• 欢迎访问开心洋葱网站,在线教程,推荐使用最新版火狐浏览器和Chrome浏览器访问本网站,欢迎加入开心洋葱 QQ群
  • 为方便开心洋葱网用户,开心洋葱官网已经开启复制功能!
  • 欢迎访问开心洋葱网站,手机也能访问哦~欢迎加入开心洋葱多维思维学习平台 QQ群
  • 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏开心洋葱吧~~~~~~~~~~~~~!
  • 由于近期流量激增,小站的ECS没能经的起亲们的访问,本站依然没有盈利,如果各位看如果觉着文字不错,还请看官给小站打个赏~~~~~~~~~~~~~!

声源定位系统设计(二)——MUSIC算法以及Python代码实现

人工智能 CyrilSterling 1589次浏览 0个评论

声源定位系统设计(二)——MUSIC算法以及Python代码实现

  上一篇:声源定位系统设计(一)——MVDR波束形成算法讲述了声源定位系统的一些基本概念以及MVDR算法的原理。  

目录

 

  • 声源定位系统设计(二)——MUSIC算法以及Python代码实现
    • 一、前言
    • 二、MUSIC算法
    • 三、MVDR算法代码实现
    • 四、MUSIC算法代码实现

 

一、前言

  上篇博客中已经详细介绍了声源定位的一些概念以及MVDR波束形成法的原理,在本篇博客中,我将介绍另一种更为精准的波束形成算法:MUSIC算法以及这两种算法的Python代码实现。  

二、MUSIC算法

  MUSIC(Multiple Signal Classification)算法的方法类似于MVDR算法,只是在最后计算的时候有些许不同。该算法建立在一下假设基础上:   ①、噪声为高斯分布,每个麦克风之间的噪声分布为随机过程,之间相互独立,空间平稳,即每个麦克风噪声方差相等。 ②、要求空间信号为高斯平稳随机过程,且与单元麦噪声互不相干,相互独立。 ③、目标声源数目小于阵列元数目。 ④、阵元间隔不大于来波信号中频率最高波长的1/2。   MUSIC算法是空间谱估计技术的代表之一,它利用特征结构分析。其基本原理是将协方差矩阵进行特征值分解。它通常把空间信号分为两种,一种是信号特征向量对应的信号空间,另一种是噪声向量对应的噪声空间,利用噪声空间和信号空间的正交性原理,构造空间谱函数进行搜索,从而预估出DOA信息。   按照上一篇博客的做法,阵列数据的协方差矩阵为:  
声源定位系统设计(二)——MUSIC算法以及Python代码实现   其中,RSRN分别为信源的协方差矩阵和噪源的协方差矩阵。   通过对阵列协方差矩阵进行特征值分解,将特征值进行升序排列,其中有D个较大的特征值,对应于声源信号,而有M-D个较小的特征值,对应于噪声信号。   设λ i i为第i个特征值,v i为其对应的特征向量,则:  
声源定位系统设计(二)——MUSIC算法以及Python代码实现   设λ i = σ² 是R的最小特征值,则:  
声源定位系统设计(二)——MUSIC算法以及Python代码实现   将R = A R S A H + σ 2 I 代入上式得:  
声源定位系统设计(二)——MUSIC算法以及Python代码实现   化简可得:  
声源定位系统设计(二)——MUSIC算法以及Python代码实现   由于A H A 是满秩矩阵,( A H A ) − 1 存在,而RS  − 1 也存在,则上式同乘以S  1 ( A H A ) − 1 A H后变成:  
声源定位系统设计(二)——MUSIC算法以及Python代码实现   于是有A H v i = 0 , i = D + 1 , D + 2 , . . . , M 故可以用噪声向量来求信号源的角度。先构造噪声矩阵E n   声源定位系统设计(二)——MUSIC算法以及Python代码实现   最后定义空间谱P ( θ )  
声源定位系统设计(二)——MUSIC算法以及Python代码实现   其中a为上一篇博客中的方向导向向量,通过遍历θ ,即可得到一个空间的功率谱,寻找其最值即可寻得DOA方向角。二维的估计也想同,增加一个遍历的维度即可。  

三、MVDR算法代码实现

  直接上代码了:   我这里用了一个16阵元的麦克风阵列信号采集板。设计两层圆阵。  

nmicro = 16
layers = 2
micros_every_layer = nmicro//layers
R = [0.082, 0.103]
theta_micro = np.zeros(nmicro)#所有麦克风阵元的角度
for layer in range(layers):
    theta_micro[micros_every_layer*layer:micros_every_layer*(layer+1)] = \
        2*np.pi/micros_every_layer*(np.arange(micros_every_layer)+0.5*layer)
#所有麦克风阵元的坐标
pos = np.concatenate((np.stack([R[0] * np.cos(theta_micro[:8]), R[0] * np.sin(theta_micro[:8]), np.zeros(8)],axis = 1), \
    np.stack([R[1] * np.cos(theta_micro[8:]), R[1] * np.sin(theta_micro[8:]), np.zeros(8)],axis = 1)), axis=0)
#PyAudio的信号采集参数
CHUNK = 1600
FORMAT = pyaudio.paInt16
CHANNELS = 18
RATE = 16000
p = pyaudio.PyAudio()
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)
#最后求得的声源位置
xr = 0
yr = 0
#遍历的x和y,假设z为固定深度1m
X_STEP = 20
Y_STEP = 20
x = np.linspace(-0.4, 0.4, X_STEP)
y = np.linspace(-0.4, 0.4, Y_STEP)
z = 1
def beamforming():
    global xr, yr, x, y
    while True:
        data = stream.read(1600)
        data = np.frombuffer(data, dtype=np.short)
        data = data.reshape(1600,18)[:,:16].T
        p = np.zeros((x.shape[0], y.shape[0]))#声强谱矩阵
        #傅里叶变换,在频域进行检测
        data_n = np.fft.fft(data)/data.shape[1]# [16,1600]
        data_n = data_n[:, :data.shape[1]//2]
        data_n[:, 1:] *= 2
        #宽带处理,对于50个不同的频率都进行计算
        #r存储每个频率下对应信号的R矩阵
        r = np.zeros((50, nmicro, nmicro), dtype=np.complex)
        for fi in range(1,51):
            rr = np.dot(data_n[:, fi*10-10:fi*10+10], data_n[:, fi*10-10:fi*10+10].T.conjugate())/nmicro
            r[fi-1,...] = np.linalg.inv(rr)
        #MVDR搜索过程
        for i in range(x.shape[0]):
            for j in range(y.shape[0]):
                dm = np.sqrt(x[i]**2+y[j]**2+z**2)
                delta_dn = pos[:,0]*x[i]/dm + pos[:,1]*y[j]/dm
                for fi in range(1,51):
                    a = np.exp(-1j*2*np.pi*fi*100*delta_dn/340)
                    p[i,j] = p[i,j] + 1/np.abs(np.dot(np.dot(a.conjugate(), r[fi-1]), a))

        xr = np.argmax(p)//Y_STEP
        yr = np.argmax(p)%Y_STEP
        print(x[xr],y[yr])

        #转为强度0-1
        p /= np.max(p)
        绘制声强图
        x1, y1 = np.meshgrid(x,y)
        ax = plt.axes(projection='3d')
        ax.plot_surface(x1,y1,np.abs(p.T))
        plt.pause(0.01)

if __name__='__main__':
    while True:
        beamforming()

 

四、MUSIC算法代码实现

  阵列与MVDR相同  

nmicro=16
layers = 2
micros_every_layer = nmicro//layers
R = [0.082, 0.103]
theta_micro = np.zeros(nmicro)#所有麦克风阵元的角度
for layer in range(layers):
    theta_micro[micros_every_layer*layer:micros_every_layer*(layer+1)] = \
        2*np.pi/micros_every_layer*(np.arange(micros_every_layer)+0.5*layer)
#所有麦克风阵元的坐标
pos = np.concatenate((np.stack([R[0] * np.cos(theta_micro[:8]), R[0] * np.sin(theta_micro[:8]), np.zeros(8)],axis = 1), \
    np.stack([R[1] * np.cos(theta_micro[8:]), R[1] * np.sin(theta_micro[8:]), np.zeros(8)],axis = 1)), axis=0)
#PyAudio的信号采集参数
CHUNK = 1600
FORMAT = pyaudio.paInt16
CHANNELS = 18
RATE = 16000
p = pyaudio.PyAudio()
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)
#最后求得的声源位置
xr = 0
yr = 0
#遍历的x和y,假设z为固定深度1m
X_STEP = 20
Y_STEP = 20
x = np.linspace(-0.4, 0.4, X_STEP)
y = np.linspace(-0.4, 0.4, Y_STEP)
z = 1
def beamforming():
    global xr, yr, ifplot, x, y
    while True:
        data = stream.read(1600)
        data = np.frombuffer(data, dtype=np.short)
        data = data.reshape(1600,18)[:,:16].T

        data_n = np.fft.fft(data)/data.shape[1]# [16,1600]
        data_n = data_n[:, :data_n.shape[1]//2]
        data_n[:, 1:] *= 2

        r = np.zeros((50, nmicro, nmicro-1), dtype=np.complex)
        for fi in range(1,51):
            rr = np.dot(data_n[:, fi*10-10:fi*10+10], data_n[:, fi*10-10:fi*10+10].T.conjugate())/nmicro
            feavec,_,_ = np.linalg.svd(rr)
            r[fi-1,...] = feavec[:, 1:]          
        p = np.zeros((x.shape[0], y.shape[0]))
        for i in range(x.shape[0]):
            for j in range(y.shape[0]):
                dm = np.sqrt(x[i]**2+y[j]**2+z**2)
                delta_dn = pos[:,0]*x[i]/dm + pos[:,1]*y[j]/dm
                for fi in range(1,51):
                    a = np.exp(-1j*2*np.pi*fi*100*delta_dn/340)
                    p[i,j] = p[i,j] + 1/np.abs(np.dot(np.dot(np.dot(a.conjugate(), r[fi-1]), r[fi-1].T.conjugate()), a))
        #n = np.argmin(np
        xr = np.argmax(p)//Y_STEP
        yr = np.argmax(p)%Y_STEP
        print(x[xr],y[yr])
        p /= np.max(p)
        x1, y1 = np.meshgrid(x,y)
        ax = plt.axes(projection='3d')
        ax.plot_surface(x1,y1,np.abs(p.T))
        plt.pause(0.01)

  上一篇:声源定位系统设计(一)——MVDR波束形成算法讲述了声源定位系统的一些基本概念以及MVDR算法的原理。


开心洋葱 , 版权所有丨如未注明 , 均为原创丨未经授权请勿修改 , 转载请注明声源定位系统设计(二)——MUSIC算法以及Python代码实现
喜欢 (0)

您必须 登录 才能发表评论!

加载中……