稳健的多声源波达方向估计技术研究(2)
针对M欠定的情况下，我们研究探讨一个新的DOA估计方法，假设信源稀疏。如果信号被假定为在频域上是足够稀疏，我们可以假设只有一个来源的情况在一个时频点上占主导。因此，我们首先规范所有的观测数据和聚类标准化的观测向量，我们可以通过收集观测来源之一的样本用我们的方法估计信息。
对于对应一个单独源的每个簇，我们可以通过聚类中心和给定麦克风位置表示出DOAs的公式。在本文中，我们证明了我们可以估计DOA更多的资源比麦克风具有相同的归一化和聚类方法。
本文研究的方法相较于MUISC算法，有很多优点。不仅仅是在M>N的情况下的适用性相较传统算法具有优越性，而且在精度上也MUSIC算法高很多，当源之间排列紧密，MUSIC算法无法估计它们的方向，但本文的方法依旧能成功分辨。这对于要求高精度DOA估计的领域具有非常重要的意义[2]。
1.2 发展现状
1.3 文章内容及结构
在此论文中，主要是根据外文文献中提出的方法的基础上进行研究。在前期工作中，主要是通过文献的查阅，阅读文献之后进行整理。之后，就开始数据的采集与处理的任务，在数据采集过程中，我们主要是先通过写出实验方案，就其合理性以及可实现性进行反复修改，最后得到最佳实验方案之后进行录制数据。接着，就是后期利用SplitWnd14Jan11软件和Cool Edit Pro 2.1软件以及matlab软件对数据进行处理。最后，利用采集的数据对本文研究的算法在噪声、源数目和混响方面的处理能力进行验证与分析。
本文结构如下：首先第二章第一节介绍了信号模型的分析，对短时傅立叶有个清晰的认识，便于后续算法编写，然后第二节介绍噪声基底跟踪的原理，并建立噪声基底函数，第三节概述了起始点检测的原理和作用，随后第四节阐明了相关性检测的方法，找到相应最相关时频点后求协方差矩阵，最后对协方差矩阵进行特征值分解，取其中的最大特征向量，利用文献中介绍的公式求出DOA并对其进行聚类。第三章详细描述了对于算法要求的实验数据的采集和加工。第四章是对编好的算法进行仿真测试看是否能得出想要的结果。最后在结尾进行结论的总结。