一种强噪环境下的麦克风阵列波束自适应处理方法与流程

1.本发明涉及波束自适应的技术领域，尤其涉及一种强噪环境下的麦克风阵列波束自适应处理方法。


背景技术：

2.传统的麦克风阵列波束处理方法在于区分出期望位置的语音信号和干扰位置的信号，形成一个指向目标声源方向的波束进行空间滤波，抑制干扰信号。然而传统的自适应波束处理方法极其依赖于声源和干扰源的位置估计准确度，一旦估计不够准确则会严重影响处理效果，尤其是强噪音环境下更容易导致较大的估计偏差。针对该问题，本专利提出一种强噪环境下的麦克风阵列波束自适应处理方法。


技术实现要素：

3.有鉴于此，本发明提供一种强噪环境下的麦克风阵列波束自适应处理方法，目的在于：1)通过所采集麦克风阵列信号的采样协方差矩阵进行特征分解，得到采样协方差矩阵的若干特征值和特征向量，基于特征向量的模对特征值进行对数转换，并比较相邻特征值对数转换结果的差值，其中差值越大，则表示特征向量的模以及特征值存在较大差异，而特征向量以及特征值分别表征了矩阵的变换速度以及变换方向，选取差值最大的点，将特征值以及特征向量划分为信号子空间和强噪声信号子空间，其中信号子空间包含较为有序的声源信号以及干扰信号的特征，而强噪声信号子空间包含较为无序的噪声信号特征，进而根据信号导向向量与强噪声信号子空间的正交性，求解得到不同信号的入射角度和功率，检测得到所有干扰信号源所发出的干扰信号；2)结合信号子空间对声源信号入射角度进行投影滤波处理，将来自强噪声信号子空间的导向向量成分进行去除处理，提高声源信号入射角度以及导向向量的准确性，并基于导向向量矩阵的特征分解结果，选取与声源信号导向向量相关性最高的特征向量，对滤波处理后的导向向量进行修正，从而在保证声源信号导向向量为主体的情况下，在声源信号导向向量中增加期望入射角度的导向向量信息，对声源信号导向向量进行修正，并计算得到波束自适应处理权重，进而对麦克风阵列信号进行加权处理，得到过滤噪声信号以及降低干扰信号影响的稳定波束。
4.为实现上述目的，本发明提供的一种强噪环境下的麦克风阵列波束自适应处理方法，包括以下步骤：
5.s1：采集麦克风阵列信号构造采样协方差矩阵，对采样协方差矩阵进行特征分解，
6.得到降序排列的特征值及其对应的特征向量；
7.s2：将特征值序号作为横坐标，特征值为纵坐标构造特征值曲线，并确定特征值曲线拐点；
8.s3：基于特征值曲线拐点将特征分解结果区分为信号子空间和强噪声信号子空间，并计算干扰信号入射角度和干扰信号功率，以及计算声源信号入射角度和声源信号功率；
9.s4：根据声源信号以及干扰信号的入射角度和功率重构采样协方差矩阵，得到重构后的采样协方差矩阵；
10.s5：基于声源信号入射角度以及重构后的采样协方差矩阵，计算得到波束自适应处理权重；
11.s6：根据计算得到的波束自适应处理权重对麦克风阵列信号进行自适应波束处理。
12.作为本发明的进一步改进方法：
13.可选地，所述s1步骤中采集麦克风阵列信号并构造采样协方差矩阵，包括：
14.采集麦克风阵列信号，其中所采集麦克风阵列信号的表示形式为：
15.x(t)＝[x1(t)，x2(t)，...，xm(t)，...，xm(t)]
t
[0016]
xm(t)＝[xm(t1)，xm(t2)，...，xm(tn)，...，xm(tn)]
[0017]
其中：
[0018]
x(t)表示所采集的麦克风阵列信号，其中麦克风阵列由m个麦克风组成，且m个麦克风的排列方式为线性排列，相邻麦克风之间的距离为d，t表示时序信息；
[0019]
x1(t)表示麦克风阵列中第一个麦克风接收到的信号，[t1，tn]表示麦克风阵列信号的采集时间范围，xm(tn)表示tn时刻麦克风阵列中第m个麦克风接收到的信号；在本发明实施例中，麦克风阵列中的第一个麦克风为最接近声源位置的麦克风，也为线性排列的麦克风阵列中首端的麦克风；
[0020]
t表示转置；
[0021]
所采集麦克风阵列信号中包括声源信号，若干个干扰信号源所发出的干扰信号以及强噪声信号；
[0022]
根据所采集麦克风阵列信号，构造采样协方差矩阵：
[0023][0024]
其中：
[0025]
cov表示所采集麦克风阵列信号的采样协方差矩阵。
[0026]
可选地，所述s1步骤中对采样协方差矩阵进行特征分解，包括：
[0027]
对采样协方差矩阵进行特征分解，其中特征分解流程为：
[0028]
s11：计算得到采样协方差矩阵cov的特征值，得到m个特征值，其中计算特征值的公式为：
[0029]
|λi-cov|＝0
[0030]
其中：
[0031]
i表示单位矩阵；
[0032]
λ表示特征值；
[0033]
s12：将计算得到m个特征值按照特征值由大到小进行排序，其中特征值的排列结果为：(λ1，λ2，...，λm，...，λm)，λm表示排序后的第m个特征值，m即为特征值λm的特征值序号，λ1≥λ2≥...λ
m-1
≥λm≥λ
m+1
...λ
m-1
≥λm；
[0034]
s13：计算每个特征值对应的特征向量，其中特征值λm所对应特征向量αm的计算公式为：
[0035]
(λmi-cov)αm＝0
[0036]
得到m个特征值对应的特征向量序列：(α1，α2，...，αm，...，αm)。
[0037]
可选地，所述s2步骤中将特征值序号作为横坐标，特征值为纵坐标构造特征值曲线确定特征值曲线拐点，包括：
[0038]
将特征值序号作为横坐标，特征值为纵坐标构造特征值曲线，其中特征值λm在特征值曲线中的坐标表示为(m，λm)；
[0039]
基于特征值曲线确定曲线拐点：
[0040]
s21：对特征值曲线中每个特征值进行赋值，其中特征值λm的赋值结果为：
[0041][0042]
其中：
[0043]
γm为特征值λm的赋值结果；
[0044]
s22：计算相邻特征值序号所对应特征值赋值结果的差值，其中特征值λm赋值结果与特征值λ
m-1
赋值结果的差值为γ
m-γ
m-1
，并将γ
m-γ
m-1
作为特征值序号m对应的特征值曲线曲率；
[0045]
s23：重复步骤s22，得到相邻特征值序号所对应特征值赋值结果的差值，即每个特征值序号对应的特征值曲线曲率，并选取特征值曲线曲率最大的特征值序号作为特征值曲线拐点k。
[0046]
可选地，所述s3步骤中基于特征值曲线拐点将特征分解结果区分为信号子空间和强噪声信号子空间，包括：
[0047]
基于特征值曲线拐点k将特征分解结果区分为信号子空间和强噪声信号子空间，其中信号子空间中所包含的特征值以及特征向量为：
[0048][0049]
其中：
[0050]
表示信号子空间中所包含特征值构成的矩阵，∈1表示信号子空间中所包含特征向量构成的矩阵；在本发明实施例中，λ1，α1表示声源信号对应的特征值以及特征向量，信号子空间中其余k个特征值以及特征向量为k个干扰信号源所发出信号的特征值以及特征向量；
[0051]
强噪声信号子空间中所包含的特征值以及特征向量为：
[0052][0053]
其中：
[0054]
表示强噪声信号子空间中所包含特征值构成的矩阵，∈2表示强噪声信号子空间中所包含特征向量构成的矩阵。
[0055]
可选地，所述s3步骤中计算干扰信号源所发出的干扰信号入射角度和干扰信号功率，以及计算声源信号入射角度和声源信号功率，包括：
[0056]
计算干扰信号源所发出的干扰信号入射角度和干扰信号功率，其中干扰信号源的数目为k，信号入射角度和其对应的功率计算流程为：
[0057]
s31：构建信号入射角度计算的目标函数l(g)：
[0058][0059]
其中：
[0060]
(
·
)h表示共轭转置处理；
[0061]
g表示待求参数；在本发明实施例中，g包括实部和虚部；
[0062]
s32：求解得到满足目标函数l(g)的最接近单位圆的k+1个待求参数结果，则k+1个待求参数结果表示为g1，g2，...，gk，g
k+1
，其中gk表示最接近单位圆的第k个待求参数结果，g1表示最接近单位圆的待求参数结果；
[0063]
s33：计算得到k个干扰信号入射角度以及声源信号入射角度，其中第k个干扰信号源所发出干扰信号的入射角度计算公式为：
[0064][0065]
其中：
[0066]
k∈[0，k]，θ0表示声源信号入射角度，当k不等于0，θk表示第k个干扰信号源所发出干扰信号的入射角度；
[0067]
im(
·
)表示提取虚部，re(
·
)表示提取实部；
[0068]
s34：根据强噪声信号子空间计算得到强噪声功率p
noise
：
[0069][0070]
s35：构建得到声源信号与干扰信号之间的联合矩阵p：
[0071][0072]
c＝[c(θ0)，c(θ1)，...，c(θk)，...，c(θk)]
[0073][0074]
其中：
[0075]
c表示声源信号和干扰信号的导向向量，c(θ0)表示声源信号的导向向量，c(θk)表示第k个干扰信号源所发出干扰信号的导向向量；
[0076]
∑1表示对角矩阵，对角线上的元素值依次为信号子空间中的特征值；
[0077]
θh表示对θ进行共轭转置，(
·
)h表示共轭转置处理；
[0078]
i表示单位矩阵；
[0079]
联合矩阵p中的第k行即为第k-1个干扰信号源所发出干扰信号的干扰信号功率p
k-1
，其中p0表示声源信号功率。
[0080]
可选地，所述s4步骤中根据信号入射角度和功率重构采样协方差矩阵，包括：
[0081]
根据干扰信号以及声源信号的入射角度和功率重构采样协方差矩阵，其中采样协方差矩阵的重构公式为：
[0082][0083]
其中：
[0084]
cov
′
表示重构得到的采样协方差矩阵。
[0085]
可选地，所述s5步骤中基于信号入射角度以及重构后的采样协方差矩阵计算波束自适应处理权重，包括：
[0086]
基于信号入射角度以及重构后的采样协方差矩阵计算波束自适应处理权重，其中波束自适应处理权重的计算流程为：
[0087]
s51：设置声源信号的期望入射角度范围ω，构建声源信号期望入射角度的导向向量矩阵：
[0088]
a＝||c(θ)hc(θ)||，θ∈ω
[0089]
其中：
[0090]
a表示导向向量矩阵中元素的元素值，从期望入射角度范围ω等距选取m个角度，计算得到m种元素并构成导向向量矩阵a，其中导向向量矩阵为m行m列的对角矩阵，对角线上的元素即为a；
[0091]
||
·
||表示l1范数；
[0092]
s52：对导向向量矩阵a进行特征分解，得到导向向量矩阵a的特征向量集合ω，计算得到声源信号导向向量的修正值：
[0093][0094]
其中：
[0095]
b表示特征向量集合ω中的特征向量；
[0096]
表示使得达到最大的特征向量；
[0097]
μ表示声源信号导向向量的修正值；
[0098]
s53：利用信号子空间的特征值对声源信号导向向量进行滤波处理，并基于修正值对滤波处理后的声源信号导向向量进行修正：
[0099][0100]
其中：
[0101]c′
(θ0)表示经滤波修正处理后的声源信号导向向量；
[0102]
s54：计算得到波束自适应处理权重w：
[0103][0104][0105]
其中：
[0106]
b表示重构后采样协方差矩阵中表示声源信号以及干扰信号信息的矩阵部分。
[0107]
可选地，所述s6步骤中利用波束自适应处理权重进行自适应波束处理，包括：
[0108]
利用波束自适应处理权重对麦克风阵列信号进行自适应波束处理，形成稳定波束：
[0109]
y＝wx(t)
[0110]
其中：
[0111]
y表示所形成的稳定波束。在本发明实施例中，通过预先获取短期内的麦克风阵列信号，估计得到强噪环境下的干扰信号源的干扰信号入射角度，并计算得到波束自适应处理权重，进而对麦克风阵列信号进行加权处理，得到过滤噪声信号以及降低干扰信号影响的稳定波束。
[0112]
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
[0113]
存储器，存储至少一个指令；
[0114]
通信接口，实现电子设备通信；及
[0115]
处理器，执行所述存储器中存储的指令以实现上述所述的强噪环境下的麦克风阵列波束自适应处理方法。
[0116]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的强噪环境下的麦克风阵列波束自适应处理方法。
[0117]
相对于现有技术，本发明提出一种强噪环境下的麦克风阵列波束自适应处理方法，该技术具有以下优势：
[0118]
首先，本方案提出一种信号分离流程，将特征值序号作为横坐标，特征值为纵坐标构造特征值曲线，其中特征值λm在特征值曲线中的坐标表示为(m，λm)；基于特征值曲线确定曲线拐点：对特征值曲线中每个特征值进行赋值，其中特征值λm的赋值结果为：
[0119][0120]
其中：γm为特征值λm的赋值结果；计算相邻特征值序号所对应特征值赋值结果的差值，其中特征值λm赋值结果与特征值λ
m-1
赋值结果的差值为γ
m-γ
m-1
，并将γ
m-γ
m-1
作为特征值序号m对应的特征值曲线曲率；重复上述步骤，得到相邻特征值序号所对应特征值赋值结果的差值，即每个特征值序号对应的特征值曲线曲率，并选取特征值曲线曲率最大的特征值序号作为特征值曲线拐点k。基于特征值曲线拐点k将特征分解结果区分为信号子空间和强噪声信号子空间，其中信号子空间中所包含的特征值以及特征向量为：
[0121][0122]
其中：表示信号子空间中所包含特征值构成的矩阵，∈1表示信号子空间中所包含特征向量构成的矩阵；强噪声信号子空间中所包含的特征值以及特征向量为：
[0123][0124]
其中：表示强噪声信号子空间中所包含特征值构成的矩阵，∈2表示强噪声信号子空间中所包含特征向量构成的矩阵。本方案通过所采集麦克风阵列信号的采样协方差矩阵进行特征分解，得到采样协方差矩阵的若干特征值和特征向量，基于特征向量的模对特征值进行对数转换，并比较相邻特征值对数转换结果的差值，其中差值越大，则表示特征向量的模以及特征值存在较大差异，而特征向量以及特征值分别表征了矩阵的变换速度以及变换方向，选取差值最大的点，将特征值以及特征向量划分为信号子空间和强噪声信号子空间，其中信号子空间包含较为有序的声源信号以及干扰信号的特征，而强噪声信号子空间包含较为无序的噪声信号特征，进而根据信号导向向量与强噪声信号子空间的正交性，求解得到不同信号的入射角度和功率，检测得到所有干扰信号源所发出的干扰信号。
[0125]
同时，本方案提出一种波束自适应处理方法，基于信号入射角度以及重构后的采样协方差矩阵计算波束自适应处理权重，其中波束自适应处理权重的计算流程为：设置声源信号的期望入射角度范围ω，构建声源信号期望入射角度的导向向量矩阵：
[0126]
a＝||c(θ)hc(θ)||，θ∈ω
[0127]
其中：a表示导向向量矩阵中元素的元素值，从期望入射角度范围ω等距选取m个角度，计算得到m种元素并构成导向向量矩阵a，其中导向向量矩阵为m行m列的对角矩阵，对角线上的元素即为a；||
·
||表示l1范数；对导向向量矩阵a进行特征分解，得到导向向量矩阵a的特征向量集合ω，计算得到声源信号导向向量的修正值：
[0128][0129]
其中：b表示特征向量集合ω中的特征向量；表示使得达到最大的特征向量；μ表示声源信号导向向量的修正值；利用信号子空间的特征值对声源信号导向向量进行滤波处理，并基于修正值对滤波处理后的声源信号导向向量进行修正：
[0130][0131]
其中：c
′
(θ0)表示经滤波修正处理后的声源信号导向向量；计算得到波束自适应处理权重w：
[0132][0133][0134]
其中：b表示重构后采样协方差矩阵中表示声源信号以及干扰信号信息的矩阵部分。利用波束自适应处理权重对麦克风阵列信号进行自适应波束处理，形成稳定波束：
[0135]
y＝wx(t)
[0136]
其中：y表示所形成的稳定波束。本方案结合信号子空间对声源信号入射角度进行投影滤波处理，将来自强噪声信号子空间的导向向量成分进行去除处理，提高声源信号入射角度以及导向向量的准确性，并基于导向向量矩阵的特征分解结果，选取与声源信号导向向量相关性最高的特征向量，对滤波处理后的导向向量进行修正，从而在保证声源信号导向向量为主体的情况下，在声源信号导向向量中增加期望入射角度的导向向量信息，对声源信号导向向量进行修正，并计算得到波束自适应处理权重，进而对麦克风阵列信号进行加权处理，得到过滤噪声信号以及降低干扰信号影响的稳定波束。
附图说明
[0137]
图1为本发明一实施例提供的一种强噪环境下的麦克风阵列波束自适应处理方法的流程示意图；
[0138]
图2为本发明一实施例提供的实现强噪环境下的麦克风阵列波束自适应处理方法
的电子设备的结构示意图。
[0139]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0140]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0141]
本技术实施例提供一种强噪环境下的麦克风阵列波束自适应处理方法。所述强噪环境下的麦克风阵列波束自适应处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述强噪环境下的麦克风阵列波束自适应处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
[0142]
实施例1：
[0143]
s1：采集麦克风阵列信号构造采样协方差矩阵，对采样协方差矩阵进行特征分解，得到降序排列的特征值及其对应的特征向量。
[0144]
所述s1步骤中采集麦克风阵列信号并构造采样协方差矩阵，包括：
[0145]
采集麦克风阵列信号，其中所采集麦克风阵列信号的表示形式为：
[0146]
x(t)＝[x1(t)，x2(t)，...，xm(t)，...，xm(t)]
t
[0147]
xm(t)＝[xm(t1)，xm(t2)，...，xm(tn)，...，xm(tn)]
[0148]
其中：
[0149]
x(t)表示所采集的麦克风阵列信号，其中麦克风阵列由m个麦克风组成，且m个麦克风的排列方式为线性排列，相邻麦克风之间的距离为d，t表示时序信息；
[0150]
x1(t)表示麦克风阵列中第一个麦克风接收到的信号，[t1，tn]表示麦克风阵列信号的采集时间范围，xm(tn)表示tn时刻麦克风阵列中第m个麦克风接收到的信号；在本发明实施例中，麦克风阵列中的第一个麦克风为最接近声源位置的麦克风，也为线性排列的麦克风阵列中首端的麦克风；
[0151]
t表示转置；
[0152]
所采集麦克风阵列信号中包括声源信号，若干个干扰信号源所发出的干扰信号以及强噪声信号；
[0153]
根据所采集麦克风阵列信号，构造采样协方差矩阵：
[0154][0155]
其中：
[0156]
cov表示所采集麦克风阵列信号的采样协方差矩阵。
[0157]
所述s1步骤中对采样协方差矩阵进行特征分解，包括：
[0158]
对采样协方差矩阵进行特征分解，其中特征分解流程为：
[0159]
s11：计算得到采样协方差矩阵cov的特征值，得到m个特征值，其中计算特征值的公式为：
[0160]
|λi-cov|＝0
[0161]
其中：
[0162]
i表示单位矩阵；
[0163]
λ表示特征值；
[0164]
s12：将计算得到m个特征值按照特征值由大到小进行排序，其中特征值的排列结果为：(λ1，λ2，...，λm，...，λm)，λm表示排序后的第m个特征值，m即为特征值λm的特征值序号，λ1≥λ2≥...λ
m-1
≥λm≥λ
m+1
...λ
m-1
≥λm；
[0165]
s13：计算每个特征值对应的特征向量，其中特征值λm所对应特征向量αm的计算公式为：
[0166]
(λmi-cov)αm＝0
[0167]
得到m个特征值对应的特征向量序列：(α1，α2，...，αm，...，αm)。
[0168]
s2：将特征值序号作为横坐标，特征值为纵坐标构造特征值曲线，并确定特征值曲线拐点。
[0169]
所述s2步骤中将特征值序号作为横坐标，特征值为纵坐标构造特征值曲线，确定特征值曲线拐点，包括：
[0170]
将特征值序号作为横坐标，特征值为纵坐标构造特征值曲线，其中特征值λm在特征值曲线中的坐标表示为(m，λm)；
[0171]
基于特征值曲线确定曲线拐点：
[0172]
s21：对特征值曲线中每个特征值进行赋值，其中特征值λm的赋值结果为：
[0173][0174]
其中：
[0175]
γm为特征值λm的赋值结果；
[0176]
s22：计算相邻特征值序号所对应特征值赋值结果的差值，其中特征值λm赋值结果与特征值λ
m-1
赋值结果的差值为γ
m-γ
m-1
，并将γ
m-γ
m-1
作为特征值序号m对应的特征值曲线曲率；
[0177]
s23：重复步骤s22，得到相邻特征值序号所对应特征值赋值结果的差值，即每个特征值序号对应的特征值曲线曲率，并选取特征值曲线曲率最大的特征值序号作为特征值曲线拐点k。
[0178]
s3：基于特征值曲线拐点将特征分解结果区分为信号子空间和强噪声信号子空间，并计算干扰信号入射角度和干扰信号功率，以及计算声源信号入射角度和声源信号功率。
[0179]
所述s3步骤中基于特征值曲线拐点将特征分解结果区分为信号子空间和强噪声信号子空间，包括：
[0180]
基于特征值曲线拐点k将特征分解结果区分为信号子空间和强噪声信号子空间，其中信号子空间中所包含的特征值以及特征向量为：
[0181][0182]
其中：
[0183]
表示信号子空间中所包含特征值构成的矩阵，∈1表示信号子空间中所包含特征向量构成的矩阵；在本发明实施例中，λ1，α1表示声源信号对应的特征值以及特征向量，信号子空间中其余k个特征值以及特征向量为k个干扰信号源所发出信号的特征值以及特征
向量；
[0184]
强噪声信号子空间中所包含的特征值以及特征向量为：
[0185][0186]
其中：
[0187]
表示强噪声信号子空间中所包含特征值构成的矩阵，∈2表示强噪声信号子空间中所包含特征向量构成的矩阵。
[0188]
可选地，所述s3步骤中计算干扰信号源所发出的干扰信号入射角度和干扰信号功率，以及计算声源信号入射角度和声源信号功率，包括：
[0189]
计算干扰信号源所发出的干扰信号入射角度和干扰信号功率，其中干扰信号源的数目为k，信号入射角度和其对应的功率计算流程为：
[0190]
s31：构建信号入射角度计算的目标函数l(g)：
[0191][0192]
其中：
[0193]
(
·
)h表示共轭转置处理；
[0194]
g表示待求参数；在本发明实施例中，g包括实部和虚部；
[0195]
s32：求解得到满足目标函数l(g)的最接近单位圆的k+1个待求参数结果，则k+1个待求参数结果表示为g1，g2，...，gk，g
k+1
，其中gk表示最接近单位圆的第k个待求参数结果，g1表示最接近单位圆的待求参数结果；
[0196]
s33：计算得到k个干扰信号入射角度以及声源信号入射角度，其中第k个干扰信号源所发出干扰信号的入射角度计算公式为：
[0197][0198]
其中：
[0199]
k∈[0，k]，θ0表示声源信号入射角度，当k不等于0，θk表示第k个干扰信号源所发出干扰信号的入射角度；
[0200]
im(
·
)表示提取虚部，re(
·
)表示提取实部；
[0201]
s34：根据强噪声信号子空间计算得到强噪声功率p
noise
：
[0202][0203]
s35：构建得到声源信号与干扰信号之间的联合矩阵p：
[0204][0205]
c＝[c(θ0)，c(θ1)，...，c(θk)，...，c(θk)]
[0206][0207]
其中：
[0208]
c表示声源信号和干扰信号的导向向量，c(θ0)表示声源信号的导向向量，c(θk)表示第k个干扰信号源所发出干扰信号的导向向量；
[0209]
∑1表示对角矩阵，对角线上的元素值依次为信号子空间中的特征值；
[0210]
θh表示对θ进行共轭转置，(
·
)h表示共轭转置处理；
[0211]
i表示单位矩阵；
[0212]
联合矩阵p中的第k行即为第k-1个干扰信号源所发出干扰信号的干扰信号功率p
k-1
，其中p0表示声源信号功率。
[0213]
s4：根据声源信号以及干扰信号的入射角度和功率重构采样协方差矩阵，得到重构后的采样协方差矩阵。
[0214]
所述s4步骤中根据信号入射角度和功率重构采样协方差矩阵，包括：
[0215]
根据干扰信号以及声源信号的入射角度和功率重构采样协方差矩阵，其中采样协方差矩阵的重构公式为：
[0216][0217]
其中：
[0218]
cov
′
表示重构得到的采样协方差矩阵。
[0219]
s5：基于声源信号入射角度以及重构后的采样协方差矩阵，计算得到波束自适应处理权重。
[0220]
所述s5步骤中基于信号入射角度以及重构后的采样协方差矩阵计算波束自适应处理权重，包括：
[0221]
基于信号入射角度以及重构后的采样协方差矩阵计算波束自适应处理权重，其中波束自适应处理权重的计算流程为：
[0222]
s51：设置声源信号的期望入射角度范围ω，构建声源信号期望入射角度的导向向量矩阵：
[0223]
a＝||c(θ)hc(θ)||，θ∈h
[0224]
其中：
[0225]
a表示导向向量矩阵中元素的元素值，从期望入射角度范围ω等距选取m个角度，计算得到m种元素并构成导向向量矩阵a，其中导向向量矩阵为m行m列的对角矩阵，对角线上的元素即为a；
[0226]
||
·
||表示l1范数；
[0227]
s52：对导向向量矩阵a进行特征分解，得到导向向量矩阵a的特征向量集合ω，计算得到声源信号导向向量的修正值：
[0228][0229]
其中：
[0230]
b表示特征向量集合ω中的特征向量；
[0231]
表示使得达到最大的特征向量；
[0232]
μ表示声源信号导向向量的修正值；
[0233]
s53：利用信号子空间的特征值对声源信号导向向量进行滤波处理，并基于修正值对滤波处理后的声源信号导向向量进行修正：
[0234][0235]
其中：
[0236]c′
(θ0)表示经滤波修正处理后的声源信号导向向量；
[0237]
s54：计算得到波束自适应处理权重w：
[0238][0239][0240]
其中：
[0241]
b表示重构后采样协方差矩阵中表示声源信号以及干扰信号信息的矩阵部分。
[0242]
s6：根据计算得到的波束自适应处理权重对麦克风阵列信号进行自适应波束处理。
[0243]
所述s6步骤中利用波束自适应处理权重进行自适应波束处理，包括：
[0244]
利用波束自适应处理权重对麦克风阵列信号进行自适应波束处理，形成稳定波束：
[0245]
y＝wx(t)
[0246]
其中：
[0247]
y表示所形成的稳定波束。
[0248]
实施例2：
[0249]
如图2所示，是本发明一实施例提供的实现强噪环境下的麦克风阵列波束自适应处理方法的电子设备的结构示意图。
[0250]
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
[0251]
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0252]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内
的程序或者模块(用于实现强噪环境下的麦克风阵列波束自适应处理的程序12等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
[0253]
所述通信接口13可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
[0254]
所述总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0255]
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0256]
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0257]
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
[0258]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0259]
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
[0260]
采集麦克风阵列信号构造采样协方差矩阵，对采样协方差矩阵进行特征分解，得到降序排列的特征值及其对应的特征向量；
[0261]
将特征值序号作为横坐标，特征值为纵坐标构造特征值曲线，并确定特征值曲线拐点；
[0262]
基于特征值曲线拐点将特征分解结果区分为信号子空间和强噪声信号子空间，并计算干扰信号入射角度和干扰信号功率，以及计算声源信号入射角度和声源信号功率；
[0263]
根据声源信号以及干扰信号的入射角度和功率重构采样协方差矩阵，得到重构后的采样协方差矩阵；
[0264]
基于声源信号入射角度以及重构后的采样协方差矩阵，计算得到波束自适应处理权重；
[0265]
根据计算得到的波束自适应处理权重对麦克风阵列信号进行自适应波束处理。
[0266]
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中
相关步骤的描述，在此不赘述。
[0267]
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0268]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0269]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种强噪环境下的麦克风阵列波束自适应处理方法，其特征在于，所述方法包括：s1：采集麦克风阵列信号构造采样协方差矩阵，对采样协方差矩阵进行特征分解，得到降序排列的特征值及其对应的特征向量；s2：将特征值序号作为横坐标，特征值为纵坐标构造特征值曲线，并确定特征值曲线拐点；s3：基于特征值曲线拐点将特征分解结果区分为信号子空间和强噪声信号子空间，并计算干扰信号入射角度和干扰信号功率，以及计算声源信号入射角度和声源信号功率；s4：根据声源信号以及干扰信号的入射角度和功率重构采样协方差矩阵，得到重构后的采样协方差矩阵；s5：基于声源信号入射角度以及重构后的采样协方差矩阵，计算得到波束自适应处理权重；s6：根据计算得到的波束自适应处理权重对麦克风阵列信号进行自适应波束处理。2.如权利要求1所述的一种强噪环境下的麦克风阵列波束自适应处理方法，其特征在于，所述s1步骤中采集麦克风阵列信号并构造采样协方差矩阵，包括：采集麦克风阵列信号，其中所采集麦克风阵列信号的表示形式为：x(t)＝[x1(t),x2(t),...,x
m
(t),...,x
m
(t)]
t
x
m
(t)＝[x
m
(t1),x
m
(t2),...,x
m
(t
n
),...,x
m
(t
n
)]其中：x(t)表示所采集的麦克风阵列信号，其中麦克风阵列由m个麦克风组成，且m个麦克风的排列方式为线性排列，相邻麦克风之间的距离为d，t表示时序信息；x1(t)表示麦克风阵列中第一个麦克风接收到的信号，[t1,t
n
]表示麦克风阵列信号的采集时间范围，x
m
(t
n
)表示t
n
时刻麦克风阵列中第m个麦克风接收到的信号；t表示转置；所采集麦克风阵列信号中包括声源信号，若干个干扰信号源所发出的干扰信号以及强噪声信号；根据所采集麦克风阵列信号，构造采样协方差矩阵：其中：cov表示所采集麦克风阵列信号的采样协方差矩阵。3.如权利要求2所述的一种强噪环境下的麦克风阵列波束自适应处理方法，其特征在于，所述s1步骤中对采样协方差矩阵进行特征分解，包括：对采样协方差矩阵进行特征分解，其中特征分解流程为：s11：计算得到采样协方差矩阵cov的特征值，得到m个特征值，其中计算特征值的公式为：|λi-cov|＝0其中：i表示单位矩阵；λ表示特征值；
s12：将计算得到m个特征值按照特征值由大到小进行排序，其中特征值的排列结果为：(λ1,λ2,...,λ
m
,...,λ
m
)，λ
m
表示排序后的第m个特征值，m即为特征值λ
m
的特征值序号，λ1≥λ2≥...λ
m-1
≥λ
m
≥λ
m+1
...λ
m-1
≥λ
m
；s13：计算每个特征值对应的特征向量，其中特征值λ
m
所对应特征向量α
m
的计算公式为：(λ
m
i-cov)α
m
＝0得到m个特征值对应的特征向量序列：(α1,α2,...,α
m
,...,α
m
)。4.如权利要求1所述的一种强噪环境下的麦克风阵列波束自适应处理方法，其特征在于，所述s2步骤中将特征值序号作为横坐标，特征值为纵坐标构造特征值曲线，确定特征值曲线拐点，包括：将特征值序号作为横坐标，特征值作为纵坐标构造特征值曲线，其中特征值λ
m
在特征值曲线中的坐标表示为(m,λ
m
)；基于特征值曲线确定曲线拐点：s21：对特征值曲线中每个特征值进行赋值，其中特征值λ
m
的赋值结果为：其中：γ
m
为特征值λ
m
的赋值结果；s22：计算相邻特征值序号所对应特征值赋值结果的差值，其中特征值λ
m
赋值结果与特征值λ
m-1
赋值结果的差值为γ
m-γ
m-1
，并将γ
m-γ
m-1
作为特征值序号m对应的特征值曲线曲率；s23：重复步骤s22，得到相邻特征值序号所对应特征值赋值结果的差值，即每个特征值序号对应的特征值曲线曲率，并选取特征值曲线曲率最大的特征值序号作为特征值曲线拐点k。5.如权利要求4所述的一种强噪环境下的麦克风阵列波束自适应处理方法，其特征在于，所述s3步骤中基于特征值曲线拐点将特征分解结果区分为信号子空间和强噪声信号子空间，包括：基于特征值曲线拐点k将特征分解结果区分为信号子空间和强噪声信号子空间，其中信号子空间中所包含的特征值以及特征向量为：其中：表示信号子空间中所包含特征值构成的矩阵，∈1表示信号子空间中所包含特征向量构成的矩阵；强噪声信号子空间中所包含的特征值以及特征向量为：其中：表示强噪声信号子空间中所包含特征值构成的矩阵，∈2表示强噪声信号子空间中所包含特征向量构成的矩阵。6.如权利要求1所述的一种强噪环境下的麦克风阵列波束自适应处理方法，其特征在
于，所述s3步骤中计算干扰信号源所发出的干扰信号入射角度和干扰信号功率，以及计算声源信号入射角度和声源信号功率，包括：计算干扰信号源所发出的干扰信号入射角度和干扰信号功率，其中干扰信号源的数目为k，信号入射角度和其对应的功率计算流程为：s31：构建信号入射角度计算的目标函数l(g)：其中：(
·
)
h
表示共轭转置处理；g表示待求参数；s32：求解得到满足目标函数l(g)的最接近单位圆的k+1个待求参数结果，则k+1个待求参数结果表示为g1,g2,...,g
k
,g
k+1
，其中g
k
表示最接近单位圆的第k个待求参数结果，g1表示最接近单位圆的待求参数结果；s33：计算得到k个干扰信号入射角度以及声源信号入射角度，其中第k个干扰信号源所发出干扰信号的入射角度计算公式为：其中：k∈[0,k]，θ0表示声源信号入射角度，当k不等于0，θ
k
表示第k个干扰信号源所发出干扰信号的入射角度；im(
·
)表示提取虚部，re(
·
)表示提取实部；s34：根据强噪声信号子空间计算得到强噪声功率p
noise
：s35：构建得到声源信号与干扰信号之间的联合矩阵p：c＝[c(θ0),c(θ1),...,c(θ
k
),...,c(θ
k
)]其中：c表示声源信号和干扰信号的导向向量，c(θ0)表示声源信号的导向向量，c(θ
k
)表示第k个干扰信号源所发出干扰信号的导向向量；σ1表示对角矩阵，对角线上的元素值依次为信号子空间中的特征值；θ
h
表示对θ进行共轭转置，(
·
)
h
表示共轭转置处理；i表示单位矩阵；联合矩阵p中的第k行即为第k-1个干扰信号源所发出干扰信号的干扰信号功率p
k-1
，其中p0表示声源信号功率。7.如权利要求6所述的一种强噪环境下的麦克风阵列波束自适应处理方法，其特征在于，所述s4步骤中根据信号入射角度和功率重构采样协方差矩阵，包括：
根据干扰信号以及声源信号的入射角度和功率重构采样协方差矩阵，其中采样协方差矩阵的重构公式为：其中：cov
′
表示重构得到的采样协方差矩阵。8.如权利要求7所述的一种强噪环境下的麦克风阵列波束自适应处理方法，其特征在于，所述s5步骤中基于信号入射角度以及重构后的采样协方差矩阵计算波束自适应处理权重，包括：基于信号入射角度以及重构后的采样协方差矩阵计算波束自适应处理权重，其中波束自适应处理权重的计算流程为：s51：设置声源信号的期望入射角度范围ω，构建声源信号期望入射角度的导向向量矩阵：a＝||c(θ)
h
c(θ)||,θ∈ω其中：a表示导向向量矩阵中元素的元素值，从期望入射角度范围ω等距选取m个角度，计算得到m种元素并构成导向向量矩阵a，其中导向向量矩阵为m行m列的对角矩阵，对角线上的元素即为a；||
·
||表示l1范数；s52：对导向向量矩阵a进行特征分解，得到导向向量矩阵a的特征向量集合ω，计算得到声源信号导向向量的修正值：其中：β表示特征向量集合ω中的特征向量；表示使得达到最大的特征向量；μ表示声源信号导向向量的修正值；s53：利用信号子空间的特征值对声源信号导向向量进行滤波处理，并基于修正值对滤波处理后的声源信号导向向量进行修正：其中：c
′
(θ0)表示经滤波修正处理后的声源信号导向向量；s54：计算得到波束自适应处理权重w：
其中：b表示重构后采样协方差矩阵中表示声源信号以及干扰信号信息的矩阵部分。9.如权利要求8所述的一种强噪环境下的麦克风阵列波束自适应处理方法，其特征在于，所述s6步骤中利用波束自适应处理权重进行自适应波束处理，包括：利用波束自适应处理权重对麦克风阵列信号进行自适应波束处理，形成稳定波束：y＝wx(t)其中：y表示所形成的稳定波束。

技术总结
本发明涉及自适应波束处理的技术领域，揭露了一种强噪环境下的麦克风阵列波束自适应处理方法，所述方法包括：对采样协方差矩阵进行特征分解并构造特征值曲线，确定特征值曲线拐点；将特征分解结果区分为信号子空间和强噪声信号子空间；根据声源信号以及干扰信号的入射角度和功率重构采样协方差矩阵，计算得到波束自适应处理权重；利用波束自适应处理权重进行自适应波束处理。本发明通过结合信号子空间投影对声源信号导向向量进行噪声干扰消除，结合期望入射角度的导向向量对声源信号导向向量进行修正，提高了导向向量估计的准确性，并利用波束自适应处理权重对麦克风阵列信号进行加权处理，得到过滤噪声信号以及降低干扰信号影响的稳定波束。号影响的稳定波束。号影响的稳定波束。


技术研发人员：刘建洪 朱训魏 陈洁
受保护的技术使用者：长沙东玛克信息科技有限公司
技术研发日：2023.06.16
技术公布日：2023/9/14