limitar a probabilidade detecção mínima para qualquer valor de SNR, aumentando- se o número de amostras (Tandra & Sahai 2008). O detector de atraso de tempo de chegada estimado é avaliado utilizando o mesmo conceito de robustez.
6. O método proposto é robusto? Ele apresenta desempenho satisfatório em to- dos os cenários?
Sim. O método GCC-NLT aumenta sua acurácia com o aumento do número de amostras, permitindo o aumento da probabilidade de resolução. Tanto na avaliação em simulação, como experimental, o método apresentou desempenho satisfatório e superou o método do estado-da-arte.
7. O estado-da-arte soluciona o problema de localização em cenário com ruído impulsivo?
Sim. Entretanto possui um parâmetro que depende do grau de impulsividade do ruído, além de possuir pior custo computacional que os métodos tradicionais e o método proposto.
8. Quais as vantagens e desvantagens do método proposto em relação ao estado- da-arte?
O método proposto supera o estado da arte em desempenho da estimação do ângulo de chegada além do menor custo computacional. Entretanto, não possui solução analítica para a covariância da função não-linear escolhida.
7.3
Trabalhos Futuros
Abaixo são listados alguns trabalhos futuros:
1. Análise analítica das funções não-lineares utilizadas no método robusto para o cál- culo da covariância. Investigar sua relação com os métodos baseados em Corren- tropia.
2. Avaliação do método robusto de transformação não-linear de dados na estratégia de AOA.
3. Avaliação da presença de ruído impulsivo em outros cenários como, por exemplo, ambiente de tráfego ou multidões.
Referências Bibliográficas
3GPP (2011), ‘TS 36.211. Evolved Universal Terrestrial Radio Access (E-UTRA); Phy- sical Channels and Modulation.’. 3rd Generation Partnership Project; Technical Specification Group Radio Access Network.
Box, George E. P., Gwilym M. Jenkins, Gregory C. Reinsel & Greta M. Ljung (2016), Time Series Analysis: Forecasting and Control, 5tha edição, Wiley Series in Proba- bility and Statistics.
Brandstein, Michael Shapiro (1995), A Framework for Speech Source Localization Using Sensor Arrays, Tese de doutorado, Brown University.
Carter, G.C., A.H. Nuttall & P.G. Cable (1973), ‘The smoothed coherence transform’, Proceedings of the IEEE61(10), 1497–1498.
Chen, Mingyu, Ghassan AlRegib & Biing-Hwang Juang (2016), ‘Air-Writing Recog- nition—Part I: Modeling and Recognition of Characters, Words, and Connecting Motions’, IEEE Transactions on Human-Machine Systems 46(3), 403–413.
Chu, D. (1972), ‘Polyphase codes with good periodic correlation properties (Corresp.)’, IEEE Transactions on Information Theory18(4), 531–532.
CNET (2017), ‘Amazon Echo (2nd generation) CNET Review’. https://www.cnet.
com/products/amazon-echo-2017/review/.
Eckart, Carl (1952), Optimal Rectifier Systems for the Detection of Steady Signals, Rela- tório técnico, UC San Diego: Scripps Institution of Oceanography.
Figueredo, Mario, Carlos Lima Filho, Matheus Doria, Danilo Pena, Allan Martins & Vi- cente Sousa Junior (2018), Estimação de DOA por Método Não Paramétrico Clás- sico, em ‘2018 Fórum de Pesquisa e Inovação do Centro de Lançamento da Barreira do Inferno’, VIII Fórum de Pesquisa e Inovação, pp. 30–34.
Figueredo, Mario, Danilo Pena, Carlos Lima Filho, Matheus Doria, Allan Martins & Vi- cente Sousa Junior (2019), Uma Ferramenta de Prototipagem para Análise de Téc- nicas de Estimação de Direção de Chegada, em ‘2019 IV Encontro de Computação do Oeste Potiguar’, Anais do Encontro de Computação do Oeste Potiguar.
Friedlander, Benjamin & Engin Tuncer (2009), Classical and Modern Direction-of- Arrival Estimation, Elsevier.
86 REFERÊNCIAS BIBLIOGRÁFICAS
Georgiou, Panayiotis G. (1999), ‘Alpha-stable modeling of noise and robust time-delay estimation in the presence of impulsive noise’, IEEE Transactions on Multimedia 1(3), 291–301.
Gonzalez, Juan G., José L. Paredes & Gonzalo R. Arce (2006), ‘Zero-order statistics: A mathematical framework for the processing and characterization of very impulsive signals’, IEEE Transactions on Signal Processing 54(10), 3839–3851.
Google (2019), ‘Google Home specifications’. https://support.google.com/
googlehome/answer/7072284?hl=en.
Jiang, Jin-Long & Dai-Feng Zha (2008), Generalized Fractional Lower-Order Spectrum of Alpha Stable Distribution Process, em ‘2008 4th International Conference on Wireless Communications, Networking and Mobile Computing’, IEEE, pp. 1–4. Keuwlsoft (2019), ‘Function Generator’. https://play.google.com/store/apps/
details?id=com.keuwl.functiongenerator{&}hl=pt{_}BR.
Khan, Faraz Ahmad, Fouad Khelifi, Muhammad Atif Tahir & Ahmed Bouridane (2019), ‘Dissimilarity Gaussian Mixture Models for Efficient Offline Handwritten Text- Independent Identification Using SIFT and RootSIFT Descriptors’, IEEE Transac- tions on Information Forensics and Security14(2), 289–303.
Knapp, C. & G. Carter (1976), ‘The generalized correlation method for estimation of time delay’, IEEE Transactions on Acoustics, Speech, and Signal Processing 24(4), 320– 327.
Kwiatkowski, Denis, Peter C B Phillips, Peter Schmidt & Yongcheol Shin (1992), ‘Tes- ting the null hypothesis of stationarity against the alternative of a unit root’, Journal of Econometrics54(1-3), 159–178.
McLachlan, G J & D Peel (2000), Finite mixture models, Wiley Series in Probability and Statistics, New York.
Menon, Anil, Kishan Mehrotra, Chilukuri K Mohan & Sanjay Ranka (1996), ‘Charac- terization of a Class of Sigmoid Functions with Applications to Neural Networks’, Neural Networks9(5), 819–835.
Miró, Xavier Anguera (2006), Robust Speaker Diarization for meetings, Tese de douto- rado, Universitat Politècnica de Catalunya.
Miura, Keiji (2011), ‘An Introduction to Maximum Likelihood Estimation and Informa- tion Geometry’, Interdisciplinary Information Sciences 17(3), 155–174.
Mosalaosi, M. & T. J. O. Afullo (2016), Parameter estimation for linear regression mo- dels in powerline communication systems noise using Generalized Method of Mo- ments (GMM), em ‘2016 Progress in Electromagnetic Research Symposium (PI- ERS)’, IEEE, pp. 4858–4862.
REFERÊNCIAS BIBLIOGRÁFICAS 87
Müller-Trapet, Markus, Jordan Cheer, Filippo Maria Fazi, Julie Darbyshire & J. Dun- can Young (2018), ‘Acoustic source localization with microphone arrays for remote noise monitoring in an Intensive Care Unit’, Applied Acoustics 139, 93–100.
Munoz, David, Frantz Bouchereau Lara, Cesar Vargas & Rogerio Enriquez-Caldera (2009), Position Location Techniques and Applications, Academic Press, Inc., Or- lando, FL, USA.
Myung, In (2003), ‘Tutorial on Maximum Likelihood Estimation’, Journal of Mathema- tical Psychology47, 90–100.
Nikias, Chrysostomos L & Min Shao (1995), Signal Processing with Alpha-stable Distri- butions and Applications, Wiley-Interscience, New York, NY, USA.
Nikias, C.L. (1996), ‘Joint estimation of time delay and frequency delay in impulsive noise using fractional lower order statistics’, IEEE Transactions on Signal Proces- sing44(11), 2669–2687.
Nolan, John P (1997), ‘Numerical calculation of stable densities and distribution functi- ons’, Communications in Statistics. Stochastic Models 13(4), 759–774.
Oguntala, George, Raed Abd-Alhameed, Stephen Jones, James Noras, Mohammad Patwary & Jonathan Rodriguez (2018), ‘Indoor location identification technologies for real-time IoT-based applications: An inclusive survey’, Computer Science Re- view30, 55–79.
Pena, Danilo, Carlos Lima, Matheus Dória, Luan Pena, Allan Martins & Vicente Sousa (2019), ‘Acoustic impulsive noise based on non-gaussian models: An experimental evaluation’, Sensors 19(12).
Rascon, Caleb & Ivan Meza (2017), ‘Localization of sound sources in robotics: A re- view’, Robotics and Autonomous Systems 96, 184–210.
Respeaker (2019), ‘ReSpeaker 4 Mic Array for Raspberry Pi’. https://respeaker.io/ 4_mic_array/.
Roth, Peter R. (1971), ‘Effective measurements using digital signal analysis’, IEEE Spec- trum8(4), 62–70.
Samorodnitsky, G & M S Taqqu (1994), Stable Non-Gaussian Random Processes: Sto- chastic Models with Infinite Variance, Stochastic Modeling Series, Taylor & Francis. Seewald, Lucas Adams, Luiz Gonzaga, Mauricio Roberto Veronez, Vicente Peruffo Mi- notto & Cláudio Rosito Jung (2014), ‘Combining SRP-PHAT and two Kinects for 3D Sound Source Localization’, Expert Systems with Applications 41(16), 7106– 7113.
88 REFERÊNCIAS BIBLIOGRÁFICAS
Shao, Min & Chrysostomos L. Nikias (1993), ‘Signal Processing with Fractional Lower Order Moments: Stable Processes and Their Applications’, Proceedings of the IEEE 81(7), 986–1010.
So, H.C. (2001), ‘Time-delay estimation for sinusoidal signals’, IEE Proceedings - Radar, Sonar and Navigation148(6), 318.
Tandra, Rahul & Anant Sahai (2008), ‘SNR Walls for Signal Detection’, IEEE Journal of Selected Topics in Signal Processing2(1), 4–17.
Theodoridis, Sergios & Rama Chellappa (2014), Array and Statistical Signal Processing, Elsevier.
Vaseghi, Saeed V. (2008), Advanced Digital Signal Processing and Noise Reduction, John Wiley & Sons, Ltd, Chichester, UK.
Wang, H. & P. Chu (2002), Voice source localization for automatic camera pointing sys- tem in videoconferencing, em ‘1997 IEEE International Conference on Acoustics, Speech, and Signal Processing’, Vol. 1, IEEE Comput. Soc. Press, pp. 187–190. Ward, Darren & Michael Brandstein (2001), Microphone Arrays - Signal Processing Te-
chniques and Applications, Springer-Verlag Berlin Heidelberg.
Ying, Dongwen, Ruohua Zhou, Junfeng Li, Yonghong Yan, Dongwen Ying, Ruohua Zhou, Junfeng Li & Yonghong Yan (2017), ‘Window-dominant signal subspace methods for multiple short-term speech source localization’, IEEE/ACM Trans. Au- dio, Speech and Lang. Proc.25(4), 731–744.
Zekavat, Seyed A & R Michael Buehrer (2012), Handbook of Position Location: Theory, Practice, and Advances, John Wiley & Sons, Inc., New Jersey.
Zeng, Wen Jun, H. C. So & Lei Huang (2013), ‘lp-MUSIC: Robust direction-of-arrival es- timator for impulsive noise environments’, IEEE Transactions on Signal Processing 61(17), 4296–4308.
Apêndice A
Simulador SimPatico
O simulador SimPatico (Simulation PlAtform for PosiTIon LoCatiOn evaluation) é uma coleção de algoritmos DOA implementados em Matlab, com modelos de canal e ruído implementados. O desempenho dos métodos são analisados utilizando sinais sinté- ticos e sinais reais. O simulador possui a licença MIT e o código fonte pode ser obtido em:
https://github.com/danilodsp/direction-of-arrival.git O simulador está organizado nos seguintes diretórios:
• /code
Organiza a implementação de todos os algoritmos DOA, modelos de canais, códi- gos auxiliares de cálculo de desempenho, verificação de parâmetros e geração das saídas. Além disso, existem códigos de avaliação de desempenho para sinais reais e códigos experimentais para validação de algoritmos e arranjos ainda não integrados no simulador.
• /data
Armazena dados reais adquiridos por meio de setup experimental. A especifica- ção dos instrumentos e condições de medições se encontram em arquivos de texto (.txt) dentro de cada pasta de cenário medido.
• /results
Local onde é armazenado todos os arquivos de saídas (.mat) e gráficos com resulta- dos das avaliações de desempenho. Geralmente, as pastas especificam a estratégia DOA utilizada e o modelo de canal. Entretanto, dentro de cada pasta está presente também um arquivo denominado parameters.txt, gerado automaticamente com todos os parâmetros configurados para aquela simulação.
• /docs
Armazena possíveis relatórios e análises realizadas no simulador.
A Figura A.1 apresenta a organização dos códigos dentro do diretório /code.