高，其估計出的方向角具有較高的可信度，占最終估計出的方向角的比例較大。

實施例

控制大疆精靈‐3四旋翼無人機飛行于十字形聲陣列所在區(qū)域上空，運行電腦上的Labview程序，通過聲陣列的麥克風(fēng)采集聲音信號，采樣頻率為5120HZ,陣元間距為0.17m，陣元數(shù)為3，目標(biāo)信源數(shù)為1。定義聲音與聲陣列的法平面的夾角為方向角，范圍[‐90,90]。在當(dāng)前采樣頻率下，可以得到特征頻率區(qū)間：[140,200],[300,380],[470,550],[650,740]。(單位：HZ)。

圖2和圖3分別是傳統(tǒng)方法和本發(fā)明方法的無人機聲音角度估計的效果圖，對比可以看出本發(fā)明方法可以更好的估計無人機聲音的角度，準(zhǔn)確性明顯優(yōu)于傳統(tǒng)方法。