2025《DOA估计方法研究的国内外文献综述》1500字.docxVIP

PAGE

PAGE3

DOA估计方法研究的国内外文献综述

最早的DOA估计方法还是上世纪五六十年代，Bartlett提出的波束形成法REF_Re\r\h[1]。该方法利用形成能量聚集的波束在整个空间进行扫描，将阵列功率输出最大的方向作为估计的值。但受限于当时的软硬件技术，该方法精度低、鲁棒性低，但是作为波束形成类典型算法代表为DOA估计方法打下了理论基础。Capon等人在常规波束形成的基础上考虑了声场与信号自身的特性，提出了名为最小方差无畸变响应法(MVDR)的方法REF_Re\r\h[2]，该方法是一种经典的自适应波束形成算法，在信噪比较大的环境下可以得到更窄的主波束，精度更高，但由于算法包含求逆矩阵的操作，因此运算量很大。之后，Schmidt提出了空间子空间类最具代表性方法——多重信号分类(MUSIC)法REF_Re\r\h[3][4]，该算法的提出使得DOA估计的研 究有了突飞猛进的发展，其核心原理为以信号子空间与噪声子空间的正交性为基础，划分空间来进行参数估计，其利用子空间的特性进行估计的思想也推动了子空间类估计算法的发展REF_Re\r\h。

2015年，XiongXiao第一次采用深度神经网络的方法来进行DOA估计REF_Re\r\h[5]，从广义互相关矢量中提取特征，该方法使用多层感知机(Multi-LayerPerceptron,MLP)来学习信号特征与对应角度的映射关系，该方法使得DOA估计的研究进入了深度学习的时代。由于XiongXiao只是提出了这个思想，没有对网络模型进行设计，Takeda等人在此基础上，采用多隐层的神经网络对DOA进行估计，同时采用区分性的测量来训练样本，优化网络REF_Re\r\h[4]REF_Re\r\h[6]，实验证明，此种方法的性能优于普通的DNN，该方法的提出推动了深度学习在DOA估计研究中的发展。2017年，由于卷积神经网络(CNN)在图像处理中获得了巨大的成功，Chakrabarty等人第一次将CNN应用于DOA估计REF_Re\r\h[7]，并取得了很大的成功，该方法也进一步推动了CNN在DOA估计中的发展。2019年，ZhongQiuWang等人利用深度神经网络来识别语音主导的时频点(time-frequencybin,T-Fbin)，用清晰的相位来进行DOA估计，实验证明在强混响的环境下依旧有很好的效果[8]。这些离线深度学习模型的上界取决于数据集，而在线深度学习可以源源不断地扩充数据集，以适应当下的实际情况。张永皓提出了一种基于深度学习的低复杂度的DOA估计算法。该算法首先离线训练一个神经网络，然后再将该神经网络作为初始网络进行在线DOA估计。在线DOA估计部分，将接收信号送入网络，网络会根据初始角度产生一个候选角度的集合，最后选择候选集合中最优的角度作为最终的DOA估计值，但是其也存在数据量过大，实时性较差的问题[9]。文献[10]利用带相位变换导向响应功率特征作为特征，建立神经网络模将DOA估计作为回归问题。文献[11]使用具有多任务学习功能的2D卷积神经网络从短时空间伪谱鲁棒地估计声源的数量和到达方法，这种方法减少了神经网络学习声音类别和方向信息之间不必要的关联，加速模型的收敛。文献[12]使用GCC-PHAT和听觉启发特征周期度(periodicitydegree,PD)作为特征，使用多输入单输出的卷积神经网络(CNN)进行训练，利用PD功能，CNN能够进行语音活动检测(VoiceActivityDetection,VAD)，从而大大降低混响与噪声对DOA估计的影响。这多深度学习的相关算法都是采用提取不同的特征来进行模型的训练。

参考文献

BartlettMS.Propertiesofsufficiencyandstatisticaltests[C].Proc.R.Soc.Lond.A.TheRoyalSociety,1937,160(901):268-282.

CaponJ.High-resolutionfrequency-wavenumberspectrumanalysis[J].ProceedingsoftheIEEE,1969,57(8):1408-1481.

李庆龙.基于深度学习的在线波达方向估计方法研究[D].内蒙古:内蒙古大学,2018.DOI:10.7666/d.

SchmidtR.