本發明涉及聲源跟蹤，具體涉及一種基于節點選擇的聲矢量傳感器網絡聲源跟蹤方法。

背景技術：

1、聲源跟蹤技術是聲信號處理的重要分支之一，通過接收聲信號以估計聲源的軌跡信息，在人機交互、視頻會議、軍事等領域具有廣泛應用。隨著傳感器、智能語音技術的快速發展，傳統聲傳感器網絡被廣泛應用于聲源跟蹤任務。傳統聲傳感器網絡由多個傳感器節點組成，具有靈活性強、空間覆蓋率高等優勢。

2、聲矢量傳感器(avs)因其能獲取更多聲場信息并適應復雜場景，逐漸成為聲傳感器研究熱點。av由1個全向聲壓傳感器及正交的質點振速傳感器構成，單個avs即可實現實現聲源到達方向(doa)的估計，這是單個傳統聲傳感器所不具備的特性。相較于基于傳統聲傳感器的網絡，基于avs的網絡可以捕獲更多的聲場信息，能夠實現更高的定位精度。然而，在網絡中節點個數較多時，往往會導致網絡的通信壓力和能耗增大等問題。

3、針對以上問題，節點選擇技術被引入，通過選擇部分傳感器節點用于任務處理，既能保持較高的定位精度，又能有效降低網絡的能耗和通信負擔。現有節點選擇技術通常以最小化克拉美-拉奧下界(crlb)為優化目標，將節點選擇問題轉化為了以布爾向量為優化變量的整數規劃問題。在文獻[1]中，作者提出了一種基于到達時間差(tdoa)的節點選擇方法，通過使用半正定松弛完成了節點選擇的任務。然而，上述方法僅針對傳統傳感器網絡方法采用傳統聲傳感器網絡，利用的僅為tdoa單一信息，未能充分發揮聲場其他信息的潛力。如果將節點選擇技術應用于avs網絡，不僅可以利用tdoa信息，還能結合doa信息，從而實現更高精度的聲源跟蹤。然而，如何在avs網絡中通過節點選擇技術平衡跟蹤性能與系統成本，仍是亟待解決的重要問題。

4、[1]?dai?z,?wang?g,?jin?x,?et?al.?nearly?optimal?sensor?selection?fortdoa-based?source?localization?in?wireless?sensor?networks[j].?ieeetransactions?on?vehicular?technology,?2020,?69(10):?12031-12042.

5、基于此，本發明設計了一種基于節點選擇的聲矢量傳感器網絡聲源跟蹤方法以解決上述問題。

技術實現思路

1、針對現有技術所存在的上述缺點，本發明提供了一種基于節點選擇的聲矢量傳感器網絡聲源跟蹤方法。

2、為實現以上目的，本發明通過以下技術方案予以實現：

3、一種基于節點選擇的聲矢量傳感器網絡聲源跟蹤方法，具體步驟如下：

4、步驟一：在二維平面中設置 n個avs節點和1個聲源，形成節點網絡；

5、步驟二：從節點網絡中選擇 k個avs節點，融合 n個avs節點內的doa和tdoa確定選擇向量 w；

6、步驟三：ekf模型對選擇的avs節點持續更新選擇向量 w，得到觀察向量，使用觀察向量作為ekf的輸入，并通過更新ekf模型中的參數確定系統狀態 p k，通過系統狀態 p k確定聲源位置。

7、更進一步的，節點網絡中第i個avs坐標為 s i=[ x i y i]， i= 1, 2, …, n，預估聲源的坐標為 u=[ x?y]。

8、更進一步的，步驟二的具體步驟如下：

9、步驟二的具體步驟如下：

10、步驟21：在節點網絡中選擇 k個avs節點，選擇向量設置為 w。

11、(1)

12、選擇向量 w中， w i∈{0,1}表示第i個節點的選擇狀態， w i=0表示第i個節點未被選中， w i=1表示第i個節點被選中；

13、tdoa信息中設置一個參考節點，以被選擇的第1個節點作為參考節點，將選擇向量 w中的第1個非零元素設置為-1，構造新的選擇向量；

14、對于新的選擇向量，其含義如下：

15、

16、表示第i個節點的選擇狀態，表示第i個節點未被選中，而第i個節點被選中時，表示其為參考節點，否則；

17、步驟22：根據的構建tdoa的 n×(k-1)維的選擇矩陣，根據選擇向量 w構建doa的 n×(k-1)維的選擇矩陣，通過和確定完整選擇矩陣；

18、步驟23： n個avs節點確定雅可比矩陣 h，根據和 h確定；

19、步驟24：對進行約束；

20、步驟25：對約束后的結果進行轉化；

21、步驟26：對轉化的結構進行，引入輔助變量和約束，并使用cvx工具箱求解得到選擇向量 w。

22、更進一步的，完整選擇矩陣計算如下：

23、首先，使用新的選擇向量構建，具體步驟為：對于矩陣diag()，將其參考節點對應的行的所有元素設置為-1，然后刪除參考節點和未選中的節點對應的所有列，diag{·}表示以指定元素構建對角矩陣；

24、與選擇向量 w滿足以下關系：

25、（3）

26、（4）

27、 其中，i k-1表示 (k-1)×(k-1)的單位矩陣 ，1 k-1表示 (k-1)×1的全1向量；

28、

29、。

30、更進一步的， h矩陣由 h doa和 h tdoa組成，在 tdoa中，聲速 c為常數，雅可比矩陣h計算如下：

31、（7）

32、（8）

33、（9）

34、（10）

35、其中，距離測量噪聲為。

36、更進一步的，具體計算如下：

37、（11）；

38、（12）

39、（13）

40、（14）

41、（15）

42、doa測量噪聲為，和為和的方差。

43、更進一步的，進行約束具體計算如下：

44、；

45、其中，tr(·)表示取矩陣的跡。

46、更進一步的，轉化具體操作：先引入一個正定矩陣 q0，使得 q= q0+ αi n，其中 α是正數標量，將 q= q0+ αi n代入公式(16)中的目標函數有：

47、

48、通過公式(17)和公式(18再將公式(16)可轉化為：

49、（19）

50、 c= h t q0 -1 h， b= q0 -1 h；對公式(20)使用矩陣求逆引理可得：

51、（20）

52、 c -1是常數，將公式（20）轉化為：

53、（21）。

54、更進一步的，步驟26具體操作：先引入一個2×2的矩陣，滿足以下條件：

55、（22）

56、再根據舒爾補，將公式（22）改為如下矩陣不等式：

57、（23）

58、接著引入另一個輔助變量 w=ww t，此時：

59、（24）

60、再將(24)轉化為：

61、；

62、其中，diag(·)為對角線元素提取符號。

63、更進一步的，首先，通過對非線性狀態轉換函數和非線性觀測函數線性化處理，對系統狀態 p k和協方差進行預測；再通過卡爾曼增益 k k進行更新，使用更新后的卡爾曼增益 k k和觀測信息對系統狀態 p k和協方差更新，更新后進入下一個時間步的處理，通過不斷的參數迭代，對系統狀態 p k的估計和更新，最后通過系統狀態 p k確定聲源位置。

64、有益效果

65、本發明結合單個avs可估計doa的特性與節點選擇技術，以實現系統成本與跟蹤精度的平衡，以實現更高效、更精準的聲源跟蹤，同時降低能耗并優化網絡性能。