空间相关噪声场中广义互相关相位偏差的校正方法

上个月处理一个双麦克风声源定位的活儿，碰到一个挺折磨人的现象：在静音实验室里标定得好好的GCC-PHAT算法，搬进有空调、有风机、还有人敲键盘的现场，时延估计就开始“抽风”，同一个声源在10秒内能给出好几个互相矛盾的角度。起初我以为是增益匹配或者同步问题，把前端查了个遍都没找到毛病，最后才意识到：不是实现有bug，而是算法模型本身漏了一项——它把背景噪声默认成了空间不相关的白噪声，而现场的真实噪声场，在空间上是强相关的。标题里说的“空间相关噪声场中广义互相关相位偏差的校正方法”，就是针对这个问题的一套完整解法。这篇文章不说空话，直接从数学原理、算法设计、MATLAB实现到仿真验证，一步步拆给你看。

1. GCC为什么默认“假设”了噪声必须白且互不相关——先拆到底层原理

1.1 广义互相关的三条核心假设

广义互相关（Generalized Cross-Correlation, GCC）是时延估计（TDOA）里最常用的框架。两个麦克风接收信号可以写成：

x₁(t) = s(t) + n₁(t)
x₂(t) = α·s(t - D) + n₂(t)

其中 s(t) 是目标声源，D 是我们要估计的时延，n₁、n₂ 是两路噪声。GCC 的做法是在频域计算互功率谱密度 G₁₂(f) = E[X₁(f)·X₂*(f)]，然后用一个加权函数 W(f) 做滤波：

R(τ) = ∫ W(f)·G₁₂(f)·e^(j2πfτ) df

那个使 R(τ) 最大的 τ 就是时延估计值。PHAT 加权是 W(f) = 1/|G₁₂(f)|，这样积分里面的东西就变成纯相位项 e^(-j2πfD)，理论上在 τ = D 处会形成一个非常尖锐的峰值，噪声越白、信噪比越高，结果越干净。

但这个框架整体建立在一个默认前提上：n₁(t) 和 n₂(t) 互不相关，且与 s(t) 不相关。既然如此，G₁₂(f) 就只剩下信号贡献 α·Gₛₛ(f)·e^(-j2πfD)，相位干净、没有偏差。这就是为什么很多教材在推导 GCC 时，总是不厌其烦地假设“平稳遍历、信号与噪声独立、噪声互不相关”。

1.2 空间相关噪声是怎样把相位“带偏”的

现实环境里这些假设往往不成立。一个固定方向的干扰喇叭、一台持续运转的空调、一群人说话的嘈杂背景，它们发出的噪声到达两个麦克风时，天然带有确定性的时延关系和相位关系。也就是说 n₁(t) 和 n₂(t) 之间存在着强相关。

这时候互功率谱密度就不再是干净的了：

G₁₂(f) = α·Gₛₛ(f)·e^(-j2πfD) + Gₙ₁ₙ₂(f)

多出来的 Gₙ₁ₙ₂(f) 就是噪声互谱。它的相位是噪声源相对两个麦克风传播时延的函数，不是 0，也不等于目标信号时延对应的相位。PHAT 加权后，GCC 峰值会被拉到真实时延和噪声时延之间的某个位置，于是产生“相位偏差”——这是系统性的偏差，不是随机抖动，增加数据长度、多做几次平均只能让结果更稳定地错下去。

这里要特别指出：常见的信噪比提升手段，比如提高采样率、加长 FFT、多次平均，对这类偏差几乎没有帮助。因为它不是估计方差问题，而是模型偏置问题。后面你会发现，校正的关键是把 Gₙ₁ₙ₂(f) 这一项显式地建模进去，而不是祈祷它消失。

2. 漫射噪声场下的数学拆解：偏差项其实藏在互谱实部里

2.1 把观测互谱拆成信号项与噪声项

既然要建模，必须选一个数学上可处理、物理上又贴近实际的噪声场模型。工程里最常用的是漫射噪声场（diffuse noise field），也叫球面各向同性噪声场。它模拟的是四面八方均匀分布、无数不相关噪声源叠加的效果——办公室里开会的嘈杂声、街道上的环境噪声、车内风噪，用这个模型描述都很合适。

漫射噪声场有一个非常漂亮的数学性质：两个麦克风之间噪声互谱密度是实函数，具体形式是：

ψ(f) = sinc(2·f·d/c) = sin(2πfd/c) / (2πfd/c)

其中 d 是麦克风间距，c 是声速。这里要注意，MATLAB 的 sinc 函数自带 π 因子，所以代码里直接写 sinc(2fd/c) 就能得到正确结果，很多初学者在这里被坑过。

于是观测互谱可以显式写为：

G₁₂(f) = γₛ(f)·e^(-j2πfD) + γₙ(f)·ψ(f)

其中 γₛ(f) = α·Gₛₛ(f) 是信号互谱幅度，γₙ(f) 是噪声功率谱密度，假设两路麦克风接收到的噪声功率相同。这个模型把信号项和噪声项分得清清楚楚，是后面所有校正推导的地基。