基于固定參數(shù)累加和算法的聲目標(biāo)定位方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于物聯(lián)網(wǎng)無線傳感技術(shù)領(lǐng)域，涉及基于固定參數(shù)累加和算法的聲目標(biāo)定 位方法。
【背景技術(shù)】
[0002] 作為物聯(lián)網(wǎng)的重要領(lǐng)域，無線傳感器網(wǎng)絡(luò)的聲源定位是一種利用聲音目標(biāo)信號(hào)來 實(shí)現(xiàn)定位的無源探測技術(shù)，采用被動(dòng)探測方式，不輻射電磁波，因此具有很強(qiáng)的隱蔽性?，F(xiàn) 有聲源定位技術(shù)有3類基本方法：1、基于最大輸出功率的可控波束形成技術(shù)。2、基于高分 辨率譜估計(jì)技術(shù)。3、基于聲達(dá)時(shí)間差（TD0A)的定位技術(shù)。各無線傳感器節(jié)點(diǎn)運(yùn)行TPSN協(xié) 議（時(shí)間同步協(xié)議），距離聲源最近的若干傳感器節(jié)點(diǎn)監(jiān)聽并采集聲音信號(hào)，CUSUM-ML(最 大似然累加和）算法計(jì)算聲音到達(dá)時(shí)刻，使用TD0A定位技術(shù)，進(jìn)行聲音目標(biāo)的定位。
[0003] 現(xiàn)有技術(shù)聲事件到達(dá)時(shí)刻算法復(fù)雜度高，每個(gè)傳感器節(jié)點(diǎn)必須有兩個(gè)模塊，一個(gè) 模塊采集聲音信號(hào)、發(fā)射預(yù)警信號(hào)以及發(fā)送數(shù)據(jù)給中央節(jié)點(diǎn)，另一個(gè)模塊運(yùn)行算法，計(jì)算到 達(dá)時(shí)刻，效率低，增加單個(gè)傳感器節(jié)點(diǎn)的成本。傳感器節(jié)點(diǎn)的組織方法單一，不能減小定位 誤差。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供基于固定參數(shù)累加和算法的聲目標(biāo)定位方法，解決了現(xiàn)有 的定位方法效率低，不能減小定位誤差的問題。
[0005] 本發(fā)明的方法為：首先系統(tǒng)進(jìn)入監(jiān)聽階段，判斷是否監(jiān)聽到聲事件，判斷沒有聽到 則繼續(xù)監(jiān)聽，判斷聽到則激活聲源附近采樣信號(hào)大于閾值的所有節(jié)點(diǎn)，組織聲源最近節(jié)點(diǎn) 估計(jì)聲達(dá)時(shí)間，上傳聲達(dá)時(shí)間數(shù)據(jù)至中央節(jié)點(diǎn)，完成第一次定位，利用第一次定位結(jié)果，選 擇距離結(jié)果接近的節(jié)點(diǎn)，估計(jì)聲達(dá)時(shí)間，上傳數(shù)據(jù)至中央節(jié)點(diǎn)，完成第二次聲定位。
[0006] 具體的，本發(fā)明所采用的技術(shù)方案是首先定義聲源模型
[
[0008] 式中v[n]代表高斯白噪聲，a e R為信號(hào)的衰減因子，s[n]代表聲源信號(hào)，Μ[η] 代表信號(hào)進(jìn)行多路徑傳播時(shí)與傳感器間的脈沖響應(yīng)，τ代表聲達(dá)時(shí)間；
[0009] 噪聲遵循均值為零，且方差為_ε[ν_2(?Ι| = σ丨的正態(tài)分布，則：
[0011] 式中θ〇 式（2)為聲達(dá)時(shí)間之前米樣信號(hào)的概率密度模型；極短時(shí)間的信號(hào) 和噪聲都近似遵循高斯分布，為了減小在每個(gè)傳感器節(jié)點(diǎn)上的計(jì)算量，用高斯分布方式對(duì) η多τ的采樣信號(hào)進(jìn)行建模，聲達(dá)時(shí)間后的采樣信號(hào)概率密度模型表示為：
[0013] 式中
[0014] 定義傳感器節(jié)點(diǎn)監(jiān)聽到到聲目標(biāo)的信號(hào)為聲事件發(fā)生，假設(shè)：
[0015] % : θ = Θ i-一聲事件已經(jīng)發(fā)生
[0016] % ： θ = θ 〇--沒有聲事件發(fā)生
[0017] 節(jié)點(diǎn)在0到k的采樣時(shí)間之間捕捉到的離散信號(hào)x[n]的概率密度函數(shù)表示為：
[0018] "沒有事件發(fā)生的時(shí)候"其概率密度函數(shù)：
[0020] "有事件發(fā)生的時(shí)候"其概率密度函數(shù)：
[0022] 運(yùn)用對(duì)數(shù)似然比：
[0024] 設(shè)定一個(gè)閾值n，則當(dāng)Λχ>η時(shí)出現(xiàn)假設(shè)龜，當(dāng)Λχ彡η時(shí)出現(xiàn)假設(shè)龜；
[0025] 公式⑷和公式（5)帶入公式（6)得：
[0027]引入廣義對(duì)數(shù)似然比GLLR，求出θ。，Θ τ三個(gè)參數(shù)的最大似然估計(jì)，替換Λχ 中的未知參數(shù)，得：
[0029] 其中成和％是對(duì)應(yīng)參數(shù)的最大似然估計(jì)值，則若Γ x[k]> II，則聲事件發(fā)生，即事 件^發(fā)生；
[0030] 若事件爲(wèi)已經(jīng)確定發(fā)生，從聲音信號(hào)采樣樣本x[0]，...，x[k]中估計(jì)聲達(dá)時(shí)間 τ，τ是使事件發(fā)生的可能性最大的值，g卩τ使押的值最大，對(duì)τ做最大似然估計(jì)， 表示如下：
[0031]
[0032] 在采樣點(diǎn)η定義瞬時(shí)對(duì)數(shù)似然比：
[0034] 從0到k做累加和運(yùn)算：
[0036] 將公式（10)和公式（11)代入公式（6)，得：
[0038] 將公式⑵和公式⑶帶入到公式（10)，得：
[0040] 利用累加和算法，并利用遞歸方式，將公式（8)和公式（9)簡化為：
[0043] 累加和算法表達(dá)為：
[0044] s [k] = s [k~l] +1 [k] ； (16)
[0045] 假設(shè)傳感器節(jié)點(diǎn)采集到k個(gè)采樣點(diǎn)，并且這k個(gè)采樣點(diǎn)中包含聲事件的聲達(dá)時(shí)間， 即聲事件必然發(fā)生，則通過使用公式（9)從τ = 1到τ =k_l求τ的最大似然估計(jì)值， 得到τ的最大似然估計(jì)，gp :
[0047] 利用累加和算法將公式（17)簡化為：
[0049]從采樣 χ[0]，...，χ[τ' -1]和采樣 χ[τ' ]，...，x[k]中得到方差 4 和 最大似然估計(jì)：
[0052] 最大似然估計(jì)法求出和σ；2的瞬時(shí)最大似然估計(jì)值：
[0055] 式中K表不整個(gè)米樣時(shí)間，k代表從k。到k i的米樣點(diǎn)的所有值，；'[/?]表不米樣點(diǎn) η前，所有采樣數(shù)據(jù)累加后的值；
[0056] 在[k。，kj內(nèi)確定一個(gè)值Τ。，再做方差σ|:.和的最大似然估計(jì)
[0059] 信號(hào)偵測率：
[0061] 誤警率：
[0063] 式中Τ為采樣點(diǎn)個(gè)數(shù)，erfc ()表示誤差互補(bǔ)函數(shù)；
[0064] 確定閾值為γ / 〇。= 5. 8 ;
[0065] 利用五元定位算法進(jìn)行聲源定位。
[0066] 進(jìn)一步，所述五元定位算法進(jìn)行聲源定位的方法如下：
[0067] 聲源S的坐標(biāo)為：
[0069] 式中（X。yj，（X2, y2)，（X3, yJ，（Χ4, 丫4)分別為節(jié)點(diǎn) Μι、Μ2、1和 Μ 4的坐標(biāo)，d ρ d2、 d3、山分別為節(jié)點(diǎn)M p M2、M3、M，j M。的距離。
[0070] 本發(fā)明的有益效果是能夠降低算法的復(fù)雜度，減小定位誤差。
【附圖說明】
[0071] 圖1是本發(fā)明五元傳感器陣列原理；
[0072] 圖2是傳感器最佳間距；
[0073] 圖3是不同CVR聲的信號(hào)；
[0074] 圖4是CUSUM-ML累積和曲線；
[0075] 圖5是⑶SUM-FT的累加和曲線；
[0076] 圖6是節(jié)點(diǎn)的自組織過程；
[0077] 圖7是上傳數(shù)據(jù)給中央節(jié)點(diǎn)；
[0078] 圖8是兩種算法定位精度；
[0079] 圖9是多次定位對(duì)比；
[0080] 圖10是本發(fā)明算法原理。
【具體實(shí)施方式】
[0081] 下面結(jié)合【具體實(shí)施方式】對(duì)本發(fā)明進(jìn)行詳細(xì)說明。
[0082] 本發(fā)明基于固定參數(shù)累加和算法的聲目標(biāo)定位算法，首先定義聲源模型
[0084] 式中v[n]代表高斯白噪聲，a e R為信號(hào)的衰減因子，s[n]代表聲源信號(hào)，Μ[η] 代表信號(hào)進(jìn)行多路徑傳播時(shí)與傳感器間的脈沖響應(yīng)，τ代表聲達(dá)時(shí)間。
[0085] 噪聲遵循均值為零，且方差為= <的正態(tài)分布，則：
[0087] 式中ΘΒ =σ〖,式⑵為聲達(dá)時(shí)間之前采樣信號(hào)的概率密度模型。
[0088] 極短時(shí)間的信號(hào)和噪聲都近似遵循高斯分布，為了減小在每個(gè)傳感器節(jié)點(diǎn)上的計(jì) 算量，用高斯分布方式對(duì)η多τ的采樣信號(hào)進(jìn)行建模。則聲達(dá)時(shí)間后的采樣信號(hào)概率密度 模型表示為：
[0090] 式中 ％ = β
[0091] 定義傳感器節(jié)點(diǎn)監(jiān)聽到到聲目標(biāo)的信號(hào)為聲事件發(fā)生。假設(shè)：
[0092] % : θ = Θ i--聲事件已經(jīng)發(fā)生
[0093] %； : θ = Θ 〇一一沒有聲事件發(fā)生
[0094] 節(jié)點(diǎn)在0到k的采樣時(shí)間之間捕捉到的離散信號(hào)x[n]的概率密度函數(shù)可表示為：
[0095] "沒有事件發(fā)生的時(shí)候"其概率密度函數(shù)：
[0097] "有事件發(fā)生的時(shí)候"其概率密度函數(shù)：
[0099] 運(yùn)用對(duì)數(shù)似然比：
[0101] 設(shè)定一個(gè)閾值η，則當(dāng)Λχ> η時(shí)出現(xiàn)假設(shè)A，當(dāng)Λχ彡η時(shí)出現(xiàn)假設(shè)
[0102] 公式⑷和公式（5)帶入公式（6)，可得：
[0104] 由于有θ。，Θ τ三個(gè)未知參數(shù)，公式（7)不能計(jì)算出具體值。引入廣義對(duì)數(shù) 似然比（GLLR)，求出三個(gè)參數(shù)的最大似然估計(jì)，替換Λχ中的未知參數(shù)，可得：
[
[0106] 其中Θ;和是對(duì)應(yīng)參數(shù)