声阵列处理今天是许多应用程序的重要组成部分,涉及音频信号的分析,如助听器,免提设备或身临其境的录音。而许多声传感和处理系统提出了在过去的几十年里,这些通常依赖于高通量计算平台和/或昂贵的麦克风阵列。尽管麦克风阵列产生更高的性能比单麦克风系统,一些局限性源于这一事实麦克风的位置往往是固定的,和所有的信号处理在一个集中的处理器上执行任务。替代方法是使用相对资源缺乏,分布式传感装置和算法,旨在检测节点,本地化,或者描述声事件。这些系统的优点是无线,电池驱动的节点更便宜,可以很容易地部署在各种各样的环境。此外,与传统的麦克风阵列,样品只有局部声场,分布式声传感系统允许使用更多的传感器覆盖大面积的兴趣。
信号处理和机器学习研究这类先进的声学系统的生新兴技术和服务具有巨大的开发潜力。目前的应用领域,如智能城市和建筑,环境辅助生活,或栖息地监测已经证明了对acoustic-based解决方案。物联网(物联网)平台和单板机大幅度提高了传感器网络的功能旨在声学信号处理,打开新的可能性,和挑战使声音的有价值的信息来源的新服务的发展。因此,为无线音频信号处理和机器学习声学传感器网络(还)吸引了许多作者的利益。
本文通过m . Cobos et al .,合著的客座编辑这个特殊的问题,提供了一个广泛的调查的当前状态的艺术不是声音定位的方法。本文假设融合中心定位的情况下发生,考虑单个和多个麦克风的情况下在每一个节点。最流行的声源定位方法,包括方法基于信号能量,到达时间(TOA),到达时差(辐射源脉冲),到达方向(DOA)和steered-response-power (SRP)方法。估计节点位置的问题(通常引用self-localization)也被认为是。本文总结了在这一领域带来重大挑战仍然是开放的,并呼吁进一步的研究工作。
最常见的一种方法是基于源定位的研究设想的合作多个节点,每一个都估计DOA。三维源位置估计通常需要每个节点提供方位和仰角的来源声场景中央节点,硬件成本的负面影响,在每个节点麦克风必须部署在一个二维网格,而azimuth-only DOA需要一个线性数组。a Canclini等人在报纸上“分布式3 d从二维DOA源定位测量使用多元线性阵列”提出一个方法来克服这个问题,结合多个DOAs表示方位的只产生一个三维源位置的估计。的方法是基于观察azimuth-only DOA被称为飞机源和传感器所在。原始数组转换成等价的数组,所有躺在同一个平面上的来源。使用这种形式,最小化的成本函数定义,导致源位置的估计。小说作者测试的有效性对可变混响算法和信号噪声比,也比较它与最先进的技术基于方位和仰角DOAs的结合。
源定位算法通常依赖于知识的音速。然而,变速可能遇到的声音还在几个应用场景,如多层的建筑和室外环境。摘要“声学源定位变量声速条件下“p . Annibale和r . Rabenstein调查源定位的问题在未知的声速。revisitation后的物理基础的声速与温度之间的关系,本文主要关注问题的再形成的源定位到达时间差异(辐射源脉冲)当未知参数还包括声音的速度。特别是,再形成提供了两类主要的基于辐射源脉冲源定位算法,即无约束最小二乘和最小二乘约束。作者显示源位置估计的改善带来的配方。p . Annibale和r . Rabenstein广泛讨论问题不同于源定位受到未知声速的影响,从反射器估计辐射源脉冲消歧。最后,作者也揭示了一些应用程序,虽然不是严格并不相关,声速揭示了重要的信息。
Self-localization声传感器是最重要的一个主题的情况下还声学传感器节点部署的组件网络没有任何先验知识的地方。摘要“声学传感器Self-Localization:模型和最近的结果”是审查论文覆盖这个话题时,声学传感器节点只依靠声音信号进行定位不依赖任何通讯或任何其他类型的传感器。特别是,本文解决了场景当传感器节点定位在一个已知的环境中探测信号的先验知识和来源的位置,或环境内的喇叭。这使得传感器节点的self-localization仅仅通过分析只在每个节点接收到的声音信号。基于这种情况,本文首先回顾现有的封闭基于TOA测量值的最小二乘解或辐射源脉冲通过考虑测量的两个实际问题,即异步和扬声器和麦克风频率不匹配。然后,介绍了方法基于众所周知的对偶问题的概念,也就是说,声源定位的声学传感器定位。本文还介绍了滑动窗口技术,匹配追踪算法,改善TOA /目标辐射源和TOA选择估计和地址的主题设计探测器的信号,这样他们听不清,低功率为实际部署。本综述论文将作为一个很好的起点的开始在这个领域的研究。
如今智能手机销售通常配备多个麦克风和扬声器。在典型情况下,如在会议一个房间,里面有多个参与者每个携带智能手机,有可能存在其中的几个,让他们伟大的候选人来创建一个临时也。为了使用这些组件并进行联合处理的声信号,必须确定他们的位置以及方向。摘要“室内Self-Localization和取向估计的智能手机使用声学信号”由h·a·Sanchez-Hevia等人地址智能手机这个话题至少配备两个麦克风和一个扩音器,让他们与其他智能手机和通信与他们的扩音器播放声音。self-localization最具挑战性的问题之一是DOA可以由各种因素引起的不确定性的根本。作者解决这个问题用遗传算法(GA)为了克服DOA的不确定性问题,联合最大似然的取向估计的框架。虽然GA可以添加系统重要的计算负担,速度和并行处理器在不久的将来有望克服这个问题。
在大多数是应用程序中,每个节点的还包括传感装置,即,一个或多个麦克风。然而,一些有趣的应用程序需要每个节点还包括致动器、喇叭。一个这样的应用程序是有源噪声控制,并有目标创建一个带相消干涉为了取消特定的噪声源通过生成适当的声音信号。本文通过c Antonanzas et al .,作者考虑到无线声传感器网络的主动噪声控制问题和调查一些控制工作策略是必要的为了不违反权力约束与声学驱动器的操作有关。他们分析和比较不同策略的性能,计算效率和通信需求。
语音增强方法是是另一个感兴趣的话题,音频信号的无线节点之间的交流是必要的。算法减少内的数据交换网络是必要的能量和带宽效率的视角。本文通过f . de la Hucha Arce et al .,一种自适应量化方案优化每个交换信号的位深度,认为其对语音增强性能的贡献进行了探讨。多道维纳滤波器是框架,提出了一种新的基于梯度的自适应量化度量的最小均方误差(MMSE)导致一个贪婪算法。它也表明,先前提出的梯度指标度量是一个泛化的影响。通过使用获得的节能贪婪的自适应量化模拟和讨论在实际设置。
另一个应用程序,并在论文还讨论了a卢克et al .,题为“无尾类的声音分类处理时间的评估。“提出的使用对栖息地的监控,并专门为无尾类的歌曲的分类。他们的工作是集中在分析所需的处理时间系统的不同阶段,包括采集、特征提取和分类。本文认为不同的特性和分类,显示所需的权衡之间发生分类准确性和处理能力在这样的应用程序。
作品包括在这个特殊的问题确认研究社区的利益利用新硬件和数据连接的进步将acoustic-based技术集成到广泛的应用。接收到的贡献集中在传感器self-localization等重要方面,声音识别,语音增强,主动噪声控制,或声学源的定位。在任何情况下,必须继续进步和许多其他方面投入更多的研究成果,推广使用的关键不是到未来声音相关的应用程序中。这些包括成本效益评估方法的发展,自动校准和部署方法的可用性,节能的信号处理算法的设计,和隐私相关的适当的管理问题。