Page 148 - 应用声学2019年第4期
P. 148

608                                                                                  2019 年 7 月


                 在各类信号重构算法中,OMP 算法               [15]  的计算     和的最大值,保存最大值位置λ t 的索引和对应的原
             复杂度较低,该算法的主要过程为计算观测矩阵和                            子X i,λ t ,也就是X i 对应的第λ t 列。公式表示为
             压缩采样信号的最大相关位置,通过求解最小二乘                                                   ∑
                                                                                       N
                                                                                               t
             问题得到信号的近似解。在迭代次数小于稀疏度的                                       λ t = argmax   |⟨X i , r ⟩|,
                                                                                               i
                                                                                      i=1
             情况下,重复上述过程,输出最大相关的索引集和重
                                                                              Ω = Ω ∪ λ t ,
             构后的信号。
                                                                                               .         (12)
                                                                          Phit i = Phit i ∪ X i,λ t
             1.3 DCS算法的DOA估计模型
                                                                   (3) 采用最小二乘法求出信号的近似解:
                 分布式压缩感知算法在经典压缩感知算法的
                                                                                    T     −1
             基础上,考虑多组信号之间的共同稀疏性来提高重                                     β i = [(X i,λ t  ) X i,λ t ]  X i,λ t Y i ,
             构性能。对于阵列各个阵元接收信号,可以看作同                                          i = 1, 2, · · · , N.        (13)
             一个信号经过傅里叶变换,但是由信号传播而导致                            保存各个数据块的信号近似解:S i = S i ∪ β i , (i =
             的幅度衰减和相位偏移            [9]  后获得,符合 DCS 理论          1, 2, · · · , N),并求残差:
             中的JSM2模型。在理想环境下,如果声源相对于麦                                t
                                                                    r = Y i − Phit i S i , i = 1, 2, · · · , N.  (14)
                                                                     i
             克风阵列的位置保持固定,则可认为此时声源在空
                                                                   (4) 收敛判断:如果残差 r < thres,或者迭代
                                                                                           t
             间域的稀疏性是固定的,即不同时刻从同一个声源                                                        i
                                                               次数 t < K,则返回第 (2) 步继续迭代,否则停止迭
             传到麦克风阵列处的信号在空间稀疏性是保持一
                                                               代并输出结果。
             致的,这种同一个声源连续语音之间具有共同稀疏
                                                                   在上述迭代的过程中可以看出,联合稀疏重构
             性的特性,可以在DCS理论中被用于提高稀疏信号
                                                               算法在 OMP 基础上,利用每个数据块具有相同稀
             的无损恢复概率,从而进一步提高对声源方向的压
                                                               疏位置的特性,对数据块之间相同的稀疏部分进行
             缩感知估计能力。
                                                               叠加,以进一步提高找出信号稀疏位置的能力。特
                 在 JSM2 模型中,第 i 个数据块的接收信号 Y i
                                                               别的,当 N = 1 时,联合稀疏重构的 SOMP 算法退
             在基矩阵下可线性表示为
                                                               化成经典的OMP算法。
                           T
                  Y i = S i Ψ + W i , i = 1, 2, · · · , I,  (10)   在理想环境的多声源场景下,声源数量和信
             其中,I 表示数据块个数。建立如下优化问题:                            号稀疏度 K 是对应的。但是实际环境下由于房
                                      N                        间冲激响应长度大于窗函数的长度,算法重构后
                                     ∑
                         ˆ
                         S = argmin      ||S|| 0 ,     (11)
                                                               的信号 S 的稀疏度 K 大于声源个数,即存在非零
                                      i=1
                                                               值处的空间位置没有声源。DCS 理论同样需要综
             其中,N 表示联合 N 个数据块进行联合稀疏重构。
                                                               合利用多个频点信息,声源信号经过长度为 L 的
             CS 矩阵 Θ 在满足 RIP 的条件下,对系数 S 联合重
                                                               离散傅里叶变换后,保留接收信号的 L/2 个频点
             构后的结果在基矩阵Ψ 上的表示最稀疏。对S 的联
                                                               信息,选择其中能量最高的 (ηL/2)% 个频点做叠
             合重构问题可以采用SOMP算法进行求解。
                                                               加估计。而对于人的语音信号,低频段的能量较
                 联合稀疏重构实现声源定位的算法流程如下:
                                                               高,从而可以直接选择低频部分能量叠加得到
             输入:N 个接收数据块 Y = [Y 1 , Y 2 , · · · , Y N ],观测
                                                                        ¯
                                                                              ¯
                                                                                              T
                                                                                        ¯
                                                               S(k) = {S 1 (k), S 2 (k), · · · , S I (k)} ,对于 I 维矢量
             矩阵Φ,稀疏度K,残差误差门限thres。
                                                               S(k) 中最大的 K 个元素所对应的索引即为估计的
             输出:重构信号 S = [S 1 , S 2 , · · · , S N ],稀疏位置集
                                                               多声源的空间位置。
             Ω,残差r。
                                 t
                 (1) 初始化:残差 r = Y i , (i = 1, 2, · · · , N),上
                                 i                             2 数值仿真
             标t 表示迭代次数,初始化t = 0,下标表示第 i个数
             据块;稀疏位置集 Ω = ∅;原子集 Phit i = ∅;第 i 个               2.1  仿真设置
             数据块对应的重构信号S i = ∅, (i = 1, 2, · · · , N)。             为了评估 DCS-SOMP 算法对于多声源的定位
                                                       t
                 (2) 选取观测矩阵 Φ 中的原子 X i 与残差 r 做                 性能,本文首先进行了仿真评估分析。仿真实验麦
                                                       i
             内积,并求出 N 个数据块对应的内积和,计算内积                          克风阵列的直径为 65 mm,阵列拓扑结构为圆形阵
   143   144   145   146   147   148   149   150   151   152   153