[发明专利]一种用于智能座舱声源定位的信号时延估计方法

说明书

本发明公开了一种用于智能座舱声源定位的信号时延估计方法。包括以下步骤：S1.对接收到的两个声源信号做经验模态分解；S2.对本征模函数组进行多尺度广义互相关求出互相关函数组；S3.计算互相关函数组权重，进而加权求和，计算最终的互相关函数；S4.针对最终的互相关函数，对时延进行估计；本发明用于智能座舱声源定位的信号时延估计方法，对接收到的乘客声源信号进行多尺度分解，对保留固有特征的信号进行广义互相关，进而加权求和，避免了噪声对估计精度的影响，多尺度有效分量的互相关，提高了时延估计的精度。

技术领域

本发明属于信号处理技术领域，具体涉及一种用于智能座舱声源定位的信号时延估计方法。

背景技术

智能座舱语音交互技术如今已非常成熟，但是，现有的智能座舱很难实现多人同时操作。在传统的由语音识别和语音合成技术组成的语音交互系统中引入声源定位技术，可以快速精准地锁定声音位置和实现语音交互对象的多样化，使智能座舱交互系统更加的灵活方便，车内交互更加便捷。

基于时间到达差的定位方法是声源定位技术的三大主流之一。基于时间到达差的定位方法主要分为时延估计和位置估计两部分，时延估计技术利用同声源信号到达不同阵元之间的时间延迟，即到达时间差来估计目标位置。

广义互相关法是时延估计的一种方法，在基本互相关的基础上通过增加权函数滤除噪声和干扰的影响。但是在噪声比较大的情况下，由于信号的信噪比低，广义互相关法的时延估计精度受到较大影响。因此，在进行广义互相关法之前对声源信号进行降噪等预处理是必要的。

经验模态分解适用于非平稳信号分解,具有多尺度、兼顾时域、频域高分辨率的特征,不需要人为设定阈值,拥有自适应性和灵活性的特点，对声源信号进行经验模态分解保留了信号的固有特征，舍弃了噪声特征，对后续广义互相关法提供了很大帮助，极大地提高了时延估计的精度。

发明内容

本发明的目的在于通过经验模态分解对保留固有特征的有效信号广义互相关来提高时延估计的精度，提供一种用于智能座舱声源定位的信号时延估计方法。

为了实现上述目的，本发明采用一种用于智能座舱声源定位的信号时延估计方法，包括以下步骤：

S1、对接收到的两个声源信号做经验模态分解；

所述步骤S1包括以下子步骤：

S1-1、对声源信号s₁(t)进行局部极值识别，通过三次赫米特插值函数生成上下包络曲线,并求包络的均值m₁(t)；

S1-2、用原信号s₁(t)与均值m₁(t)相减得到第一个本征模函数c₁′(t):

c₁′(t)＝s₁(t)-m₁(t)

S1-3、判断是否满足迭代终止条件condition1，不满足则重复步骤S1-1和S1-2直到得到正确的c₁(t)；

S1-4、用原信号s₁(t)与本征模函数c₁(t)相减得到残余分量r₁(t)：

r₁(t)＝s₁(t)-c₁(t)

对残余分量r₁(t)重复以上步骤，当满足条件condition2时，停止分解。原信号s₁(t)分解为本征模函数和残余分量，其关系为：

其中，n表示分解次数；