[发明专利]一种消费级惯性传感单元环境噪声的估计方法

摘要

本发明公开了一种消费级惯性传感单元环境噪声的估计方法，步骤1、使用消费级惯性传感单元采集传感单元的信号；步骤2、采进行源信号和加性噪声分离处理；步骤3、对采集到的加速度、角速度等信号进行频谱分析；步骤4、对谱线的频率、幅值及相位三个参数进行估计；步骤5、基于相位一致性准则对CIMU传感数据中的单源成分进行判别，采用数据密度聚类算法完成频率合成及有效成分判定，基于混合矩阵估计、空间投影等算法对BSS模型中的具体处理进行修正；步骤6、基于频率判定的结果，结合混合矩阵估计和空间投影算法，完成盲源分离，估计出噪声频谱。与现有技术相比，本发明根据噪声估计结果可以设计滤波器滤除噪声，提高数据精度。

主权项

一种消费级惯性传感单元环境噪声的估计方法，其特征在于，该方法包括以下步骤：步骤(1)、使用消费级惯性传感单元采集传感单元的信号，采集数据至少包括加速度、角速度；步骤(2)、采用基本谐波盲源分离BSS模型实现源信号S和加性噪声N的分离处理：定义源信号为sk(t),k＝1,...,K，K为源数目，经线性瞬时系统混合，得到的混合信号为xm(t),m＝1,…,M，M为混合信号的数目，混合信号xm(t)表达式如下：xm(t)=Σk=1Kαm,ksk(t)+Nm(t)]]>其中，am,k为混合系数，Nm(t)为第m个混合信号的加性噪声；将上式表示为矩阵形式，则有：x(t)＝As(t)+N(t)其中，s(t)为K×1维源信号向量，表示为s(t)＝[s1(t),s2(t),...,sk(t)]T；x(t)＝[x1(t),x2(t),...,xM(t)]T为M×1维混合信号向量；N(t)＝[N1(t),N2(t),...,NM(t)]T为M×1维加性噪声矢量，A为M×K维混合矩阵；t表示是时间；对上式做时频变换，得到混合信号的频域表达式：X(τ,ω)＝AS(τ,ω)将单源成分表示如下：其中，τ0表示某个源信号活跃的那一时刻，ω0、c0、分别表示单源成分频率、幅值、相位参数，将以上单源成分的表达式代入时频BSS模型，得到：可见，单源时频点(τ0,ω0)上的混合时频向量X(τ0,ω0)与混合矩阵A第n个列向量an平行；找到所有的单源时频点，即确定整个混合矩阵A，用于信号恢复；步骤(3)、采用短时傅立叶变换等时频分析工具对采集到的加速度、角速度信号进行频谱分析；短时傅里叶变换也叫短时谱(加窗的方式)，具体变换公式如下：Xn(ejw)=Σm=-∞∞x(m)w(n-m)e-jwm]]>Xn(ejw)中的下标n表示区别于标准的傅里叶变换，w(n‑m)是窗口函数序列，w(n‑m)中的n表示是关于n的离散函数，w表示是关于角频率w的连续函数；步骤(4)、采用比值法频谱校正技术对频率、幅值及相位三个参数进行估计，实现频谱校正；实现了在某个固定的时刻τ0上，利用混合信号谱线Xm(τ0，kΔω)，简记为Xm(τ0，k)，k＝1,2,…,L,L是STFT的窗长，m＝1,…,M提取所有谐波的三个参数：是当前时刻上的谱峰个数，也就是谐波分分量个数；步骤(5)、基于相位一致性准则对CIMU传感数据中的单源成分进行判别，采用数据密度聚类算法完成频率合成及有效成分判定，使用相位一致特性作为有效成本判断准则，在某个时刻τ0下，对于第n个源的单源频率成分ω0，其理想的时频混合向量X(τ0，ω0)，也即在时刻τ0下频率成分ω0所对应的模式向量将平行于an，与此同时，X(τ0，ω0)的每项都由实数am，n，列向量an的第m个元素，m＝1,2，…，M和同一复数乘积生成，因而理论上X(τ0，ω0)每项的相位应与Φ0相等；即对于某个模式向量当其满足：判定其为单源头成分，其中，ξ为给定的小阈值；基于混合矩阵估计、空间投影等算法对BSS模型中的具体处理进行修正：当混合矩阵中系数存在负号时，该路源信号经过混合后其相位发生大小为π的相移；假设某单源成分为了排除相移π所带来的影响，将相位一致性准则修正为：其中‘<·>’代表内积操作，对于的所有相位，定义一个相位差异指数仅当满足：|D‾p*-1|<ξ;]]>构造单源成分对应的单源模式：根据相位一致特性组建一个实值的模式向量，以第一路混合信号中的相位为参考，有：zp*=[d1,p*,z2,p*,...,zm,p*,...,zM,p*]T,]]>其中：其中，为实值模式向量的分量值，为混合信号中的谐波参数，为的相位，为第一路混合信号中的相位；进一步，将归一化，所有时刻的单源成分将组成单源模式集合P*为所有时刻的单源成分总数，对进行聚类即可得到混合矩阵估计；步骤(6)、基于频率判定的结果，结合混合矩阵估计和子空间投影算法，进行盲源信号恢复处理，完成盲源分离，估计出噪声频谱：允许源信号在时域的支撑区有重叠，但完全恢复需要满足如下条件，重叠成分只能被小于混合信号数目M的ρ个源信号共有，为提供足够多的重叠可能，不妨令ρ(ρ＝M‑1)；直接将每个时频点的所有混合信号的STFT值组成向量作为输入，求得A~=(aα1,L,aαK)]]>在每个时频点(τ0，ω0)上，找到与该点对应的ρ个源信号下标α1，…，αp,进一步从混合矩阵估计中获得M×ρ维的子矩阵然后通过下式求得各个源信号在时频点(τ0,ω0)上的STFT值：[S^α1(τ0,ω0),...,S^αρ(τ0,ω0)]T=A~{α1,...,αρ}-1X(τ0,ω0)S^n(τ0,ω0)=0,n=1,...,N,n∉{α1,...,αρ}.]]>对所有时频点运行子空间投影算法，得到N个源信号的STFT谱估计再对其进行逆STFT变换，则得到恢复信号完成盲源分离，完成盲源分离后即可确定环境噪声的模型。