互相关延时估计加权函数性能分析
互相关延时估计加权函数性能分析
广义互相关函数法是通过首先求出俩信号之间的互功率谱,然后在频域内给予一定的加权,以此对信号和噪音进行白化处理,从而增强信号中信噪比较高的频率成分,抑制噪声的影响,最后再反变换到时域,得到两信号之间的互相关函数,即:
(1)
其中是广义互相关加权函数。广义互相关加权函数的选择主要基于俩个方面:噪声和反射情况。根据不同的情况选择加权函数,其目的就是使具有比较尖锐的峰值。峰值处就是俩个传感器之间的时延。
由于来自同一声源的信号存在一定的相关性,通过计算不同麦克风所接受到的信号之间的相关函数,就可以估计出TDOA值。然而在实际环境中,由于噪声和混响的影响,相关函数的最大峰会被弱化,有时还会出现多个峰值,这些都造成了实际峰值的检测困难。此时就通过加权的方法来锐化峰值,通常我们通过时间、精度来确定算法的合理性。
- 广义互相关函数模拟
clear all; clc; close all;
N=1024; %长度
Fs=500; %采样频率
n=0:N-1;
t=n/Fs; %时间序列
a1=5; %信号幅度
a2=5;
d=2; %延迟点数
x1=a1*cos(2*pi*10*n/Fs); %信号1
x1=x1+randn(size(x1)); %加噪声
x2=a2*cos(2*pi*10*(n+d)/Fs); %信号2
x2=x2+randn(size(x2));
subplot(211);
plot(t,x1,'r');
axis([-0.2 1.5 -6 6]);
hold on;
plot(t,x2,':');
axis([-0.2 1.5 -6 6]);
legend('x1信号', 'x2信号');
xlabel('时间/s');ylabel('x1(t) x2(t)');
title('原始信号');grid on;
hold off
%互相关函数
X1=fft(x1,2*N-1);
X2=fft(x2,2*N-1);
Sxy=X1.*conj(X2);
Cxy=fftshift(ifft(Sxy));
%Cxy=fftshift(real(ifft(Sxy)));
subplot(212);
t1=(0:2*N-2)/Fs; %注意
plot(t1,Cxy,'b');
title('互相关函数');xlabel('时间/s');ylabel('Rx1x2(t)');grid on
[max,location]=max(Cxy);%求出最大值max,及最大值所在的位置(第几行)location;
%d=location-N/2-1 %算出延迟了几个点
d=location-N
Delay=d/Fs %求得时间延迟
可以看出,通过互相关函数的求解d=2,delay=0.0040,这和我们给出的信号的时延d/Fs=0.0040是一致的。这表明互相关函数可以给出信号的时延估计。
- PHAT-GCC模拟
clear all; clc; close all;
N=1024; %长度
Fs=500; %采样频率
n=0:N-1;
t=n/Fs; %时间序列
a1=5; %信号幅度
a2=5;
d=9; %延迟点数
x1=a1*cos(2*pi*10*n/Fs); %信号1
x1=x1+randn(size(x1)); %加噪声
%x1=x1.*hamming(max(size(x1)))';%加窗
x2=a2*cos(2*pi*10*(n+d)/Fs); %信号2
x2=x2+randn(size(x2));
%x2=x2.*hamming(max(size(x2)))';%加窗
subplot(211);
plot(t,x1,'r');
axis([-0.2 2 -6 6]);
hold on;
plot(t,x2,':');
axis([-0.2 2 -6 6]);
legend('x1信号', 'x2信号');
xlabel('时间/s');ylabel('x1(t) x2(t)');
title('原始信号');grid on;
hold off
%互相关函数
X1=fft(x1,2*N-1);
X2=fft(x2,2*N-1);
Sxy=X1.*conj(X2);
%Cxy=fftshift(ifft(Sxy));
Cxy=fftshift(ifft(Sxy./abs(Sxy)));
subplot(212);
t1=(-N+1:N-1)/Fs;
plot(t1,Cxy,'b');
title('Rx1x2');xlabel('t/s');ylabel('Rx1x2(t)');grid on
[max,location]=max(Cxy);
%d=location-N/2-1
d=location-N
Delay=d/Fs %求得时间延迟
我们可以看见结果是d=1,delay=0.0020,而实例中给出的时延为d/fs=0.016,这并不表示PHAT-GCC算法是错误的,只是因为,我们在信号中加入了均值为0,方差为1的高斯白噪音,所以才会导致了误差的存在。
- ROTH-GCC模拟
clear;
N=1024;%信号长度
fs=500;%采样频率
n=0:N-1;
t=n/fs;%时间序列
a1=5;%信号幅度
a2=5;%信号幅度
d=2;%延迟点数
x1=a1*sin(2*pi*10*n/fs);
x2=a2*sin(2*pi*10*(n+d)/fs);
%x2=awgn(x1./4,-3); %噪声强度大于信号
%x2=x2 .* hamming(N);
x1=x1+randn(size(x1)); %加入噪声
x2=x2+randn(size(x2));
S1=fft(x1,2*N-1);
S2=fft(x2,2*N-1);
S12 = S1.* conj(S2);
S11 = S1.* conj(S1);
R1 =real(fftshift(ifft(S12./abs(S11))));
ts=(-N+1:N-1)/fs;
plot(ts,R1);
xlabel('时间/s');ylabel('R1(t)');
title('互相关函数');
[max,location]=max(R1);
%d=location-N/2-1
d=location-N
Delay=d/fs
- SCOT-GCC模拟
clear;
N=1024;%信号长度
fs=1000;%采样频率
n=0:N-1;
t=n/fs;%时间序列
ts = 1/fs * (-N + (1 : 2*N - 1)); %互相关时间序列
a1=5;%信号幅度
a2=5;%信号幅度
d=26;%延迟点数
x1=a1*sin(2*pi*10*t)+1.9*sin(2*pi*18*t)+2.8*sin(2*pi*55*t);
x2=a2*sin(2*pi*10*(n+d)/fs)+1.9*sin(2*pi*18*(n+d)/fs)+2.8*sin(2*pi*55*(n+d)/fs);
%x2=awgn(x1./4,-3); %噪声强度大于信号
%x2=x2 .* hamming(N);
x=awgn(x1,20); %加入噪声
y=awgn(x2,0.001);
S1=fft(x,2*N-1);
S2=fft(y,2*N-1);
X = S1.* conj(S2);
X11 = S1.* conj(S1);
X22 = S2.* conj(S2);
Y=sqrt(X11.*X22);
R1 =real(fftshift(ifft(X./Y)));
plot(ts,R1);
xlabel('时间/s');ylabel('R1(t)');
title('ifft计算结果')
[max,location]=max(R1);
%d=location-N/2-1
d=location-N
Delay=d/fs
- 相同信噪比不同算法的比较
clear all; clc; close all;
N=1024; %长度
Fs=500; %采样频率
n=0:N-1;
t=n/Fs; %时间序列
a1=30; %信号幅度
a2=30;
d=9; %延迟点数
x1=a1*cos(2*pi*10*n/Fs); %信号1
x1=awgn(x1,20); %加噪声
%x1=x1.*hamming(max(size(x1)))';%加窗
x2=a2*cos(2*pi*10*(n+d)/Fs); %信号2
x2=awgn(x2,20);
%x2=x2.*hamming(max(size(x2)))';%加窗
subplot(511);
plot(t,x1,'r');
axis([-0.2 2 -40 40]);
hold on;
plot(t,x2,':');
axis([-0.2 2 -40 40]);
legend('x1信号', 'x2信号');
xlabel('时间/s');ylabel('x1(t) x2(t)');
title('原始信号');grid on;
%互相关函数
tic
X1=fft(x1,2*N-1);
X2=fft(x2,2*N-1);
Sxy=X1.*conj(X2);
%Cxy=fftshift(ifft(Sxy));
%GCC
Cxy=fftshift(ifft(Sxy));
subplot(512);
t1=(-N+1:N-1)/Fs;
plot(t1,Cxy,'b');
title('GCC');xlabel('t/s');ylabel('Cxy');grid on;
[max1,location1]=max(Cxy);
%d=location-N/2-1
d1=location1-N
Delay1=d1/Fs %求得时间延迟
toc
%phat-gcc
tic
X1=fft(x1,2*N-1);
X2=fft(x2,2*N-1);
Sxy=X1.*conj(X2);
Pxy=fftshift(ifft(Sxy./abs(Sxy)));
subplot(513);
t1=(-N+1:N-1)/Fs;
plot(t1,Pxy,'b');
title('phat-gcc');xlabel('t/s');ylabel('Pxy');grid on;
[max2,location2]=max(Pxy);
%d=location-N/2-1
d2=location2-N
Delay2=d2/Fs %求得时间延迟
toc
%rhat-gcc
tic
X1=fft(x1,2*N-1);
X2=fft(x2,2*N-1);
Sxy=X1.*conj(X2);
S11 = X1.* conj(X1);
Rxy=fftshift(ifft(Sxy./abs(S11)));
subplot(514);
t1=(-N+1:N-1)/Fs;
plot(t1,Rxy,'b');
title('phat-gcc');xlabel('t/s');ylabel('Rxy');grid on;
[max3,location3]=max(Rxy);
%d=location-N/2-1
d3=location3-N
Delay3=d3/Fs %求得时间延迟
toc
%scot-gcc
tic
X1=fft(x1,2*N-1);
X2=fft(x2,2*N-1);
Sxy=X1.*conj(X2);
S11 = X1.* conj(X1);
S22 = X2.* conj(X2);
Y=sqrt(S11.*S22);
SCxy=fftshift(ifft(Sxy./Y));
subplot(515);
t1=(-N+1:N-1)/Fs;
plot(t1,SCxy,'b');
title('scot-gcc');xlabel('t/s');ylabel('SCxy');grid on;
[max4,location4]=max(SCxy);
%d=location-N/2-1
d4=location4-N
Delay4=d4/Fs %求得时间延迟
toc
- SNR=0时
- SNR=10时:
- SNR=20时
- SNR=50时
从运行结果上来看,在时间上,基本互相关、PHAT加权、ROTH加权和SCOT加权四种算法的运行时间基本相同;但是从峰度的锐化来说,这四种方式的时延估计的准确性随着信噪比的降低而恶化,互相关函数峰值的尖锐程度随信噪比的降低而降低。对于SCOT加权来说,随着信噪比的降低,性能急剧下降。基本互相关函数和RHOT加权虽然有一定的抗噪能力,但随着信噪比的降低,其波动程度明显加强,特别是对外围的噪声、反射和有限观测数据很敏感,会造成峰值不明显;对于PHAT加权,在较高的信噪比的时候,表现出了波动小、峰值尖锐的特性,在降低信噪比时,也表现出了较强的抗干扰性。
互相关延时估计加权函数性能分析相关推荐
- 互相关延时估计 Matlab仿真
文章目录 互相关延时估计 什么是互相关延时估计? 原理 代码实现 总结 互相关延时估计 互相关延时估计是一种信号处理技术,用于计算两个信号之间的时间延迟.在本篇博客中,我们将使用MATLAB来实现互相 ...
- 性能之巅:常用性能分析方法
目录 为了便于总结,这些方法已经被归类成了不同的类型 1.街灯讹方法 2.随机变动讹方法 3.责怪他人讹方法 4.AdHoc核对清单法 5.问题陈述法 6.科学法 7.诊断循环 8.工具法 9.USE ...
- 磁盘性能分析Disk
Windows性能计数器--磁盘性能分析Disk Physical Disk: 单次IO大小 Avg.Disk Bytes/Read Avg.Disk Bytes/Write IO响应时间 Avg.D ...
- 12306铁道部订票网站性能分析
转载]12306铁道部订票网站性能分析 写的不错,推荐给大家. 12306.cn 网站挂了,被全国人民骂了,以这个事来粗略地讨论一下网站性能的问题.这是一篇长文,只讨论性能问题,不讨论那些UI,用户体 ...
- Windows性能计数器--磁盘性能分析Disk
Windows性能计数器–磁盘性能分析Disk Physical Disk: 单次IO大小 Avg.Disk Bytes/Read Avg.Disk Bytes/Write IO响应时间 Avg.Di ...
- Tesla T4视频编码性能分析
Tesla T4视频编码性能分析 从开普勒开始的所有 NVIDIA GPUs 都支持完全加速的硬件视频编码: GPUs 支持完全加速的硬件视频解码.最近发布的图灵硬件提供了张量核心和更好的机器学习性能 ...
- 独家揭秘!阿里大规模数据中心的性能分析
阿里妹导读:数据中心已成为支撑大规模互联网服务的标准基础设施.随着数据中心的规模越来越大,数据中心里每一次软件(如 JVM)或硬件(如 CPU)的升级改造都会带来高昂的成本.合理的性能分析有助于数据中 ...
- docker-registry的定制和性能分析
docker-index • Web UI • Meta-data 元数据存储(附注.星级.公共库清单) • 访问认证 • token管理 docker-registry • 存储镜像.以及镜像层的家 ...
- NS2仿真:公交车移动周期模型及性能分析
NS2仿真实验报告3 实验名称:公交车移动周期模型及性能分析 实验日期:2015年3月16日~2015年3月21日 实验报告日期:2015年3月22日 一.实验环境(网络平台,操作系统,网络拓扑图) ...
最新文章
- 机器学习——图解SVM中gamma和c参数的作用
- android设计一个多线程和画图的程序小球,Android开发之多线程中实现利用自定义控件绘制小球并完成小球自动下落功能实例...
- 绝对不能错过!计算机视觉Polygon Mesh Processing读书笔记——4微分几何中的曲线
- Spring ScheduledTimerTask 定时任务执行
- 90%测试猿都想学的Jmeter技能,你get吗?
- 【CCCC】L2-025 分而治之 (25分),图的度数,使节点独立的方案
- Window winload.efi 文件丢失解决方法
- Windows下安装JDK,配置环境变量
- 詹姆斯等十位大佬的作息时间表曝光
- layuiAdmin自定义模块
- 《图解TCP/IP》——第一章 网络基础知识
- 自己总结的linux命令
- PMP考试的5A好考吗?
- 我是如何用问卷调查小程序来赚钱的
- html a字体字号,A标签字体大小css布局实例教程
- ecg 幅度_ECG信号
- [转帖]陈省身、杨振宁、李政道、李远哲在清华(新竹)论学
- Java项目:SSH自来水公司水费缴费管理系统
- 金砖国家智慧城市建设案例
- 简单学习看机器码的方法