基于压缩感知的麦克风阵列声源定位方法研究 - 图文

提供了新技术和新思路，研究前景广阔. 然而目前压缩传感理论尚有较多问题需要在未来研究中得到突破: 1）测量矩阵构造研究

在压缩传感中，测量矩阵需要满足约束等距性条件，目前所采用到的测量矩阵大多为非确定性测量矩阵，即随机矩阵。但是更复杂的非确定性测量矩阵在硬件实现上比较复杂，因此有必要对确定性测量矩阵进行深入研究。此外，压缩传感技术建立在非自适应线性测量基础之上，不具有灵活性，因而有必要研究自适应压缩传感技术，即根据不同的信号类型采用不同的数据采样和重构策略。

2）测量矩阵的优化问题

当图像不能在正交基上稀疏表示时，可以将其扩展到冗余字典上进行稀疏表示。如何平衡冗余字典的冗余度与传感矩阵中相关列的数量，即找到最优的冗余字典及其对应的传感矩阵是值得研究的。

3）测量值的应用研究

许多图像处理的最终目的并不是重构图像，而是为了得到有关目标的信息。 由压缩传感理论可知，在一定条件下，通过少量的测量值就可以准确重构出原始图像，也就是说少数的测量值能够保持原始信号的结构和足够多信息。 因此， 少量的测量值可以直接用于实现各种图像处理任务，并且由于测量值数目较少，信息密度高，可以大大减少相关算法的时间和存储代价。

同时，卡尔曼滤波器是一个最优化自回归数据处理算法，它的广泛应用已经超过30年，包括航空器轨道修正、机器人系统控制、雷达系统与导弹追踪等。近年来更被应用于组合导航与动态定位，传感器数据融合、微观经济学等应用研究领域。随着卡尔曼滤波理论的发展，一些实用卡尔曼滤波技术被提出来，如自适应滤波，次优滤波以及滤波发散抑制技术等逐渐得到广泛应用。

致 谢

在论文即将完成之际，谨向所有关心和帮助我的师长、同学及家人表示最衷心的感谢。

28

首先，要感谢我的导师xx。本文从选题开始，然后确定方向，再到学习研究，到最后撰写都是在柯老师的悉心指导下完成的。xx老师渊博的学识和丰富的经验，帮助我解决了许多难题；老师严谨的治学态度、认真负责的工作作风让我感受到了对待科研应有的态度。我的每一点成长和进步都离不开老师的信任和帮助。

感谢班级的各位兄弟姐妹们和已经毕业的师兄师姐，感谢他们为我创造了良好的学习环境和学术交流氛围，是大家的互助，才使我在一个良好的环境中不断学习、进步，而且在生活上给我留下了美好的回忆。

衷心感谢我的父母及家人，正是他们默默的付出才使我能够专心学习。感激之情，无以言表！

感谢所有曾经关心和帮助过我的人们。

最后，向在百忙之中抽出宝贵时间审阅论文的专家教授表示最深的谢意。

参考文献

[1]Otani M, Ise S. Fast Calculation System Specialized for Head-related Transfer Function Based on Boundary Element Method[J]. Journal of the Acoustical Society of

29

America, 2006, 119(5): 2589-2598.

[2]居太亮. 基于麦克风阵列的声源定位算法研究[D]. 电子科技大学, 2006. [3]M A T Figueiredo , R D Nowak, S JWright. Gradient projection for sparse reconstruction: Application to compressed sensing and other inverse problems[ J] . IEEE J Selected Topics in Signal Processing: Special Issue on Convex Optimization Methods for Signal Processing, 2007, 1( 4) : 586- 598.

[4]T Blumensath, M Davies. Iterative hard thresholding for com-pressed sensing[ J] . Appl Comput Harmon Anal, 2009, 27( 3) : 265- 274.

[5]A C Gilbert, S Guha, P Indyk, S Muthukrishnan, M J Strauss. Near optimal sparse Fourier representations via sampling [ A] . Proc. of the 2002 ACM Symposium on Theory of Computing STOC[ C] . Montreal, Quebec, Canada, 2002. 152- 161. [6]王利平. 基于麦克风阵列的声源定位技术研究[D]. 燕山大学, 2012. [7]李从清, 孙立新, 戴士杰等. 机器人听觉定位跟踪声源的研究与进展[J]. 燕山大学学报, 2009, 33(3):199-205.

[8]洪鸥. 麦克风阵列语音增强技术及其应用[J]. 微计算机信息, 2006, 22(1):142-144.

[9]王仲民, 岳宏, 刘继岩. 移动机器人多传感器信息融合技术述评[J]. 传感器与微系统, 2005, 24(4):5-7.

[10]陈涛. 基于机器人听觉系统的声源目标定位研究[D]. 河北工业大学, 2011. [11]陈华伟, 赵俊渭, 郭业才. 一种频域自适应最大似然时延估计算法[J]. 系统工程与电子技术, 2003, 25(11):1355-1357.

[12]邵怀宗, 林静然, 彭启琮等. 基于麦克风阵列的声源定位研究[J]. 云南民族大学学报：自然科学版, 2004, 13(4):256-258.

[13]许崇言. 基于STM32控制的声音导引系统[J]. 单片机与嵌入式系统应用, 2010, (12):53-55.

[14]时洁, 杨德森. 基于矢量阵宽带MVDR聚焦波束形成的水下噪声源定位方法[J]. 信号处理, 2010, 26(5):687-694.

[15]靳莹, 杨润泽. 声测定位技术的现状研究[J]. 电声技术, 2007, 31(2):4-8. [16]陈四根. 阵列信号处理相关技术研究[D]. 哈尔滨工程大学, 2004. [17]张青, 李小坚. 基于广义时延估计的声源定位算法的研究[C]. //全国冶金自动化信息网年会. 2012.

[18]邵文泽, 韦志辉. 压缩感知基本理论:回顾与展望[J]. 中国图象图形学报, 2012, 17(1).

[19]Donoho D L. Compressed sensing. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306

[20]李树涛, 魏丹. 压缩传感综述[J]. 自动化学报, 2009, 35(11):1369-1377. [21]方红, 杨海蓉. 贪婪算法与压缩感知理论[J]. 自动化学报, 2011, 37(12):1198-1199.

30

[22]彭丁聪. 卡尔曼滤波的基本原理及应用[J]. 软件导刊, 2009, (11):32-34. [23]张江山, 朱光喜. 一种基于Kalman滤波的视频对象跟踪方法[J]. 中国图象图形学报：, 2002, 7(6):606-609. [24]付梦印 ，邓忠红 ，张继伟.Kalman 滤波理论及其在导航系统中的应用［M］.北京：科学出版社，2003.

[25]邱凤云. Kalman滤波理论及其在通信与信号处理中的应用[D]. 山东大学, 2008. DOI:10.7666/d.y1349262.

[26]杭明升, 杨晓光, 彭国雄. 基于卡尔曼滤波的高速道路行程时间动态预测[J]. 同济大学学报：自然科学版, 2002, 30(9):1068-1072.

[27]张大威. 复杂环境下的近场声源定位技术研究[D]. 北京工业大学, 2013. [28]蒋业文, 于昕梅. 压缩感知的自适应冗余字典及其图像恢复方法研究[J]. 中山大学学报：自然科学版, 2012, 51(6):58-62.

附录：

1.压缩感知程序 （1）主函数

31