互相关延时估计加权函数性能分析报告.docVIP

实用文案 标准文档 互相关延时估计加权函数性能分析 广义互相关函数法是通过首先求出俩信号之间的互功率谱，然后在频域内给予一定的加权，以此对信号和噪音进行白化处理，从而增强信号中信噪比较高的频率成分，抑制噪声的影响，最后再反变换到时域，得到两信号之间的互相关函数，即： （1） 其中是广义互相关加权函数。广义互相关加权函数的选择主要基于俩个方面：噪声和反射情况。根据不同的情况选择加权函数，其目的就是使具有比较尖锐的峰值。峰值处就是俩个传感器之间的时延。 由于来自同一声源的信号存在一定的相关性，通过计算不同麦克风所接受到的信号之间的相关函数，就可以估计出TDOA值。然而在实际环境中，由于噪声和混响的影响，相关函数的最大峰会被弱化，有时还会出现多个峰值，这些都造成了实际峰值的检测困难。此时就通过加权的方法来锐化峰值，通常我们通过时间、精度来确定算法的合理性。 广义互相关函数模拟 clear all; clc; close all;N=1024;??%长度Fs=500;??%采样频率n=0:N-1;t=n/Fs;? ?%时间序列a1=5;? ???%信号幅度a2=5;d=2;? ???%延迟点数x1=a1*cos(2*pi*10*n/Fs);? ???%信号1x1=x1+randn(size(x1));? ?? ?%加噪声x2=a2*cos(2*pi*10*(n+d)/Fs); %信号2x2=x2+randn(size(x2));subplot(211);plot(t,x1,r);axis([-0.2 1.5 -6 6]);hold on;plot(t,x2,:);axis([-0.2 1.5 -6 6]);legend(x1信号, x2信号);xlabel(时间/s);ylabel(x1(t) x2(t));title(原始信号);grid on;hold off%互相关函数X1=fft(x1,2*N-1);X2=fft(x2,2*N-1);Sxy=X1.*conj(X2);Cxy=fftshift(ifft(Sxy));%Cxy=fftshift(real(ifft(Sxy)));subplot(212);t1=(0:2*N-2)/Fs; %注意plot(t1,Cxy,b);title(互相关函数);xlabel(时间/s);ylabel(Rx1x2(t));grid on[max,location]=max(Cxy);%求出最大值max,及最大值所在的位置（第几行）location;%d=location-N/2-1? ?? ???%算出延迟了几个点d=location-NDelay=d/Fs? ?? ?? ?? ???%求得时间延迟 运行程序得到的结果是： d = 2 Delay = 0.0040 可以看出，通过互相关函数的求解d=2，delay=0.0040，这和我们给出的信号的时延d/Fs=0.0040是一致的。这表明互相关函数可以给出信号的时延估计。 PHAT-GCC模拟 clear all; clc; close all; N=1024; %长度 Fs=500; %采样频率 n=0:N-1; t=n/Fs; %时间序列 a1=5; %信号幅度 a2=5; d=9; %延迟点数 x1=a1*cos(2*pi*10*n/Fs); %信号1 x1=x1+randn(size(x1)); %加噪声 %x1=x1.*hamming(max(size(x1)));%加窗 x2=a2*cos(2*pi*10*(n+d)/Fs); %信号2 x2=x2+randn(size(x2)); %x2=x2.*hamming(max(size(x2)));%加窗 subplot(211); plot(t,x1,r); axis([-0.2 2 -6 6]); hold on; plot(t,x2,:); axis([-0.2 2 -6 6]); legend(x1信号, x2信号); xlabel(时间/s);ylabel(x1(t) x2(t)); title(原始信号);grid on; hold off %互相关函数 X1=fft(x1,2*N-1); X2=fft(x2,2*N-1); Sxy=X1.*conj(X2); %Cxy=fftshift(ifft(Sxy)); Cxy=fftshift(ifft(Sxy./abs(Sxy))); subplot(212); t1=(-N+1:N-1)/Fs; plot(t1,Cxy,b