1. PHAT (Phase Transform)
- 原理：PHAT 主要关注信号的相位信息，忽略幅值。其加权方式是将互功率谱归一化为单位幅值，仅保留相位信息。
- 公式：GPHAT(f)=X1(f)X2∗(f)∣X1(f)X2∗(f)∣GPHAT(f)=∣X1(f)X2∗(f)∣X1(f)X2∗(f)
其中 X1(f)X1(f) 和 X2(f)X2(f) 是两个信号的傅里叶变换，∗∗ 表示共轭。
- 优点：对混响和幅值失真有较强的鲁棒性，适合信噪比较高、混响环境下的时延估计。
- 缺点：在低信噪比（SNR）环境下，PHAT 可能会放大噪声，导致估计不准。
2. Eckart 加权
- 原理：Eckart 加权是一种自适应加权方法，考虑了信号的功率和噪声功率。它的目的是在低信噪比和强噪声环境下抑制噪声对时延估计的影响。
- 公式：GEckart(f)=X1(f)X2∗(f)(∣X1(f)∣2+N1(f))(∣X2(f)∣2+N2(f))GEckart(f)=(∣X1(f)∣2+N1(f))(∣X2(f)∣2+N2(f))X1(f)X2∗(f)
其中 N1(f)N1(f) 和 N2(f)N2(f) 是噪声功率谱的估计值。
- 优点：在低信噪比、强噪声或混响环境下，Eckart 加权能有效抑制噪声，提高时延估计的准确性。
- 缺点：需要估计噪声功率，计算量略大于 PHAT。
总结对比
| 方法 | 主要思想 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|---|
| PHAT | 只用相位，幅值归一 | 高SNR、混响环境 | 简单，鲁棒性好 | 低SNR下易受噪声影响 |
| Eckart | 信号+噪声自适应 | 低SNR、强噪声环境 | 抑制噪声，精度更高 | 需估计噪声，计算略复杂 |
一句话总结：PHAT 适合信噪比高的场合，Eckart 适合信噪比低、噪声大或混响严重的场合，Eckart 是对 PHAT 的一种改进和补充。
64 Total Count