一种基于声纹多谐波识别的无人机方向估计方法与流程

本发明涉及无人机声音定位领域，具体涉及一种基于声纹多谐波识别的无人机方向估计方法。

背景技术：

一般的被动声方向估计的方法主要包括：(1)基于到达时间差(TDOA)的定位技术；(2)基于最大输出功率的可控波束形成技术；(3)基于高分辨率谱估计技术。相对于前两种技术，基于高分辨率谱估计技术可以利用较少的阵元数，得到较高的分辨率，在方向估计中得到广泛应用。

但是，传统的高分辨率谱估计算法一般是针对窄带信号的，最经典的是基于矩阵特征值分解的多重信号分类(MUSIC)算法。在宽带信号处理中，提出了非相干信号的子空间(ISM)算法，将宽带信号在频域分解为窄带分量，在各个窄带上利用基于矩阵特征值分解的多重信号分类MUSIC算法进行角度估计，然后取算数平均值。该算法不足之处在于，忽略了子频带的能量分布不均和信噪比各不相同，而导致的算法估计性能不佳的问题。

技术实现要素：

为解决上述问题，本发明提供一种基于声纹多谐波识别的无人机方向估计方法。

本发明的目的是通过以下技术方案来实现的：一种基于声纹多谐波识别的无人机方向估计方法，包括如下步骤：

(1)处理无人机起飞阶段的声音信号，对比起飞前后的时频图，得到特征频率区间[f_1L,f_1R],[f_2L,f_2R],…,[f_NL,f_NR]，[f_1L,f_1R]为基频，其余为整数倍的谐波频率。

(2)将无人机飞行时的时域观测信号分为K个子段，每段时间为T_d，每段采样点数为J点，对每段数据进行J点的离散傅里叶变换(DFT)，得到K个频域快拍。

(3)在每个频域快拍上，按照步骤(1)得到的特征频率区间，进行谱峰搜索，将K个频域快拍在特征频率区间[f_jL,f_jR]的谱峰对应的频率值求平均，得到特征频率区间[f_jL,f_jR]的特征子频带f_j，j＝1,...,N。

(4)对每个特征子频带f_j，利用窄带MUSIC计算角度θ(f_j)：利用K个频域快拍，计算协方差矩阵，再分解特征值，得到噪声子空间和信号子空间。利用信号源的方向向量与噪声子空间的正交特性，构造MUSIC空间谱函数，搜索谱峰，谱峰对应的角度即为方向角θ(f_j)。

(5)结合各特征子频带的能量比、信噪比，赋予各特征子频带方向角不同的加权系数，加权平均，得到宽带的波达方向角估计θ，即无人机的方向角：

其中，w_j表示特征子频带f_j的能量(j＝1,...,N)，w_sum表示各特征子频带的总能量，实际计算时取频谱值；是θ(f_j)的加权系数(j＝1,...,N)，表示特征子频带f_j的能量占总能量的比例。一般低频特征子频带的能量较高且信噪比较高，其估计出的方向角具有较高的可信度，占最终估计出的方向角的比例较大。

本发明提出的一种基于声纹多谐波识别的无人机方向估计方法，对具有特定频率的无人机声信号的角度估计准确性高，误差小。与现有技术相比，本发明具有如下优势：

1.传统的ISM算法对宽带需要均匀划分子频带，对每个子频带进行窄带MUSIC运算。本发明只需要提取若干特征子频带，进行窄带MUSIC计算，当带宽比较大时，用几个特征子频带计算出的角度综合估计波达方向角，能够得到较好的估计准确性，同时计算量大大降低。

2.传统的ISM算法对各子频带求得方向角后简单求算数平均值，误差大，性能差。而本方法是结合各特征子频带的能量比和信噪比，赋予各特征子频带方向角不同的加权系数，加权平均得到最后的角度估计结果，以达到更准确的估计性能。

附图说明

图1是本发明的一种基于声纹多谐波识别的无人机方向估计方法的流程图；

图2是传统方法的无人机声音方向估计的方法的角度估计效果图；

图3是本发明方法的角度估计效果图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本发明提供的一种基于声纹多谐波识别的无人机方向估计方法，包括如下步骤：

(1)处理无人机起飞阶段的声音信号，对比起飞前后的时频图，得到特征频率区间[f_1L,f_1R],[f_2L,f_2R],…,[f_NL,f_NR]，[f_1L,f_1R]为基频，其余为整数倍的谐波频率。具体如下：

对无人机起飞阶段的声音数据，采用短时傅里叶变换(STFT)，得到任意时刻t的频谱功率，观察起飞前与起飞后的频谱功率变化，观测出无人机的特征频率区间。

对无人机飞行悬停时的声音数据做离散傅里叶变换(DFT)，结合根据时频图得到的特征频率区间，得到更为精确的特征频率区间。无人机的声音可以看作是离散的宽带信号，由一系列的窄带信号组成。在一定的采样频率下，可以得到N个特征频率的区间[f_1L,f_1R],[f_2L,f_2R],…,[f_NL,f_NR]。

(2)将无人机飞行时的时域观测信号分为K个子段，每段时间为T_d，每段采样点数为J点，对每段数据进行J点的离散傅里叶变换(DFT)，得到K个频域快拍。记做X_k(f_j),k＝1,2,...,K。

(3)在每个频域快拍上，按照步骤(1)得到的特征频率区间，分别进行谱峰搜索，得到特征频率的子频带(假设有N个)。具体如下：

将K个频域快拍在特征频率区间[f_1L,f_1R]的谱峰对应的频率值求平均，得到频率f₁，即为特征子频带f₁。同理得到特征子频带f₁,...,f_N。

(4)对每个特征子频带f_j，可看成窄带，利用窄带MUSIC计算角度θ(f_j)：

利用K个频域快拍，计算协方差矩阵，

参数解释：K是频域快拍的数目，X是频域快拍。R_x(f_j)是特征子频带f_j的协方差矩阵。

对协方差矩阵R_x(f_j)进行特征值分解(假设阵元数目为M,目标信源数目为D)。

其中，b_i是与特征值λ_i对应的特征向量。

对特征值按照从大到小的顺序排列：λ₁≥λ₂≥...≥λ_D≥...≥λ_M，则前D个大的特征值对应信号的特征值，后面M-D个小的特征值对应噪声的特征值。信号的特征值对应的特征向量构成信号子空间，噪声的特征值对应的特征向量构成噪声子空间。噪声子空间记做：E_n＝[v_D+1,v_D+2,...,v_M]。

对任意特征子频带f_j,j＝1,...,N，利用窄带MUSIC的原理，构造空间谱函数搜索谱峰，谱峰对应的角度即为方向角θ(f_j)。其中，a(f_j)是信号源的方向向量，E_n是噪声子空间。

对整个宽带的所有特征子频带f_j,j＝1,...,N，都做同样处理，估计出方向角θ(f_j),j＝1,...,N。

(5)结合各特征子频带的能量比、信噪比，赋予各特征子频带方向角不同的加权系数，加权平均，得到宽带的波达方向角估计θ，即无人机的方向角：

其中，w_j表示特征子频带f_j的能量(j＝1,...,N)，w_sum表示各特征子频带的总能量，实际计算时取频谱值；是θ(f_j)的加权系数(j＝1,...,N)，表示特征子频带f_j的能量占总能量的比例。一般低频特征子频带的能量较高且信噪比较高，其估计出的方向角具有较高的可信度，占最终估计出的方向角的比例较大。

实施例

控制大疆精灵‐3四旋翼无人机飞行于十字形声阵列所在区域上空，运行电脑上的Labview程序，通过声阵列的麦克风采集声音信号，采样频率为5120HZ,阵元间距为0.17m，阵元数为3，目标信源数为1。定义声音与声阵列的法平面的夹角为方向角，范围[‐90,90]。在当前采样频率下，可以得到特征频率区间：[140,200],[300,380],[470,550],[650,740]。(单位：HZ)。

图2和图3分别是传统方法和本发明方法的无人机声音角度估计的效果图，对比可以看出本发明方法可以更好的估计无人机声音的角度，准确性明显优于传统方法。