具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于小波去噪和MUSIC算法的波达方向定位方法，适用于野外环境中车辆发出的声音信号，请参阅图1，包括：

步骤(1)：确定麦克风的阵元数量及摆放位置(详见图4)，根据所述阵元数量及摆放位置确定阵列的导向矩阵，通过所述阵列接收信源信号；

本实施方式的阵列采用一个均匀四圆阵的微孔径麦克风阵列采集环境中的声响信号。

所述步骤(1)中的信源信号为窄带信号，所接收的窄带信号的频域信号公式可表示为：

X(t)＝a(θ)s(t)+N(t)

其中，a(θ)为阵列的导向矩阵，s(t)为信源信号，N(t)为噪声信号。

步骤(2)：通过小波去噪法对接收到的信源信号进行降噪。

所述步骤(2)具体包括：

步骤(21)：对接收到的信源信号进行小波分解，本实施方式采用Sym8小波，进行5层的小波变换分解信号。小波分解高频系数的阈值量化。对第1层到第5层的每一层高频系数，选择一个阈值进行阈值量化处理。

所述步骤(21)中对接收到的信源信号进行小波分解，公式为：

其中，为小波函数，为小波变换的基函数，为对ψ()进行复共轭变换，a为用于控制小波函数伸缩的尺度，b为平移量，x(t)为接收到的信源信号。

步骤(22)：通过预设阈值函数来滤除小波分解后的信源信号的噪声；

软阈值定义为：soft(u,c)＝sign(u)max{|u|-c,0}，sign()为符号函数；

硬阈值定义为：

请参阅图2，硬阈值方法可以很好地保留信号边缘等局部特征，软阈值处理相对要平滑，但会造成边缘模糊等失真现象。

基于此，本实施方式对阈值函数进行改进，即将软阈值和硬阈值结合，得到所述预设阈值函数，公式为：

new(u,c)＝α·soft(u,c)+β·hard(u,c)

其中，α为软阈值对应权重且取值为0.5，β为硬阈值对应权重且取值为0.5，c为对应的噪声阈值，并且噪声阈值c采用全局阈值，目的是易于调整，即c＝σ；u为小波分解后的信源信号。

改进后的阈值函数(即预设阈值函数)，既保留了信号边缘等局部特征，又避免了边缘模糊，在保留信号有效特征的同时，滤除了噪声。

步骤(23)：通过小波逆变换对滤除噪声后的信源信号进行信号恢复。

所述步骤(23)中的小波逆变换公式为：

其中，f(t)为恢复后的信源信号，ψ_a,b(t)为小波基函数，a为用于控制小波函数伸缩的尺度，b为平移量。

步骤(3)：通过MUSIC算法对降噪后的信源信号进行方位角估计。

所述步骤(3)具体包括：

步骤(31)：对降噪后的信源信号进行傅里叶变换，得到频域信号；

步骤(32)：通过所述频域信号的协方差矩阵公式为：

其中，L为信号长度，X为频域信号，H为为矩阵的复共轭变换。

步骤(33)：利用奇异值分解法对频域信号的协方差矩阵进行特征分解，得到特征值。

步骤(34)：根据所述特征值确定信号子空间和噪声子空间。

所述步骤(34)的公式为：

其中，U_s为信号子空间，U_N为噪声子空间，H为矩阵的复共轭变换，为信号的协方差矩阵。

步骤(35)：根据信号参数范围，在噪声子空间进行谱峰搜索。

所述步骤(35)中谱峰搜索的公式为：

其中，a(θ)为阵列的导向矩阵，为噪声子空间，H为矩阵的复共轭变换。

步骤(36)：找出极大值点对应的角度，所述极大值点对应的角度为信源信号的入射方位角。

所述步骤(36)中所述极大值点对应的角度为信源信号的入射方位角，公式为：

其中，a(θ)为阵列的导向矩阵，为噪声子空间，H为矩阵的复共轭变换。

实验结果如下：

实验通过python进行1000次蒙特卡洛算法仿真以上流程，设置噪声信号能量和原信号能量为1:1，通过MSE(均方误差)作为评判标准，结果如表1所示。

表1 波达定位估计技术识别结果对比

分析表中数据可得，本实施方式在低信噪比条件下，能够有效降低估计定位角的均方误差，更加适用于野外环境中的车辆识别。

以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。