分布式声源定位与跟踪算法研究

论文摘要

声源定位与跟踪在视频会议、人机交互、安全监控、狙击手定位等方面有着广泛的应用。无线传感器网络由于其节点体积小、功耗低、布置灵活等优点非常适用于声源定位与跟踪中。集中式的声源定位与跟踪算法应用于传感器网络中时,存在中心节点运算量过大,节点之问通信传输不均衡,系统可靠性差等问题。采用分布式算法可以有效解决上述问题。现有分布式声源定位与跟踪算法存在只能应用于特定网络拓扑结构,串行计算,易陷入局部最优,节点信息不能充分融合等问题。本文针对上述问题,分别对单声源定位,多声源定位和单声源跟踪三个方面进行研究,提出相应的分布式算法。基于交互方向拉格朗日方法的分布式声源定位的算法,将最大似然问题拆解到每个传感器节点进行实现,并采用桥接传感器节点和一致性算法两种节点间信息融合方式,针对最优化函数是非凸函数的问题,采用多重网格搜索算法避免陷入局部最优。相对于现有算法,算法具有可应用于任意网络拓扑,可并行计算,不易陷入局部最优等优点。基于EM算法的分布式多声源定位算法,采用EM算法将多个声源拆解成并行的多个单声源定位问题,通过单声源定位的分布式算法直接实现多声源定位的分布式算法。算法逼近于集中式的多声源定位算法,每个节点可以对每个声源并行进行定位计算,运算速度更快,并且网络不受拓扑限制。基于混合高斯模型的分布式粒子滤波器声源跟踪算法,用混合高斯模型来逼近后验概率分布,通过一致性算法实现传感器节点之间信息融合,每个节点都能获得全局的后验概率分布,并且相邻节点之间只需要传递混合高斯模型参数。与现有算法相比,算法有效地减少了节点间数据的通信量,可以应用于任意网络拓扑,每个节点可以并行进行计算,并且具有更好的跟踪性能。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.1.1 声源定位与跟踪的应用
• 1.1.2 无线传感器网络简介
• 1.2 研究现状
• 1.3 本文主要工作及创新点
• 1.4 本文组织结构
• 第2章 单声源定位算法
• 2.1 声源的能量衰减模型
• 2.2 最大似然声源定位
• 2.3 基于交互方向拉格朗日方法的分布式声源定位算法
• 2.3.1 交互方向拉格朗日方法
• 2.3.2 分布式一致性算法
• 2.3.3 基于桥接传感器的分布式声源定位算法
• 2.3.4 基于一致性算法的分布式声源定位算法
• 2.3.5 多重网格搜索算法
• 2.4 算法仿真
• 2.5 本章小结
• 第3章 多声源定位算法
• 3.1 多声源能量衰减模型
• 3.2 分布式多声源定位算法
• 3.2.1 EM算法
• 3.2.2 分布式多声源定位算法
• 3.3 算法仿真
• 3.4 本章小结
• 第4章 单声源跟踪算法
• 4.1 集中式粒子滤波器声源跟踪算法
• 4.2 分布式粒子滤波器声源跟踪算法
• 4.2.1 混合高斯模型分布式EM算法
• 4.2.2 基于高斯混合模型的分布式粒子滤波器声源跟踪算法
• 4.3 算法仿真
• 4.4 本章小结
• 第5章 总结与展望
• 参考文献
• 攻读学位期间发表或录用的学术论文
• 后记