本研究针对声音事件定位与检测（SELD）系统中音频特征质量对定位性能的重要性进行了探索，提出了一种基于神经广义互相关相位变换（NGCC-PHAT）的新特征，使其适用于多重重叠声音事件的TDOA估计。通过在STARSS23数据集上的测试，结果显示该方法显著提升了定位性能，超越了标准的GCC-PHAT和SALSA-Lite输入特征。

本文提出并实施了一种新颖的低功耗、适应信道特性的动态频率下行到达差异时间测距算法，通过基于卷积神经网络（CNN）的 NLOS 概率预测器、动态测距频率控制模块和基于 IMU 传感器的测距滤波器，实验证明该算法在 NLOS 条件下的准确度比先前研究的基准方法提高了 50%，在 LOS 条件下的功耗降低了 46%。

TDOA（Time difference of Arrival）是一种利用时间差进行定位的方法，通过测量信号到达不同监测站点的时间差来确定信号源的位置。TDOA具有简单高效、覆盖范围广、抗干扰性强等优势，但准确性受多种因素影响。需要合理选择监测站的位置和参数配置，以提高定位的准确性和可靠性。TDOA广泛应用于无线电监测工作，实现频谱管理和干扰源定位等任务。