[发明专利]一种基于半监督学习的声信号非视距识别方法

说明书

本发明公开了一种基于半监督学习的声信号非视距识别方法，采集原始声信号x[n]，对采集的原始声信号x[n]进行探测及分割，获得互相关结果片段R_i[τ]，对得到的互相关结果片段R_i[τ]进行特征提取及非视距识别。能够获取有标签声信号数据样本和无标签数据样本，并提取出声信号数据样本的多个特征，然后基于这些特征值利用半监督学习进行非视距识别。本发明方法根据少量已知类别的声信号数据，自动区分大量未知声信号数据，本发明方法不必获取大量训练数据，节省了人力物力，且分类识别效果较好，解决了只有少量已知样本情况下声信号非视距识别的难题，为基于声技术的室内定位系统的实际应用提供了基础。

技术领域

本发明属于基于室内位置的服务技术领域，具体涉及一种基于半监督学习的声信号非视距识别方法。

背景技术

随着智能手机的普及，基于室内位置的服务需求越来越大，如室内导航、精准营销、公共安全等，尤其是在地下停车场、商场以及展馆等大型建筑中需求更大。针对以上需求，现已提出基于声音、GSM、蓝牙、Wi-Fi、磁场等技术的多种定位方法，而基于声音的定位技术具有与智能手机完全兼容、定位精度高及成本低等优点，成为最有可能解决手机室内定位的系统之一。然而，从2018年微软室内定位大赛的结果来看以及依据室内几何声学理论，当声源广播设备与接收设备间的视距(LOS)路径被遮挡，非视距(NLOS)现象会为距离量测引入一个较大的非负偏差，如图1所示，会降低定位系统的性能和稳定性。非视距(NLOS)现象已成为该类技术的技术瓶颈之一，成为基于声技术的智能移动终端在实际场景中应用的巨大挑战。

通过识别和丢弃NLOS量测值，仅利用LOS量测值可以提高定位精度，由此可得非视距识别的准确度成为室内定位精度的决定因素之一。现基于有监督学习的非视距识别方法运用的是声信号数据的历史信息，当已标记数据量较大时，非视距的识别情况较好。但是，在实际应用中，获得大量声信号数据的“标记”信息十分困难，需要耗费大量人力物力。这一问题限制了有监督学习方法在声信号非视距识别中的应用，迫切需要一种能够基于少量带标签的训练数据，对大量未知输入声信号数据进行非视距识别的方法。

发明内容

针对现在有技术中的技术问题，本发明提供了一种基于半监督学习的声信号非视距识别方法，本发明方法根据少量已知类别的训练数据，自动区分大量未知声信号数据，解决了声信号非视距识别的实际应用问题。

为解决上述技术问题，本发明通过以下技术方案予以解决：

一种基于半监督学习的声信号非视距识别方法，包括以下步骤：

S1：采集原始声信号x[n]；

S2：对S1中采集的原始声信号x[n]进行探测及分割，获得互相关结果片段R_i[τ]；

S3：对S2中得到的互相关结果片段R_i[τ]进行特征提取及非视距识别。

进一步地，S2包括如下步骤：

S2.1：对原始声信号x[n]进行滤波与增强，获得增强后的声信号x'[n]；

S2.2：构造参考信号r[n]，利用参考信号r[n]对增强后的声信号x'[n]进行互相关计算，获得结果R_x'r[τ]；

S2.3：对S2.2中获得的结果R_x'r[τ]进行探测并进行分割提取，获得互相关结果片段R_i[τ]，记第i个增强后的声信号的互相关结果片段为R_i[τ]。

进一步地，S2.1中，x'[n]＝IFFT{FFT{x[n]}w[n]}，其中w[n]为窗函数；

S2.2中，其中N为x'[n]的长度；

S2.3具体方法如下：