一种适用于特定定位场景的任意阵列优化方法与流程

本发明涉及一种用于声源定位的阵列结构优化方法，特别是适用于特定定位场景的任意阵列优化方法。

背景技术：

麦克风阵列主要用于声源的定位和识别。目前，麦克风阵列技术在噪声源识别与控制、语音增强、多声源分离、目标定位与追踪以及语音交互设备中得到了广泛的应用，而麦克风阵列的核心功能基础是声源定位。通过麦克风阵列进行声源定位的技术主要有三类，波束成形、声全息以及声达时差法。波束成形法和声全息法都通过重构二维全息面来识别声源，并不能获得声源在三维空间的实际位置。目前有部分学者提出了以波束成形为基础的麦克风阵列优化方法，主要以主瓣宽度和旁瓣高度为优化目标，对既有阵列类型的数量、传声器间距等参数进行优化，优化空间为二维平面阵列。另外，目前关于阵列优化方法的专利中，也主要以既有阵列为基础进行优化。如专利号为cn108828603a的发明专利（一种基于十字型的三维成像声纳阵列的稀疏优化方法，2018年6月14日）是基于十字阵列的优化方法；专利号为cn108959788a的发明专利（一种平面阵列天线全空间波束副瓣快速优化方法，2018年7月12日）是基于平面阵列的优化方法；专利号为cn108829988a的发明专利（一种六边形圆极化天线阵列及其快速优化方法，2018年6月22日）是基于六边形的阵列优化方法。以既有阵列结构为优化的基础，相当于在优化过程中引入了先验信息的干扰，对不同的定位场景难以获得最优的优化结果。

声达时差法可以准确定位三维空间声源的位置，在目标追踪、声源定位与识别等领域有着更加广泛的应用。目前对于基于声达时差法的阵列优化研究主要针对既有阵列结构及其变形结构的定位效果对比，难以保证变形结构是最优的结构形式。同时也有研究人员推导出了最优定位阵列结构的方程，但仅得出特殊解，即正多面体结构，只有特定数量的麦克风才能应用于特殊解结果，难以获得一般情况下的应用。另外此最优定位阵列结构的方程推导基于全向范围的定位估计，不能应用于特定定位场景的阵列优化。

针对现有阵列优化方法的不足，本发明专利提出一种适用于特定定位场景的任意阵列优化方法，该阵列优化算法以声达时差定位方法为基础，结合粒子群算法对阵列结构参数快速迭代优化，不依靠先验阵列结构信息，针对特定定位需求，获取全局最优阵列结构参数。

技术实现要素：

本发明的目的是提出一种适用于特定定位场景的任意阵列优化方法，以声达时差定位方法为基础，针对任何特定定位场景，对任意麦克风阵列几何结构进行全局优化。

为实现上述目的，本发明采取以下技术方案。

一种适用于特定定位场景的任意阵列优化方法，包括以下步骤：

步骤1构建麦克风阵列的参数化几何结构模型。取参考麦克风的坐标为。其它麦克风的坐标由径向距离、方位角以及仰角三个参数来表示，则三维空间中其它麦克风的坐标为，其中，表示参考麦克风以外的麦克风数量。

麦克风阵列优化的搜索空间可以表示为

其中表示优化搜索空间，表示麦克风直径，表示声源信号中的主要周期频率，是声速。

步骤2建立基于声达时差方法的空间声源定位模型。令定位声源坐标为，声源定位模型的数学描述如下所示

其中是声源到参考麦克风之间的距，是其它麦克风到声源的距离。

通过声达时差原理可以构建

其中是声信号到达参考麦克风和其它麦克风之间的时间差。可通过声信号之间的互相关函数来求取，如式（4）和式（5）所示

其中和分别为麦克风和采集到的声信号。

由式（2）可以看出，定位模型由非线性方程构成。为便于求解定位结果，将定位模型进行线性化转换并写成矩阵形式，如式（6）所示

其中，，。

步骤3求解基于声达时差方法的定位模型。为求解式（6）中的线性方程组，构造误差向量，如式（7）所示

其中是未知量，，，代表不带误差的变量真实值。

通过加权最小二乘法对式（7）进行求解，并进行合理的近似，可得式（8）

其中，而为服从正态分布的噪声向量。

为提升声源定位求解结果的精度，构造新的误差向量，如式（9）所示

其中。，。和是的误差估计值。

再次通过加权最小二乘法对式（9）进行求解，并进行合理的近似，得到式（10）

最终源的定位结果如式（11）所示

。

步骤4建立针对特定场景麦克风阵列结构优化模型。采用粒子群算法对阵列结构参数进行优化。具有个粒子的集群表示为

每一个粒子带有一个麦克风阵列的属性，如式（13）所示

特定定位场景可由分布于特定目标区域的声源集合构成，如式（14）所示

其中为声源的真实坐标值，为用于优化阵列的声源数量，为特定目标定位区域分布点集。

麦克风阵列优化问题可以定义为

；

其中为维空间的实数域，即寻优空间的变量数。为适应度函数，由定位结果的均方值和方差来构建，如式（16）所示

其中是权重值，。是定位结果的均方值，定义为式（17）

是声源定位结果的方差值，定义为式（18）

其中。

采用粒子群优化算法来对麦克风阵列优化问题进行求解。定义粒子个体最优值和粒子群全局最优值，如式（19）所示

其中表示迭代序数，而表示迭代总步数。

粒子速度和位置分别由式（20）和式（21）来更新，如下所示

其中表示在范围[0，1]之间均一分布的随机数；和表示学习因子；为惯性权重，可由式（22）来求解

其中和为惯性权重的上边界和下边界。

对麦克风阵列结构优化模型进行数值迭代，最终输出的即为最优麦克风阵列结构参数。

优化模型的数值迭代流程如下：

第一步，初始化粒子群模型的参数，如粒子数量，学习参数和，惯性权重和，总迭代步数，适应函数权重；

第二步，构建特定目标区域的声源集合，满足特定定位场景的需求；构建满足约束条件的均一随机分布的初始粒子群；并获得初始粒子最优位置和全局最优位置，即，；

第三步，通过式（20）和式（21）更新粒子的速度和位置，同时保持；

第四步，如果，更新个体粒子最优位置。如果，更新粒子群全局最优位置；

第五步，判断是否达到收敛标准或者达到最大迭代步数。如果没有达到收敛标准，则重复第三步和第四步；否则进入第六步；

第六步，输出最优优化结果的阵列参数。

本发明由于采取以上技术方案，其具有以下优点：1、本发明提出的麦克风阵列优化方法用于基于声达时差法的空间声源定位，优化后的阵列可准确获取声源的空间位置，在众多领域有着广泛的应用；2、本发明提出的麦克风阵列优化方法适用于任意阵列的优化，无需依赖先验阵列结构信息，并获得全局最优阵列结构；3、本发明提出的麦克风阵列优化方法可适于特定定位场景的麦克风阵列优化，只需构造特定目标区域的声源集合，满足特定定位场景的需要，即可获得相应的全局最优阵列结构形式；4、本发明提出的麦克风阵列优化方法可以进行扩展，同样可适用于二维平面阵列或者线型阵列的优化。

附图说明

图1是本发明的麦克风阵列及目标定位声源集的相对位置关系图。

图2是本发明的优化模型数值迭代流程图。

图3是本发明的适应度函数迭代进化曲线。

图4是本发明的优化后最优阵列几何结构图。

图5是本发明的优化阵列定位精度对比图。

图中：1-1为麦克风阵列；1-2为目标定位声源；5-1为本发明方法优化阵列定位误差；5-2为正四面体阵列结构定位误差。

具体实施方式

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

本发明的一种适用于特定定们场景的任意阵列优化方法，包括以下步骤：

1）构建麦克风阵列的参数化几何结构模型。取参考麦克风的坐标为。其它麦克风的坐标可由径向距离、方位角以及仰角三个参数来表示，则三维空间中其它麦克风的坐标为，其中，表示参考麦克风以外的麦克风数量。

麦克风阵列优化的搜索空间可以表示为

其中表示优化搜索空间，表示麦克风直径，表示声源信号中的主要周期频率，是声速。

2）建立基于声达时差方法的空间声源定位模型。声达时差法本质是三角测量方法。令定位声源坐标为，定位模型的数学描述如下所示

其中是声源到参考麦克风之间的距离，是其它麦克风到声源的距离。

通过声达时差原理可以构建

其中是声信号到达参考麦克风和其它麦克风之间的时间差。可通过声信号之间的互相关函数来求取，如式（4）和式（5）所示

其中和分别为麦克风和采集到的声信号。

由式（2）可以看出，定位模型由非线性方程构成。为便于求解定位结果，将定位模型进行线性化转换并写成矩阵形式，如式（6）所示

其中，，。

3）求解基于声达时差方法的定位模型。为求解式（6）中的线性方程组，构造误差向量，如式（7）所示

其中是未知量，，，代表不带误差的变量真实值。

通过加权最小二乘法对式（7）进行求解，并进行合理的近似，可得式（8）

其中，而为服从正态分布的噪声向量。

为提升声源定位求解结果的精度，构造新的误差向量，如式（9）所示

其中。。和是的误差估计值。

再次通过加权最小二乘法对式（9）进行求解，并进行合理的近似，得到式（10）

最终源的定位结果如式（11）所示

。

4）建立针对特定场景麦克风阵列结构优化模型。采用粒子群算法对阵列结构参数进行优化。具有个粒子的集群表示为

每一个粒子带有一个麦克风阵列的属性，如式（13）所示

特定定位场景可由分布于特定目标区域的声源集合构成，如式（14）所示

其中为声源的真实坐标值，为用于优化阵列的声源数量，为特定目标定位区域分布点集。

麦克风阵列优化问题可以定义为

；

其中为维空间的实数域，即寻优空间的变量数。为适应度函数，由定位结果的均方值和方差来构建，如式（16）所示

其中是权重值，。是定位结果的均方值，定义为式（17）

是声源定位结果的方差值，定义为式（18）

其中。

采用粒子群优化算法来对麦克风阵列优化问题进行求解。定义粒子个体最优值和粒子群全局最优值，如式（19）所示

其中表示迭代序数，而表示迭代总步数。

粒子速度和位置分别由式（20）和式（21）来更新

其中表示在范围[0，1]之间均一分布的随机数；和表示学习因子；为惯性权重，可由式（22）来求解

其中和为惯性权重的上边界和下边界。

对麦克风阵列结构优化模型进行数值迭代，最终输出的即为最优麦克风阵列结构参数。

优化模型的数值迭代流程如下：

第一步，初始化粒子群模型的参数，如粒子数量，学习参数和，惯性权重和，总迭代步数，适应函数权重；

第二步，构建特定目标区域的声源集合，满足特定定位场景的需求；构建满足约束条件的均一随机分布的初始粒子群；并获得初始粒子最优位置和全局最优位置，即，；

第三步，通过式（20）和式（21）更新粒子的速度和位置，同时保持；

第四步，如果，更新个体粒子最优位置。如果，更新粒子群全局最优位置；

第五步，判断是否达到收敛标准或者达到最大迭代步数。如果没有达到收敛标准，则重复第三步和第四步；否则进入第六步；

第六步，输出最优优化结果的阵列参数。

下面通过具体实施例对本发明的适用于特定定位场景的任意阵列优化方法进行详细说明。

本实施例对包括参考传声器在内的五个传声器阵列进行几何结构优化，而声源定位场景为绕麦克风阵列一周的环形声源带。采用本发明提出的方法对此特定目标定位场景下的阵列几何结构参数进行优化，具体过程如下：

1）构建麦克风阵列的参数化几何结构模型。取参考麦克风的坐标为。其它麦克风的坐标可由径向距离、方位角以及仰角三个参数来表示，则三维空间中其它麦克风的坐标为，其中。由于目标声源为中心对称分布，本实例中所有径向距离都取0.7m。

麦克风阵列优化的搜索空间可以表示为

其中表示优化搜索空间，表示麦克风直径，表示声源信号中的主要周期频率，是声速。

2）建立基于声达时差方法的空间声源定位模型。声达时差法本质是三角测量方法。令定位声源坐标为，定位数学模型如下所示

其中是声源到参考麦克风之间的距离，是其它麦克风到声源的距离。

通过声达时差原理可以构建

其中是声信号到达参考麦克风和其它麦克风之间的时间差。可通过声信号之间的互相关函数来求取，如式（4）和式（5）所示

其中和分别为麦克风和采集到的声信，可在虚拟平台构建非平稳噪声信号来实现。

由式（2）可以看出，定位模型由非线性方程构成。为便于求解定位结果，将定位模型进行线性化转换并写成矩阵形式，如式（6）所示

其中，，。

3）求解基于声达时差方法的定位模型。为求解式（6）中的线性方程组，构造误差向量，如式（7）所示

其中是未知量，，，代表不带误差的变量真实值。

通过加权最小二乘法对式（7）进行求解，并进行合理的近似，得到式（8）

其中，而为服从正态分布的噪声向量。

为提升声源定位求解结果的精度，构造新的误差向量，如式（9）所示

其中。。和是的误差估计值。

再次通过加权最小二乘法对式（9）进行求解，并进行合理的近似，得到式（10）

最终源的定位结果如式（11）所示

4）建立针对特定场景麦克风阵列结构优化模型。采用粒子群算法对阵列结构参数进行优化。初始化设置200个粒子，粒子集群可表示为

每一个粒子带有一个麦克风阵列的属性，如式（13）所示

特定定位场景可由分布于特定目标区域的声源集合构成，如式（14）所示

其中为声源的真实坐标值，取声源个数为180个，且所取声源在目标定位区域均匀分布。为特定目标定位区域分布点集，在本实施例中目标声源绕声阵列环形分布，目标声源集设定为。初始随机阵列及目标定位声源集的相对关系如附图1所示。

麦克风阵列优化问题可以定义为

；

其中为维空间的实数域。为适应度函数，由定位结果的均方值和方差来构建，如式（16）所示

其中是权重值，在本实施例中取。是定位结果的均方值，定义为式（17）

是声源定位结果的方差值，定义为式（18）

其中。

采用粒子群优化算法来对麦克风阵列优化问题进行求解。定义粒子个体最优值和粒子群全局最优值，如式（19）所示

其中表示迭代序数，而表示迭代总步数。

粒子速度和位置分别由式（20）和式（21）来更新

其中表示在范围[0，1]之间均一分布的随机数；和表示学习因子，在本实施例中设；同时对粒子速度设置边界，即；为惯性权重，可由式（22）来求解

其中和为惯性权重的上边界和下边界，在本实施例中分别设为0.8和0.4。

对麦克风阵列结构优化模型进行数值迭代，最终输出的即为最优麦克风阵列结构参数。

优化模型的数值迭代流程如附图2所示，优化过程中适应度函数的迭代曲线如附图3所示。经过迭代，最终获得的最优化阵列结构参数为，最优阵列几何结构图如附图4所示。

为了验证本方法的正确性，将本实施例中的阵列结构的定位精度与文献中提出的优化阵列正四面体结构（麦克风数量与本实施例相同，径向距离也相同）进行对比，对比结果如附图5所示。由附图5的结果可以看出，本方法优化的阵列结构针对特定定位场景具有更高的精度，充分说明了本发明专利提出的适用于特定定位场景的任意阵列优化方法的有效性。

上述实施例仅用于说明本发明，其中方法的各实施步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。