机载声探测网络低信噪比声源定位与数据融合【附仿真】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》

（1）基于改进增量式多通道维纳滤波与广义互相关-相位变换的时延估计：

在低信噪比条件下，传统广义互相关时延估计性能退化严重。为此使用增量式多通道维纳滤波预处理：对每个传声器的接收信号，利用上一帧估计的噪声功率谱递归更新当前帧的维纳滤波器系数，从而在保留语音成分的同时抑制稳态和准稳态噪声。经过滤波后的信号再送入广义互相关-相位变换流程，但加权函数采用改进的变参数相位变换，该参数根据估计的信噪比自适应调整，低信噪比时减小加权以降低噪声放大风险，高信噪比时保留标准PHAT。对于所设计的六元立体十字阵，利用多重信号分类算法获得初始方位粗估计，粗估计用于确定时延计算的感兴趣区域，缩小峰值搜索范围，避免全局噪声尖峰。仿真在-5dB白噪声背景下，改进算法时延估计的均方根误差为采样点的0.18，而传统GCC-PHAT为0.42，测向角度误差小于2.5度，展现了优秀的低信噪比鲁棒性。

（2）基于节点置信度加权的迭代最小二乘数据融合：

在获得各机载节点的测向结果后，需要融合得到声源的三维位置。传统交叉定位最小二乘未考虑不同节点测向质量的差异，对异常测向敏感。提出改进的迭代加权最小二乘，权重设计为节点信噪比和测向历史一致性两部分的乘积。信噪比部分由节点采集信号的信噪比直接映射；历史一致性部分基于该节点前两次定位残差的移动平均引入惩罚，若某个节点连续出现大残差，其权重指数衰减。融合过程迭代进行，每次利用当前估计位置更新各节点权重，并剔除权重大幅衰减的异常节点后重新估计。仿真场景呈星型分布四节点，12米半径内定位均方根误差0.38米，在存在15%异常测向时精度仅退化至0.52米，而标准最小二乘退化为1.1米。实际试验中，对声源定位平均误差0.45米，满足灾难搜救等应用的米级精度需求。

（3）多无人机协同声探测动态轨迹规划与实时融合：

对于移动的机载声探测网络，无人机的飞行轨迹对定位精度有显著影响。提出一种基于联邦卡尔曼滤波的分布式融合架构，各无人机本地采用扩展卡尔曼滤波估计声源位置，并向中心节点发送信息向量（状态与协方差矩阵）。中心节点利用CI（协方差交叉）融合得到全局估计并反馈回各节点。同时，基于当前声音传播模型，中心节点规划下一时刻各无人机的目标航点，规划准则为最大化费舍尔信息矩阵行列式，使定位的理论误差下界最小化。仿真中，三架无人机动态定位连续语音声源，平均误差0.31米，较固定节点降低了33%。

import numpy as np from scipy.signal import stft, istft from scipy.linalg import block_diag from scipy.spatial.transform import Rotation as R # 增量式多通道维纳滤波 def incremental_multi_channel_wiener(signals, noise_est_prev, alpha=0.9): # signals shape: (num_mics, samples) filtered = np.zeros_like(signals) for m in range(signals.shape[0]): S = np.abs(stft(signals[m])[2])**2 noise_est = alpha * noise_est_prev[m] + (1-alpha) * S.mean(axis=1, keepdims=True) noise_est_prev[m] = noise_est gain = S / (S + noise_est + 1e-6) filtered[m] = istft(gain * stft(signals[m])[2], ...)[1] return filtered, noise_est_prev # 自适应PHAT加权GCC def adaptive_phat_gcc(x, y, snr, fs): X = np.fft.rfft(x); Y = np.fft.rfft(y) G = X * np.conj(Y) if snr < 0: beta = 0.6 elif snr > 10: beta = 0.9 else: beta = 0.75 W = np.abs(G)**(-beta) # 变参数PHAT R = np.fft.irfft(G * W) delay = np.argmax(np.abs(R)) / fs return delay # 加权迭代最小二乘融合 def iterative_weighted_ls(node_pos, angle_meas, snr_list, history_residuals): weights = np.array(snr_list) # 初始权重 prev_pos = np.zeros(3) for _ in range(5): A = []; b = [] for i in range(len(node_pos)): ni = np.array([np.sin(angle_meas[i,0])*np.cos(angle_meas[i,1]), np.sin(angle_meas[i,0])*np.sin(angle_meas[i,1]), np.cos(angle_meas[i,0])]) Ai = np.eye(3) - np.outer(ni, ni) bi = Ai @ node_pos[i] A.append(Ai * np.sqrt(weights[i])) b.append(bi * np.sqrt(weights[i])) A_mat = np.vstack(A); b_vec = np.hstack(b) pos = np.linalg.lstsq(A_mat, b_vec, rcond=None)[0] # 更新权重 residuals = [np.linalg.norm(np.cross(node_pos[i]-pos, ni)) for i in range(len(node_pos))] history_residuals = [0.8*hr + 0.2*r for hr,r in zip(history_residuals, residuals)] weights = snr_list * np.exp(-np.array(history_residuals)) prev_pos = pos return pos # 联邦卡尔曼融合（CI） def covariance_intersection(P1, x1, P2, x2, omega=0.5): P_ci = np.linalg.inv(omega * np.linalg.inv(P1) + (1-omega) * np.linalg.inv(P2)) x_ci = P_ci @ (omega * np.linalg.inv(P1) @ x1 + (1-omega) * np.linalg.inv(P2) @ x2) return x_ci, P_ci # 费舍尔信息最大化轨迹规划 def fisher_info_gain(node_pos, target_est, sigma): FIM = np.zeros((3,3)) for pos in node_pos: r = target_est - pos d = np.linalg.norm(r) H = (np.eye(3) - np.outer(r, r)/d**2) / d FIM += H.T @ H / sigma**2 return np.linalg.det(FIM) # 最大化此值