论文部分内容阅读
随着微机电系统(MEMS)技术、微芯片技术、无线通信技术和数字电子技术的发展，出现了一种由大量的具有一定计算能力和通信能力的无线接入传感器节点所组成的传感器网络，可以协同感知与处理特定区域内发生的事件。传感器网络在工业监控、环境监测等许多领域具有广阔的重要应用和发展价值。
特定环境中的声源识别作为传感器网络的一个重要组成部分，是传感器网络在现实世界的一个直接应用，而多源识别又是研究重点。本文以分布式传感器网络中的地面车辆声源识别为背景展开研究，重点研究了多传感器多声源的分离、地面声源的特征提取和分类问题，论文主要工作和创新点如下：
(1)提出了基于熵最大化原理的改进多声源EME(EnhancedMaximumEntropy)盲分离算法。针对地面车辆声信号概率密度函数的分布，选取参数可调节的广义指数函数作为非线性函数的倒数，更好地与源信号相匹配，仿真表明与原来的熵最大化算法相比，基于广义指数函数的改进EME算法使地面车辆信号分离的性能得到明显的提高。
(2)研究了真实环境下地面车辆卷积混合的多声源分离问题。通过把基于信息论的熵最大化算法推广到频率域，使得时域的卷积混合问题转变为频率域的瞬时混合问题，进而可以在每个频率段分别进行独立分量分析，分离效果有明显改进，算法收敛性也得到提高。为了克服在频域中实现盲分离所固有的位序不确定性和比例缩放问题而严重影响分离性能，采用聚类的方法对每个频率段的分离结果进行排序，取得了很好的效果。
(3)针对分布式传感器网络的声源识别问题，将小波包分析等时频分析技术应用于车辆声信号特征的提取及分析中。利用小波包对频域能够更加精细划分的特性，从中提取出声信号的特征向量。实验结果表明：这些特征提取技术从频率和能量的角度考虑问题，能够很好地体现不同地面声源之间的差异，提取的特征量较为稳健，分类结果准确率较高，能很好的完成传感器网络中地面车辆的分类。