麦克风阵列信号处理PDF电子书下载

第1章 绪论 1

1.1 基于麦克风阵列的信号处理技术研究 1

1.2 本书的内容与结构 5

第2章 经典最优滤波器 7

2.1 引言 7

2.2 维纳滤波器 7

2.3 Frost滤波器 15

2.3.1 算法 15

2.3.2 广义旁瓣抵消结构 16

2.3.3 在线性内插中的应用 17

2.4 卡尔曼滤波 19

2.5 可替代MSE的准则 22

2.5.1 Pearson相关系数 22

2.5.2 SPCC的重要性质 23

2.5.3 由SPCC推导最优滤波器举例 25

2.6 总结 31

第3章 传统波束形成技术 32

3.1 引言 32

3.2 问题描述 33

3.3 延迟-求和技术 33

3.4 固定波束形成的设计 38

3.5 最大信噪比滤波器 41

3.6 最小方差无失真响应滤波器 43

3.7 基于参考信号的方法 44

3.8 响应不变宽带波束形成 45

3.9 陷零技术 48

3.10 麦克风阵列方向图函数 50

3.10.1 第一种信号模型 50

3.10.2 第二种信号模型 52

3.11 总结 53

第4章 LCMV滤波器在室内声学环境下的应用 54

4.1 引言 54

4.2 信号模型 54

4.2.1 无回声模型 54

4.2.2 混响模型 55

4.2.3 空-时模型 55

4.3 基于无回声模型的LCMV滤波器 56

4.4 基于混响模型的LCMV滤波器 58

4.5 基于空-时模型的LCMV滤波 61

4.5.1 实验结果 63

4.6 频域LCMV滤波 65

4.7 总结 67

第5章 多麦克风噪声抑制：统一处理 68

5.1 引言 68

5.2 信号模型和问题描述 68

5.3 有用的定义 70

5.4 维纳滤波 71

5.5 子空间方法 74

5.6 空-时预测方法 76

5.7 噪声完全相干的情况 78

5.8 自适应噪声消除 79

5.9 卡尔曼滤波 80

5.10 仿真 81

5.10.1 声学环境和实验设置 81

5.10.2 实验结果 83

5.11 总结 91

第6章 非因果（频域）最优滤波 92

6.1 引言 92

6.2 信号模型和问题描述 92

6.3 性能测度 93

6.4 非因果维纳滤波 96

6.5 参数化维纳滤波 99

6.6 推广到多通道的情况 101

6.6.1 信号模型 101

6.6.2 定义 102

6.6.3 多通道维纳滤波 104

6.6.4 空间最大SNR滤波 106

6.6.5 最小方差无失真响应滤波 108

6.6.6 无失真多通道维纳滤波 109

6.7 总结 110

第7章 多输入多输出视角下的麦克风阵列 111

7.1 引言 111

7.2 信号模型与问题描述 111

7.2.1 SISO模型 112

7.2.2 SIMO模型 113

7.2.3 MISO模型 113

7.2.4 MIMO模型 114

7.2.5 问题描述 115

7.3 二元麦克风阵列 116

7.3.1 最小二乘法 116

7.3.2 Frost算法 117

7.3.3 广义旁瓣消除结构 118

7.4 N元麦克风阵列 120

7.4.1 最小二乘和MINT方法 120

7.4.2 Frost算法 122

7.4.3 广义旁瓣消除结构 123

7.4.4 最小方差无失真响应方法 125

7.5 仿真 125

7.5.1 声环境与实验设置 125

7.6 总结 130

第8章 逐级分离和去混响：两级方法 132

8.1 引言 132

8.2 信号模型与问题描述 132

8.3 源分离 134

8.3.1 2×3 MIMO系统 134

8.3.2 M×N MIMO系统 138

8.4 语音去混响 140

8.4.1 直接反向法 142

8.4.2 最小均方误差和最小二乘法 142

8.4.3 MINT方法 143

8.5 总结 145

第9章 到达方向和到达时间差估计 146

9.1 引言 146

9.2 问题描述和信号模型 148

9.2.1 单源自由场模型 148

9.2.2 多源自由场模型 149

9.2.3 单源混响模型 150

9.2.4 多源混响模型 151

9.3 互相关方法 152

9.4 广义互相关方法族 153

9.4.1 经典互相关 154

9.4.2 平滑相干变换 154

9.4.3 相位变换 155

9.5 空间线性预测方法 155

9.6 多通道互相关系数算法 158

9.7 基于特征矢量的技术 162

9.7.1 窄带MUSIC 162

9.7.2 宽带MUSIC 163

9.8 最小熵方法 165

9.8.1 高斯源信号 165

9.8.2 语音源信号 166

9.9 自适应特征值分解算法 167

9.10 基于自适应多通道盲辨识的方法 168

9.11 多源TDOA估计 170

9.12 总结 173

第10章 未涉及的问题 174

10.1 引言 174

10.2 语音源数目估计 174

10.3 鸡尾酒会效应和盲源分离 175

10.4 盲MIMO辨识 176

10.5 总结 178

参考文献 179