无线传感器网络低采样率下声音定位的包络和小波变换gydF4y2Ba

摘要gydF4y2Ba

声波无线传感器网络(AWSN)需要高采样频率才能实现精确的声音定位。但它们也意味着分析时间和内存密集型(即需要处理大量的数据，占用更多的内存空间，对节点有限的资源构成负担)。在声源定位(ASL)应用中，要使采样率低于奈奎斯特准则，需要发展现有的时延估计技术，以克服低时间分辨率的挑战。本文提出利用包络变换和小波变换结合不同的时频内容来提高接收信号的分辨率。增强信号处理使用互相关结合抛物线拟合插值精确计算时间延迟。实验结果表明，在采样率为4.8 kHz的情况下，该方法的估计精度提高了近5倍。这一结论有助于在不需要任何过多传感器资源的情况下开发精确的ASL，特别是用于结构健康监测应用。gydF4y2Ba

1.介绍gydF4y2Ba

声学传感器将声学传感器集成到无线传感器网络（WSNS）开辟了向无线系统开发有线声学源定位（ASL）系统的新视野[gydF4y2Ba1gydF4y2Ba］．这涉及到分布式传感器节点的利用，这些节点能够实现机载计算，以实现分布式或集中式数据操作。这种集成适用于多种应用，包括车辆识别[gydF4y2Ba2gydF4y2Ba]，结构健康监测[gydF4y2Ba3.gydF4y2Ba，以及军事活动[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba］．gydF4y2Ba

由于在[gydF4y2Ba6gydF4y2Ba］．这项技术也面临着挑战，如[gydF4y2Ba7gydF4y2Ba，作者对与传感器网络相关的各种问题进行了回顾和讨论，包括传感器节点级别的带宽和计算限制。gydF4y2Ba

高采集采样率是利用传感器网络实现ASL的一个重要因素。因此，为了优化这一有价值的技术，仍需要进行研究，本文将对此进行讨论。例如，在有线ASL系统中常用的高采集采样率[gydF4y2Ba8gydF4y2Ba[基于奈奎斯特标准和精确定位所需的基础，不仅导致大量数据，还需要满足足够的内存大小和大带宽进行数据传输。此外，由于在数据收集中引入的高延迟和功耗增加，繁重的交通负荷不适用于WSNS [gydF4y2Ba9gydF4y2Ba］．gydF4y2Ba

这意味着在无线ASL中使用高采集采样率会导致更高的硬件复杂性、更高的功耗，从而显著提高生产成本。此外，对于结构健康监控等其他应用程序，强大的设备并不总是可用的。特别是在传感器节点大小受限制、电源难以获取的情况下。因此，在这种情况下利用低采样率将有助于解决这些问题，因为功耗与模数转换器的采样率成线性比例[gydF4y2Ba10.gydF4y2Ba］．最近，人们对在无线传感器网络中使用低数据采集采样率产生了兴趣[gydF4y2Ba11.gydF4y2Ba，这样低成本商用现货(COTS)无线节点就可以在不需要额外硬件的情况下实现。gydF4y2Ba

然而，由于信息丢失，将采样频率降低到奈奎斯特标准以下是有害的，这将对声音定位产生不准确的结果。在这种情况下，传统的时间序列方法，如互相关(CC)，如果直接使用它们来估计时间延迟，将提供不准确的结果。这是因为，在时域中，采样周期决定了时间分辨率，由于采样频率低，时间分辨率很低，这意味着时间信息的损失。在频域，由于我们的采样低于奈奎斯特准则，频率内容被违背。gydF4y2Ba

这个问题迫使人们把时域和频域信息结合起来，从而产生时频域分析。该域提供了有关信号内容如何随时间变化的信息，从而提供了一种理想的技术，以低采样率处理和解释接收信号。人们发展了多种时频方法，包括短时傅里叶变换(STFT)、Hilbert-Huang变换(HHT)、Wigner-Ville分布(WVD)和小波变换(WT)。在这项工作中，最后一种方法被用来克服前面提到的使用法则抽样率的挑战，这将在本节中讨论gydF4y2Ba2gydF4y2Ba．gydF4y2Ba

据我们所知，目前还没有使用低于奈奎斯特标准的低采样率的无线ASL系统。因此，本研究的目标是探索在无线传感器网络中利用低采样率开发低成本、高效、可靠的无线ASL的可行性，并在违反Nyquist规则的情况下，利用时频域分析实现合理的声定位估计精度。更具体地说，我们在本文中的贡献是gydF4y2Ba（1）gydF4y2Ba通过提出利用包络和小波变换互相关(EWTCC)结合抛物线拟合插值来抵消使用低采样率对声源定位估计精度的影响;gydF4y2Ba（2）gydF4y2Ba结果表明，采用抛物拟合插值技术的EWTCC可以将低成本的COTS无线节点应用于ASL应用中，通过进行多次无线ASL测量，并比较所提出的EWTCC算法与传统CC算法的估计性能。gydF4y2Ba

本文的结构如下。解释降低采样率后面的原因，部分gydF4y2Ba2gydF4y2Ba介绍了一种利用无线系统定位声源的方法。部分gydF4y2Ba3.gydF4y2Ba介绍了无线ASL系统的实验装置。节gydF4y2Ba4gydF4y2Ba，我们使用所提出的和传统的CC方法讨论并比较声音定位的估计结果。最后，结论在部分中被规定gydF4y2Ba5gydF4y2Ba．gydF4y2Ba

2.在低采样率下提出的本地化方法gydF4y2Ba

据我们所知，目前还没有一种特定的算法适用于低采样率下的时延估计。然而,在(gydF4y2Ba11.gydF4y2Ba]的研究表明，对于声源定位应用而言，只要采用适当的时频域和分析技术，低采样频率可用于无线传感器网络。如果使用频域算法来分析接收信号的混叠版本，它们将无法显示原始信号频率的主要频谱成分。这意味着大部分频率内容会丢失，在这个领域中的任何TDE都会导致不准确的结果。此外，周围的噪声可能会影响原始信号。因此，直接在时域或频域使用接收信号的混叠版本是不够的，确实需要其他技术来抵消暴力奈奎斯特准则的影响和噪声影响，提高时间分辨率，以获得可行的结果。gydF4y2Ba

在文献中，在TDE过程中利用信号包络而不是振幅是提高精度的一种较好的方法。这已经被用于多个应用，如超声波测距测量[gydF4y2Ba12.gydF4y2Ba- - - - - -gydF4y2Ba15.gydF4y2Ba］．这样做的原因是，如果使用传统的互相关(CC)，可以最大限度地减少在信号幅值和峰值指数的开始处出现的模糊性。gydF4y2Ba

到目前为止，使用包络而不是振幅信号值是一个必要的步骤，但这不足以建立一个稳健的定位算法在低采样率。需要进一步提高估计精度。采用基于特征内容的小波变换等时频域算法是很好的候选算法，因为它依赖于对信号的时间和频谱内容的分析。另外，小波变换在分析过程中，相对于传统的加窗互相关方法，采用的是固定大小的窗口，具有利用变时频窗口进行分析的特点。这些重要的WT特性有助于进一步提高TDE的准确性。因此，本工作选择这种方法提取时间和频率内容，并消除噪声，估计接收信号之间的时间延迟。gydF4y2Ba

所提出的技术是一个三阶段策略，如图所示gydF4y2Ba1gydF4y2Ba．在第一阶段，所接收信号的信封（表示gydF4y2Ba，gydF4y2Ba)是使用本节中解释的方法提取的gydF4y2Ba2．1gydF4y2Ba．在第二阶段，计算这些信封的瓦特值。这可以通过使用离散的缩放值来满足gydF4y2Ba，gydF4y2Ba．对于每个缩放值，应用与小波域中的抛物面拟合插值结合的互相关来估计时间延迟gydF4y2Ba．最后，计算计算延迟的平均值以获得最终时间延迟gydF4y2Ba．这些步骤将在本节中详细说明gydF4y2Ba2.3gydF4y2Ba．gydF4y2Ba

2．1．包络提取gydF4y2Ba

如前所述，使用包络而不是混叠版本的绝对值有助于优化信号形状。它还将CC的峰值指数的模糊度降到最低。这意味着信封为声源定位提供了一个明确的特征。gydF4y2Ba

在文献中，有几种方法可以用来提取捕获信号的包络。实际上，任何提取方法都可以在这里使用，只要不因为这个操作而造成时间延迟。包络线通常通过全波整流和低通滤波从带通滤波器输出中提取。另一种方法是使用原始信号和希尔伯特变换信号的能量的平方根，如(gydF4y2Ba1gydF4y2Ba）[gydF4y2Ba16.gydF4y2Ba]：gydF4y2Ba 在哪里gydF4y2Ba为原始信号，gydF4y2Ba是Hilbert转换信号，gydF4y2Ba获得的信封，和gydF4y2Ba．gydF4y2Ba

2．2.小波变换gydF4y2Ba

连续小波变换(CWT)和离散小波变换(DWT)在包括信号处理领域在内的许多应用中都是有效的方法。在本研究中，我们建议采用小波变换来抵消低采样率对声源位置估计精度的影响。在数学中，对信号定义小波变换gydF4y2Ba在(gydF4y2Ba2gydF4y2Ba)：gydF4y2Ba 其中母小波可以表示为(gydF4y2Ba3.gydF4y2Ba）[gydF4y2Ba17.gydF4y2Ba]：gydF4y2Ba 在哪里gydF4y2Ba是变换函数(母小波)，和gydF4y2Ba和gydF4y2Ba是母小波的平移和比例参数。gydF4y2Ba为能量归一化因子，“*”表示复共轭[gydF4y2Ba18.gydF4y2Ba］．方程(gydF4y2Ba2gydF4y2Ba）也称为CWT，其能够通过在信号和一系列儿子小波之间执行内部产生来将连续时间函数分解为小波。这些系列是通过通过控制母小波的拉伸和翻译而产生的gydF4y2Ba和gydF4y2Ba值(gydF4y2Ba19.gydF4y2Ba］．这种操作提供了在不同分辨率下分析信号的能力，并在时频域中显示处理后的信号，这提供了良好的时间和频率本地化，下一节将对此进行解释。gydF4y2Ba

此外，由于小波变换提供了几种不同的有价值的母小波，可以在CWT、DWT和信号分析中使用，包括Haar、Meyer、Morlet、Daubechies、Mexican Hat、Gabor、Gaussian等。这确实是这个变换的强度，这意味着根据我们正在寻找的信号特征，我们可以选择一个最优的母小波，以减轻我们对特定特征的检测。在我们提出的技术中，我们选择Haar母小波来处理接收到的信号，因为它的形状与传感器节点接收到的声音信号相似，因此它们之间会产生较高的相关性。另一方面，噪声将与Haar小波不相关，因此在估计过程中可能会降低噪声的影响。gydF4y2Ba

小波变换是小波变换的另一种形式，它涉及到二进格式的使用。这可以通过使用离散值的缩放和平移来满足gydF4y2Ba(gydF4y2Ba17.gydF4y2Ba),gydF4y2Ba表示整数集合。在这项工作中，应用CWT而不是DWT，因为最后一个变换不适合特征提取[gydF4y2Ba17.gydF4y2Ba］．这是因为CWT不要求小波必须满足正交条件，便于选择合适的小波进行特征提取。使用连续小波变换的另一个原因是它可以是时不变的，这意味着保留了相同的相位关系，没有引入额外的时间延迟[gydF4y2Ba17.gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba21.gydF4y2Ba］．gydF4y2Ba

2．3.使用互相关的声音定位gydF4y2Ba

三角形配置，在图中说明gydF4y2Ba2gydF4y2Ba图中三个传感器节点的位置。它们被定位在一条直线上，以构造一个具有已知几何形状的传感器阵列。其中一个传感器节点作为参考节点，位于gydF4y2Ba．其他两个传感器节点的位置因点而异gydF4y2Ba和gydF4y2Ba传播路径差异(PPDs)gydF4y2Ba和gydF4y2Ba也有所不同。ppd是声音信号产生的额外距离。gydF4y2Ba“旅行以达到参考节点的两个传感器节点。为简单起见，我们假设这些节点位于点数gydF4y2Ba和gydF4y2Ba．在描述所提出的估计PPDs的算法之前，我们先说明在任何麦克风接收到的声学信号的数学模型。gydF4y2Ba

如[gydF4y2Ba8gydF4y2Ba，gydF4y2Ba11.gydF4y2Ba一个用于传感器节点的任何麦克风捕捉到的声信号的数学模型gydF4y2Ba可以表示为(gydF4y2Ba4gydF4y2Ba)：gydF4y2Ba 在哪里gydF4y2Ba表示衰减系数;gydF4y2Ba是否来自声源的延迟时间gydF4y2Ba到gydF4y2Bath节点;gydF4y2Ba是一个具有平均功率的零平均加性高斯白噪声gydF4y2Ba,在那里gydF4y2Ba噪声方差是多少gydF4y2Ba节点。gydF4y2Ba

例如，为了估计任意两个接收信号之间的时延，gydF4y2Ba和gydF4y2Ba，有许多技术可以应用于这些信号，如传统的CC，表示为(gydF4y2Ba5gydF4y2Ba）[gydF4y2Ba22.gydF4y2Ba，用于比较目的:gydF4y2Ba 在哪里gydF4y2Ba为观测时间间隔。的目的gydF4y2Ba5gydF4y2Ba)是检查接收信号之间的相干性，以估计CC函数的最大延迟。gydF4y2Ba

在本算法中，CWT被应用于接收信号的包络中，例如:gydF4y2Ba和gydF4y2Ba在做CC. equation (gydF4y2Ba6gydF4y2Ba)和(gydF4y2Ba7gydF4y2Ba)代表这些信封的总重量:gydF4y2Ba 如前一节所述，改变gydF4y2Ba母语中的参数（gydF4y2Ba6gydF4y2Ba)和(gydF4y2Ba7gydF4y2Ba)导致放大或压缩信号，从而允许在子小波序列和子小波序列之间搜索频率内容的相似性gydF4y2Ba在每个尺度值:gydF4y2Ba,在那里gydF4y2Ba变化的数量是和吗gydF4y2Ba假设等于采样期[gydF4y2Ba17.gydF4y2Ba］．通过刻度变化扩展或压缩信号的过程允许我们分析信号并计算不同分辨率的小波系数（多分辨率分析）。CWT系数表示在当前规模处的信号和母小波之间的内聚力的量度。如果信号的频率分量对应于母小波的当前刻度，则在此时的计算系数在时间尺度中是相对大的数量[gydF4y2Ba17.gydF4y2Ba］．将会生成两个二维小波系数矩阵(gydF4y2Ba6gydF4y2Ba)和(gydF4y2Ba7gydF4y2Ba),说gydF4y2Ba和gydF4y2Ba，如图所示gydF4y2Ba1gydF4y2Ba．每一行gydF4y2Ba和gydF4y2Ba对应于gydF4y2Ba小波系数。这些矩阵的大小是gydF4y2Ba在哪里gydF4y2Ba为被处理信号的长度。在每个分辨率级别上估计时间延迟。如图所示gydF4y2Ba1gydF4y2Ba获得了gydF4y2Ba小波系数矩阵，CC算法结合曲线拟合插值应用于单行gydF4y2Ba和gydF4y2Ba还有下面的延迟gydF4y2Ba该量表估计为(gydF4y2Ba8gydF4y2Ba)：gydF4y2Ba ,“gydF4y2Ba表示传统的互相关。这个过程重复进行，直到gydF4y2Ba然后是实际的时间延迟gydF4y2Ba之间的gydF4y2Ba和gydF4y2Ba可以通过取?的平均值来计算gydF4y2Ba如(gydF4y2Ba9gydF4y2Ba)：gydF4y2Ba 如前段所示，使用(gydF4y2Ba9gydF4y2Ba)、ppd (gydF4y2Ba和gydF4y2Ba如图gydF4y2Ba2gydF4y2Ba)可以使用(gydF4y2Ba10.gydF4y2Ba)：gydF4y2Ba 在哪里gydF4y2Ba和gydF4y2Ba是相对时间延迟gydF4y2Ba和gydF4y2Ba也gydF4y2Ba和gydF4y2Ba,分别。gydF4y2Ba为室温下声音在空气中的传播速度，在这些实验中假定为恒定(340 ms-1)。因此，在声源与三个传感器节点位置之间采用三角剖分方法，即可估计出声源位置。gydF4y2Ba

在下面的二维空间声源位置推导中，我们假设传感器节点(1、2、3)位于该位置gydF4y2Ba，gydF4y2Ba,gydF4y2Ba,分别。然而，这个推导可以推广使用任何三种传感器位置的组合。从这两个三角形gydF4y2Ba和gydF4y2Ba，我们可以推导出两个角的余弦关系gydF4y2Ba和gydF4y2Ba这是传感器节点的方位角，分别为（gydF4y2Ba11.gydF4y2Ba)和(gydF4y2Ba12.gydF4y2Ba)：gydF4y2Ba 在哪里gydF4y2Ba和gydF4y2Ba表示传感器节点之间的分离距离，如图所示gydF4y2Ba2gydF4y2Ba他们是众所周知的。gydF4y2Ba是声源到参考节点之间的最短路径。同样，从三角形来看gydF4y2Ba我们可以在(gydF4y2Ba13.gydF4y2Ba)：gydF4y2Ba 使用 （gydF4y2Ba11.gydF4y2Ba) - (gydF4y2Ba13.gydF4y2Ba)现在可以通过适当的替换来计算这三个变量gydF4y2Ba，gydF4y2Ba,gydF4y2Ba在(gydF4y2Ba14.gydF4y2Ba) - (gydF4y2Ba16.gydF4y2Ba)：gydF4y2Ba 正如我们在(gydF4y2Ba14.gydF4y2Ba) - (gydF4y2Ba16.gydF4y2Ba)，通过了解变量gydF4y2Ba，gydF4y2Ba,gydF4y2Ba，我们可以在二维中估计声源位置。此外，传播路径的差异gydF4y2Ba和gydF4y2Ba对这些参数的估计起着重要作用，而且越精确gydF4y2Ba和gydF4y2Ba，本土化结果就越好。gydF4y2Ba

如在经典时间延迟估计测量测量中所知，仅在整数索引下计算离散的互相关。这意味着如果两个信号之间的真实延迟是样本周期的非嵌体倍数，则提供不准确的估计。有几种技术可用于优化该分辨率[gydF4y2Ba23.gydF4y2Ba］．在分辨率优化中广泛使用的常用方法是使用抛物线插值。这是因为互相关输出的形状类似于高斯曲线，其中峰的位置位于该曲线的中心。理论上，贴合抛物线至少需要三个点，如图所示gydF4y2Ba3.gydF4y2Ba:相关系数的最大峰值及其前、后邻居。蓝色虚线曲线表示与互相关输出的拟合曲线(红色虚线曲线)。计算系数需要这三个点gydF4y2Ba，gydF4y2Ba,gydF4y2Ba在(gydF4y2Ba17.gydF4y2Ba)，表示应用的抛物线[gydF4y2Ba23.gydF4y2Ba]：gydF4y2Ba 要在拟合过程中使用这种多项式，我们需要首先计算系数gydF4y2Ba，gydF4y2Ba,gydF4y2Ba．之后，通过对(gydF4y2Ba17.gydF4y2Ba)在最大峰值处等于零，我们可以计算插值峰值，gydF4y2Ba，如(gydF4y2Ba18.gydF4y2Ba)：gydF4y2Ba 通过对传播路径差的估计进行了一系列实验，验证了所提方法的有效性。gydF4y2Ba

基于所使用的采样频率(4807 Hz)，最小距离分辨率为7.07 cm。为了提高这个分辨率，我们在EWTCC的输出上应用了抛物线拟合插值。这使得距离分辨率从7.07厘米提高到1.50厘米，几乎提高了5倍。这样的分辨率改进将有助于在下一节中说明的低采样率下使用WSNs进行声源定位的估计精度。gydF4y2Ba

3.实验工作gydF4y2Ba

本工作中使用的无线声源定位系统如图所示gydF4y2Ba4gydF4y2Ba．该系统被采用在低采样频率下研究利用单跳WSN进行声源定位。三个声学传感器节点以直线放置。传感器节点是（MICAZ）电机配备有传感器板（MTS310），其具有不同的传感器方式。节点同时感测传感器板的全向麦克风传感器模式，并将数据发送到基站。所有传感器节点通过RF接口与基站通信。基站插入网关板：MIB520，它用于将接收的信号转发到处理它们的PC。传感器节点在Tinyos（Tinyos是一个微小的操作系统）下编程，并已广泛用于WSN设计）环境。侦听申请用于窃听通过MOTE无线电发送的消息，并且收到的数据以十六进制格式保存。接收的数据使用MATLAB离线处理。 Time delays and the propagation path differences are estimated from acoustic signals captured using the approaches explained in Section2gydF4y2Ba．gydF4y2Ba

由于我们在奈奎斯特标准下方进行了低于奈奎斯特标准，并且我们所提出的TDE算法基于所接收信号的形状内容，我们假设将用作实验工作中的测试信号的声学信号是窄的带宽而不是周期性的信号是因为它是我们期望的信号类型，因为我们期望真实的场景。这意味着产生的声学信号具有有限脉冲持续时间并且该脉冲的重复周期大于采样持续时间，以便在下一个尖峰开始之前有一个尖峰消失。采样持续时间的长度也应该足够长，以便收集足够量的代表完整脉冲的样品。gydF4y2Ba

基于上述条件，使用声学脉冲测试信号，并使用函数发生器通过产生频率为10 kHz的50个正弦周期的音调突发来模拟。测试信号通过PC扬声器播放，并通过实验选择这些值，以便为所进行的实验产生合理的脉冲形状。产生的声信号以4807 Hz的采样率采集，采样时间为0.25 s。4807 Hz几乎是MICAz尘埃可以实现的最低采样率使用硬件事件处理程序(HEH)模式，在[gydF4y2Ba11.gydF4y2Ba已经证明，低于这个抽样率的抽样率也可以使用。这里降低采样率的一个重要条件是，采样必须包含足够多的声信号样本，以便提取信号的包络，使其能够充分用于时延估计过程。gydF4y2Ba

实验是在普通的室内实验室环境中进行的，有桌子、电脑和设备等物体。街上的交通和人们的谈话都是进行实验的背景噪音的一部分。他们是这样进行的:一个基站广播一个开始样本命令。一旦传感器节点接收到它，它们就开始感知，直到缓冲区满了(1200个数据点)。此时，每个节点开始将获取的数据发送回基站。为了避免数据冲突，节点将按顺序将自己的数据包发送到基站。在未来的工作中，计划将接收到的信号在传感器节点进行局部处理，利用低采样率的优势将会明显。接收到的数据将按照下一节所示进行处理。gydF4y2Ba

4.结果和讨论gydF4y2Ba

在已进行的实验中，在评价研究中，三个传感器节点在不同位置排成一条直线(gydF4y2Ba）如图所示gydF4y2Ba4gydF4y2Ba．一旦传感器节点同时接收到一个开始样本命令，它们就开始获取生成的声波信号，如本节所述gydF4y2Ba3.gydF4y2Ba．gydF4y2Ba

在提出和讨论这项工作的结果之前，请提及使用WSNS的声源定位在传感器之间的时间同步时依赖于高度重视。但是，从以前的工作中的工作中[gydF4y2Ba24.gydF4y2Ba]和我们的初步实验结果，值得注意的是，基于全局时间的时间同步传感器节点的使用并不能保证所获取的声信号(即感知操作)彼此完全同步。在执行数据采集操作时所采用的方法对实现同步数据采集操作也有重大影响。一般来说，不确定性(如果相同代码的执行时间在每次重复执行时都不同)操作系统的缺点是，它们不允许用户控制度量过程的执行过程(例如，设置度量步骤的优先级)。这样的属性使得数据采集操作在不同的时间点开始执行，而且每次执行所花费的时间也不相同，特别是在不同的微控制器上执行时，如WSNs。gydF4y2Ba

TinyOS，在这项工作中以及其他工作中使用[gydF4y2Ba24.gydF4y2Ba，有两种执行线程模式:任务和硬件事件处理程序(HEH) [gydF4y2Ba25.gydF4y2Ba］．第一种模式具有不确定性，由于TinyOS调度器在执行已提交的任务时，在获取操作期间引入了不可预测的等待时间。这导致了不等的间隔，使得所有传感器节点的声传感任务不同步。为了解决这一问题，提出了基于HEH模式的传感器节点间同步数据传感方法，因为它是一种确定性模式，异步命令可以立即执行。gydF4y2Ba

为了验证这一点，传感器节点位于真实PPD值为零的同一点。这种配置代表了极端情况，并有助于测试两种模式(任务和HEH)的性能，因为它需要从收到的信号中获得准确的TDE的高时间分辨率。实验重复15次，每次对采集到的信号采用EWTCC算法进行估计，如本节所述gydF4y2Ba2gydF4y2Ba．测试结果清楚地表明，HEH模式比任务模式表现出更好的性能。HEH模式的RMS误差为1.7 cm, task模式的RMS误差为24.11 cm。gydF4y2Ba

通过前面的讨论，我们可以得出这样的结论:任务模式并不适用于实现所有节点之间的同步传感过程。相比之下，HEH模式的结果显示出更少的同步误差。最大限度地减少这些误差可以改善估计的声源位置。这是因为这些误差累积到接收信号之间的实时延迟。因此，选择HEH模式来实现同步数据采集操作和设计无线声音定位系统。gydF4y2Ba

数字gydF4y2Ba5(一个)gydF4y2Ba显示使用传感器节点1、2和3定位时捕获的声音信号(放大)gydF4y2Ba，gydF4y2Ba,gydF4y2Ba在图gydF4y2Ba2gydF4y2Ba,分别。相比之下,图gydF4y2Ba5（b）gydF4y2Ba，描述从这些信号中提取的信号信封。图中实线表示传感器节点1接收到的信号，虚线表示传感器节点3接收到的信号。虚线表示传感器节点2(参考)接收到的信号。如图所示gydF4y2Ba5（b）gydF4y2Ba，提取的包络信号比原始信号清晰得多，因此将这些包络信号而不是原始信号输入小波变换是提高定位精度的重要一步。在所进行的实验中，参考节点与声源的距离为最短路径，因此图中该传感器节点接收到的信号最先出现gydF4y2Ba5gydF4y2Ba，而其他两个传感器节点与参考节点的距离相等。因此，它们接收到的信号出现在第二个同时实例中。gydF4y2Ba

数字gydF4y2Ba6gydF4y2Ba说明了(放大)使用CC和EWTCC在图中所示的信封上进行曲线拟合插值和不使用曲线拟合插值的结果gydF4y2Ba5（b）gydF4y2Ba．这些结果说明了提出的方法的功能，并给出了它如何提高声源定位的空间分辨率的一个例子。使用的优势EWTCC这里传统的CC的方法是提高信噪比(信噪比)由于这些信封和使用之间的相关性较高Haar小波母以及锋利的CC的输出使最终的识别(最精确的)指数曲线拟合插值时更容易utilised.

并对不同值进行了实验gydF4y2Ba和gydF4y2Ba(即传感器节点1和节点3的位置不同gydF4y2Ba和gydF4y2Ba）。这些实验的结果在表中报告gydF4y2Ba1gydF4y2Ba．该表总结了由开发的无线定位系统使用传统CC和我们提出的EWTCC的估计结果，其中包括曲线拟合插值方法gydF4y2Ba和gydF4y2Ba估计。它总结了从15个实验中获得的测试结果的平均值和标准偏差，以表明重复测量可以提供非常相似的结果。从表中可以看出，采用曲线拟合插值的EWTCC结果与的真实值的相关性要大得多gydF4y2Ba和gydF4y2Ba而不是其他结果。一个很好的例子就是gydF4y2Ba cm. The average of the estimated result using EWTCC with fitting is 15.65 cm, while it is 12.26 cm using CC and 16.55 using EWTCC without fitting. Again, the variation of the EWTCC with fitting result is 4.53 compared to the other two cases. This means that errors in estimation of和gydF4y2Ba由于CWT和曲线插值的多分辨率分析特性，采用曲线拟合插值的EWTCC方法的误差要小得多。因此，使用这种方法估计PPDs的性能比使用CC方法更好，如图所示gydF4y2Ba7gydF4y2Ba．gydF4y2Ba

数字gydF4y2Ba7gydF4y2Ba说明了表中所示的三种配置的RMS计算错误gydF4y2Ba1gydF4y2Ba．从图中可以看出，估计的最大RMS误差gydF4y2Ba和gydF4y2Ba用EWTCC曲线拟合插值是1.70厘米,2.68厘米只用EWTCC并使用CC 9.97厘米。此外,这一趋势的均方根误差使用该方法表明RMS误差随远离最坏的情况,然而,他们是随机CC算法。这种声音定位估计精度的提高与两个原因有关:(1)使用获得信号包络减少了CC峰值指数附近的模糊性;(2)利用小波变换对这些包络进行时频域处理，在估计过程中融合了时间和频谱内容。因此，与CC方法相比，EWTCC算法结合曲线拟合插值能够在低采样率下实现足够水平的无线ASL估计精度。gydF4y2Ba

5.结论gydF4y2Ba

提出了用于采用低采样率的无线ASL的无线ASL提出了与抛物线配合插值方法结合的信封和小波变换互相关。与传统CC算法相比，新技术提供了一种多分辨率分析域，其表示由于低时间分辨率而抵消了模糊峰的潜在性能。所提出的方法还提高了7.07厘米至1.50厘米的定位过程的空间分辨率。进行实验的这种结果表明了案例研究的一致性和低误差;可以进行大规模测量的进一步评估工作，包括复杂的几何和本地数据处理方案以及通过选择提供最佳分辨率的最佳比例值来优化估计过程。另外，所提出的HEH模式实现了基于Tinyos的WSN中的所有传感器节点的同步数据采集操作。这里必须强调的是，这种结论可以开辟基于低成本COTS传感器节点的高效低成本，可靠的无线ASL系统的新视野，无需支持过多的传感器资源，因为低采样率不仅有贡献降低成本，但也减少了功耗，并延长了传感器节点的寿命，这允许实时具有处理操作。gydF4y2Ba

承认gydF4y2Ba

作者要感谢工程和物理科学研究理事会(EPSRC)通过声景观识别、识别和评价仪器项目(EP/E008275/2)资助了这项工作。gydF4y2Ba

参考文献gydF4y2Ba

1. 陈建昌，叶立新，“基于无线传感器网络的相干声阵列处理与定位，”gydF4y2BaIEEE论文集gydF4y2Ba第91卷第1期8，页1154-1161,2003。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
2. 胡耀华，“分布式传感器网络中的车辆分类”，gydF4y2Ba并行和分布式计算学报gydF4y2Ba号，第64卷。7，页826-838,2004。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
3. A. Lédeczi, T. Hay, P. Völgyesi, D. R. Hay, A. Nádas，和S. Jayaraman，“用于结构监测的无线声发射传感器网络”，gydF4y2BaIEEE传感器杂志gydF4y2Ba，第9卷，第5期。11, pp. 1370-1377, 2009。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
4. M. Winkler，K.-D。Tuchs，K. Hughes和G. Barclay，“军事无线传感器网络的理论和实践方面”，gydF4y2Ba电信与信息技术杂志gydF4y2Ba，第2卷，第37-45页，2008。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. J. salai, W. Hedgecock, P. Volgyesi, A. Nadas, G. Balogh，和A. Ledeczi，“使用分布式多通道声传感器进行武器分类和枪手定位”，gydF4y2Ba系统架构杂志gydF4y2Ba(第57卷)10, pp. 869-885, 2011。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. J. Yick, B. Mukherjee，和D. Ghosal，“无线传感器网络调查”，gydF4y2Ba计算机网络gydF4y2Ba号，第52卷。12, pp. 2292-2330, 2008。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. A. Jangra，Swati，Richa和Priyanka，“无线传感器网络（WSN）：建筑设计问题和挑战”gydF4y2BaIJCSE：国际计算机科学与工程杂志gydF4y2Ba，第2卷，第2期9, pp. 3089-3094, 2010。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. H. Atmoko, D. C. Tan, G. Y. Tian, B. Fazenda，“在混响环境中使用多个声传感器的精确声源定位”，gydF4y2Ba测量科学与技术gydF4y2Ba第19卷第2期文章编号024003,2008。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. 郑志堂，谢志强，刘振民，“无线传感器网络中有效的数据收集网络结构”，载gydF4y2Ba国际通信、电路和系统会议论文集(ICCCAS’08)gydF4y2Ba，pp.444-447，2008年5月。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
10. k .飞利浦gydF4y2BaΣΔ用于信号调理的A/D转换gydF4y2Ba，博士论文，2005年。gydF4y2Ba
11. O. M. Bouzid, G. Y. Tian, J. Neasham, and B. Sharif，“使用无线传感器网络声源定位的采样频率要求研究”，gydF4y2Ba应用声学gydF4y2Ba．在出版社。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. R. Raya, a . Frizera, R. Ceres, L. Calderón，和E. Rocon，“超声波测距快速模型算法的设计和评估，”gydF4y2Ba传感器与执行器，AgydF4y2Ba，卷。148，没有。1，pp。335-341,2008。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. F. E. Gueuning, M. Varlan, C. E. Eugène, P. Dupuis，“结合飞行时间和相移方法的自主超声系统的精确距离测量”，gydF4y2BaIEEE仪器仪表与测量汇刊gydF4y2Ba第46卷，第46期6，第1236-1240页，1997。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
14. A. Egaña, F. Seco和R. Ceres，“用附近接收器定位目标的超声回波包络处理”，gydF4y2BaIEEE仪器仪表与测量汇刊gydF4y2Ba(第57卷)12，第2751-2755页，2008。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. 徐晓林，“基于小波变换的脉冲超声时间延迟估计”，gydF4y2Ba生物医学工程史册gydF4y2Ba，卷。23，不。5，pp。612-621,995。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. B. S. Lazarov, R. Matzen和Y. Elesin，“使用希尔伯特变换包络提取的脉冲整形滤波器的拓扑优化”，gydF4y2Ba结构与多学科优化gydF4y2Ba，第44卷，第5期。3, pp. 409-419, 2011。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. Lin J.， Zhang A.，“基于小波分析的故障特征分离”，gydF4y2BaNDT和E国际公司gydF4y2Ba第38卷第2期6、2005年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
18. O. Rioul和P. Duhamel，“用于离散和连续小波变换的快速算法”gydF4y2Ba信息理论上的IEEE交易gydF4y2Ba第38卷第2期2，第569-586页，1992。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. 陈玉涛，“最佳离散小波变换及其在延迟和多普勒估计中的应用”，gydF4y2BaIEEE信号处理汇刊gydF4y2Ba第46卷，第46期9、1998年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
20. 林军，“基于morlet小波变换的机械故障特征提取及其应用，”gydF4y2Ba声学与振动学报gydF4y2Ba，卷。234，不。1，pp。135-148,2000。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. 郎美玲，郭海华，J. E. Odegard, C. S. Burrus, R. O. Wells，“基于非抽取离散小波变换的降噪方法”，gydF4y2BaIEEE信号处理信gydF4y2Ba，第3卷，第2期。1，页10-12,1996。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. J. P. Ianniello，“在存在较大估计误差的情况下，通过互相关的时间延迟估计”，gydF4y2BaIEEE声学、语音和信号处理汇刊gydF4y2Ba，第30卷，第2期6，页998-1003,1982。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. N. S. M. Tamim和F. Ghani，“从互相关函数中优化时延估计的技术”，gydF4y2BaIJET/IJENS:国际工程技术杂志gydF4y2Ba，第10卷，第5期。2，页39-68,2010。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
24. T. Nagayama, S. H. Sim, Y. Miyamori，和B. F. Spencer，“使用智能传感器的结构健康监测问题”，gydF4y2Ba智能结构与系统gydF4y2Ba，第3卷，第2期。3，页299-329,2007。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
25. P. Levis和D.同性恋，gydF4y2BaTinyOS编程gydF4y2Ba，剑桥大学出版社，英国剑桥，2009gydF4y2Ba

版权gydF4y2Ba

版权所有©2012 O. M. Bouzid et al。这是一篇发布在gydF4y2Ba知识共享署名许可协议gydF4y2Ba，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。gydF4y2Ba