基于改进稀疏线性预测的时延估计算法

由天下分享时间：2024/11/30 20:27:12 加入收藏我要投稿点赞

I |cM KJ：\\2O19-1O_29\\【天才】\\传感器与微系统 11 \\2019-11 \\2Q^41 \\G 91649.PS 20191029 11 ：44：56 Time： 20194029 12：25：48传感器与微系统(Transducer and Microsystem Technologies)1542019年第38卷第11期DOI： 10.13873/J. 1000-9787 (2019) 11-0154-03基于改进稀疏线性预测的时延估计算法贺良，郭海燕，何宏森，王学渊(西南科技大学信息工程学院，四川绵阳621010)摘要：针对噪声与混响环境下，基于稀疏线性预测的时延估计算法性能下降的问题，提出一种改进的线

性预测模型。为了获得麦克风信号的有效预滤波，将语音幅度谱的稀疏性和线性预测向量的稀疏性同时

引入最小二乘准则，以此构建凸约束线性预测模型;运用Split-Bregman迭代方法对模型进行求解;使用预

测误差信号建立基于改进L2/L1范数稀疏线性预测预白化的时延估计器。实验结果表明:与GCC-PHAT 和12/L1范数稀疏线性预测算法相比，所提算法具有更好的吋延估计性能。关键词：时延估计；线性预测；预白化；L2/L1范数；Split-Bregman迭代中图分类号：TN912 文献标识码：A 文章编号：1000-9787(2019)11-0154-03Time delay estimation algorithm based on improved

sparse linear predictionHE Liang, GUO Haiyan, HE Hongsen, WANG Xueyuan(School of Information Engineering,Southwest University of Science and Technology,Mianyang 621010,China)Abstract: Aiming at the problem that the performance of lime delay estimation algorithm based on sparse linear

prediction is degraded under the environment with noise and reverberation, an improved linear prediction model is proposed. Tn order to obtain the effective pre-filtering of the microphone signal, the sparseness of the speech

amplitude spectrum and the sparsity of the linear prediction vector are simultaneously introduced into the least squares criterion to construct the convex constrained linear prediction model? Then the split-Bregman iterative

method is used to solve the model? Finally, the signal of prediction error is used to establish a time delay estimator

which is based on the improved -norm sparse linear prediction. The experimental results show that compared

with the algorithms of GCC-PHAT and L2/Lj -norm sparse linear prediction, the proposed algorithm has better performance of time delay estimation?Keywords: time delay estimation ； linear prediction ； pre?whitening ； I^/Li-nonn； Splil-Bregman iteration0引言阵列麦克风信号的时延估计(TDE)是许多声源定位算

用于TDE算法⑶。传统线性预测器的配置,采用长期预测

器和短期预测器级联的方式来实现，得到的预测系数向量

非常稀疏⑷。然而，当语音信号被噪声污染时，这种稀疏性降低甚至不存在,因而导致线性预测器的性能降低。针

法的第一步，也是语音增强的第一步,在室内声学环境声源

定位和讲话者跟踪识别中起着重要作用。广义互相关

(GCC)皿是迄今为止应用最为广泛的TDE技术，该方法依

对这一问题，一种可行的方案是，将线性预测器系数向量的

赖于信号的频谱特性，通过最大化互相关函数得到的时延

稀疏性用于构造I2/L1范数优化模型，进而预白化用于时

间延迟估计的麦克风信号;结果表明,I2/L1-LP预白化的 TDE算法对于噪声和混响的免疫性得到有效提高⑸。值作为时延估计值。然而,当混响或噪声很强时，可以发现

GCC的TDE性能显著恶化。由于接收信号的频谱特性是

通过房间中的多径传播来修改的，因此，可以通过强调与频