本發(fā)明涉及聲源定位，特別是涉及一種基于改進的粒子群算法的聲源定位方法。

背景技術：

1、聲源定位方法是通過分析聲音信號以確定聲源位置的一項技術?，F(xiàn)有的聲源定位方法主要包括：1)基于到達時間差法，通過多個麥克風陣列記錄的聲音信號的到達時間差來計算聲源位置，但是其存在對噪聲和混響較敏感的缺陷；2)基于對比例法，通過麥克風陣列計算聲源的入射角度，但是需要較多麥克風陣列，計算復雜度高；3)基于能量法，利用聲源在不同麥克風處測得的能量差異來定位，但是其對環(huán)境變化較敏感，定位精度受限于距離和障礙物；4)基于機器學習和神經(jīng)網(wǎng)絡法，其需要大量的訓練數(shù)據(jù)，且模型可解釋性差。

2、粒子群算法(pso,particle?swarm?optimization)是一種基于群體智能的優(yōu)化算法，由kennedy和eberhart在1995年提出。它模擬了鳥群覓食的行為，通過個體之間的信息共享來尋找最優(yōu)解。每個“粒子”代表一個潛在的解，粒子通過跟隨當前的最佳粒子而更新位置和速度，以在搜索空間中移動。采用粒子群算法進行聲源定位比較容易實現(xiàn)，對聲源定位問題的適應能力強，對復雜環(huán)境中的問題求解難度較低，且在多峰和復雜聲學環(huán)境中表現(xiàn)出良好的全局搜索能力，適合解決非線性、多模態(tài)的聲源定位問題。

3、但是直將現(xiàn)有的pso算法運用到聲源定位中，會存在以下問題：1)全局搜索能力有限，容易陷入局部最優(yōu)陷阱。2)算法參數(shù)缺乏自適應調節(jié)機制，導致收斂速度低。3)適應動態(tài)環(huán)境能力差，反應遲緩或失去有效性。4)粒子種群多樣性丟失，影響全局最優(yōu)解的探索。5)邊界約束處理不當，當搜索空間受限，粒子超出允許范圍，缺乏良好的處理機制會導致算法無效。因此，本發(fā)明提出一種基于改進的粒子群算法的聲源定位方法，以解決上述問題。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術的不足，本發(fā)明的目的是提供一種基于改進的粒子群算法的聲源定位方法，能夠有效提高聲源定位精度和算法性能，適應復雜的聲學環(huán)境，為聲學領域應用提供一種高效、可行的解決方案。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：一種基于改進的粒子群算法的聲源定位方法，包括以下步驟：

3、選擇聲源定位場景，利用麥克風陣列采集聲源信號并對聲源信號進行數(shù)據(jù)預處理以得到測量數(shù)據(jù)集，基于麥克風陣列和所述測量數(shù)據(jù)集建立數(shù)學模型；

4、初始化粒子的位置和速度，并計算每個粒子的適應度值以評估粒子當前位置和目標解之間的距離；

5、設置慣性權重以控制粒子當前速度對新速度的影響，并設置個體學習因子和社會學習因子以控制和協(xié)調粒子在搜索空間中的行為；

6、設定迭代控制條件并結合混合優(yōu)化算法以進行粒子的迭代更新，并利用邊界處理策略使粒子在迭代更新過程中保持運行在搜索空間內；

7、完成迭代更新后對聲源定位的結果進行誤差分析，并根據(jù)分析結果利用優(yōu)化策略持續(xù)優(yōu)化粒子群算法。

8、可選的，利用麥克風陣列采集聲源信號并對聲源信號進行數(shù)據(jù)預處理以得到測量數(shù)據(jù)集，基于麥克風陣列和所述測量數(shù)據(jù)集建立數(shù)學模型，包括：

9、記錄每個麥克風接收信號的時間戳并基于所述時間戳計算接收信號的時間差以得到初始數(shù)據(jù)集，對所述初始數(shù)據(jù)集進行去噪、濾波以及格式化處理得到測量數(shù)據(jù)集；

10、在所選的聲源定位場景中選擇一個基點作為參考原點，基于所述參考原點建立三維坐標系，并在所述三維坐標系中布設和記錄每個麥克風的位置坐標，完成數(shù)學模型的建立；

11、基于所述測量數(shù)據(jù)集，計算麥克風接收信號之間的時間差以構建用于評價粒子位置優(yōu)劣的誤差函數(shù)，并利用測量信號的方向到達角對聲源方向的預測誤差進行評估。

12、可選的，初始化粒子的位置和速度，包括：

13、基于所述三維坐標系搜索聲源的所有位置范圍以確定三維搜索空間；

14、在所述三維搜索空間中隨機均勻生成多個粒子的初始位置并獲得初始位置坐標{x,y,z}，再基于生成的多個粒子中選擇設定數(shù)量的粒子進行搜索；

15、基于所述三維搜索空間和所選的設定數(shù)量的粒子，設置每個粒子的初始速度以及每個維度上粒子的速度最大值和速度最小值，并根據(jù)搜索空間大小和所需的迭代次數(shù)動態(tài)調整所述初始速度。

16、可選的，計算每個粒子的適應度值以評估粒子當前位置和目標解之間的距離，包括：

17、獲取每個粒子在所述三維搜索空間內的當前位置以及所述測量數(shù)據(jù)集中的實際數(shù)據(jù)并進行整合；

18、基于整合后的數(shù)據(jù)預測并計算每個粒子當前位置的聲源定位指標；所述聲源定位指標包括時間差或方向角；

19、比較計算所述聲源定位指標和實際數(shù)據(jù)以得到預測誤差，再利用所述預測誤差來定義粒子的適應度函數(shù)，得到適應度值；其中，所述預測誤差與所述適應度值成反比關系，所述預測誤差越小，所述適應度值越大。

20、可選的，設置慣性權重以控制粒子當前速度對新速度的影響，并設置個體學習因子和社會學習因子以控制和協(xié)調粒子在搜索空間中的行為，包括：

21、定義慣性權重的類型和范圍，并選擇線性遞減策略，使所述慣性權重隨著迭代次數(shù)線性減少；所述慣性權重包括用于搜索的高慣性權重和用于開發(fā)的低慣性權重；

22、在每次迭代中，根據(jù)當前迭代次數(shù)計算當前慣性權重，并根據(jù)所述當前慣性權重更新粒子當前速度；

23、在更新粒子當前速度時，利用個體學習因子和社會學習因子使粒子在自身最佳歷史位置和群體最佳全局位置之間找到平衡。

24、可選的，粒子的迭代更新過程包括：

25、利用所述當前慣性權重、所述個體學習因子和所述社會學習因子來更新每個粒子的速度，再利用更新后的粒子速度和邊界處理策略來更新粒子位置；

26、計算每個粒子新位置的當前適應度值，并將粒子當前適應度值與歷史最佳適應度值進行比較，若當前適應度值優(yōu)于歷史最佳適應度值，則更新粒子的歷史最佳位置，得到新的個體最優(yōu)位置；

27、結合混合優(yōu)化算法，比較所有粒子的新的個體最優(yōu)位置并選擇最優(yōu)的粒子來更新全局最優(yōu)位置；所述混合優(yōu)化算法包括用于增強算法全局搜索能力和多樣性的遺傳算法和模擬退火；

28、在每次迭代更新的過程中記錄迭代信息并監(jiān)控適應度值的變化；所述迭代信息包括全局最佳適應度值、平均適應度值和粒子位置分布情況。

29、可選的，迭代控制條件包括：

30、在迭代更新開始前設定初始條件和停止條件；所述初始條件包括最大迭代次數(shù)、最小誤差閾值和收斂標準，所述停止條件包括最大迭代次數(shù)停止、最小誤差閾值停止和無變化收斂停止；

31、在迭代更新過程中設置控制流程；所述控制流程包括初始化迭代計數(shù)器、開始迭代、檢查停止條件、迭代計數(shù)、日志記錄和終止輸出。

32、可選的，利用邊界處理策略使粒子在迭代更新過程中保持運行在搜索空間內，包括：定義所述三維搜索空間的邊界，并檢查每次迭代更新后的粒子位置，若存在超出邊界的粒子，則利用粒子反彈邊界法、粒子位置重置法、周期邊界條件法或邊界隨機重設法將粒子反彈或重置回邊界內。

33、可選的，完成迭代更新后對聲源定位的結果進行誤差分析，包括：

34、在聲源定位中定義誤差度量標準，再收集每個測試位置的真實位置和估計位置來進行誤差計算，得到誤差數(shù)據(jù)；

35、利用統(tǒng)計工具分析所述誤差數(shù)據(jù)以獲取所述誤差數(shù)據(jù)的分布狀況、偏度和峰度，并基于分析結果制作誤差直方圖以觀察誤差集中趨勢和分散情況；

36、基于所述誤差數(shù)據(jù)及其分析結果評估聲源定位的精度，并生成預測位置和真實位置的對比圖以直觀顯示定位偏差。

37、可選的，所述優(yōu)化策略包括用于動態(tài)調整慣性權重和學習因子的模糊邏輯、用于調整算法適應性的環(huán)境模擬模型以及用于快速探索的多粒子群并行化；

38、所述多粒子群并行化通過創(chuàng)建多個粒子群，使算法在多個搜索區(qū)域內進行探索并在不同粒子群之間進行信息共享以找到全局最優(yōu)位置。

39、本發(fā)明通過提供一種基于改進的粒子群算法的聲源定位方法，公開了以下技術效果：

40、1、本發(fā)明通過收集數(shù)據(jù)并建立數(shù)學模型，可以有效地構建起粒子群算法所需的基礎環(huán)境，并且這種對坐標系、目標函數(shù)及數(shù)據(jù)集的細致處理確保了后續(xù)的聲源定位過程更為準確和高效。

41、2、本發(fā)明通過將粒子的位置和速度進行合適的初始化，為接下來的粒子群優(yōu)化迭代過程提供了良好的開端，同時通過計算每個粒子的適應度值評估粒子當前位置與目標解之間的距離，幫助識別出粒子在全局搜索空間中的相對優(yōu)劣位置，指導迭代過程中粒子速度和位置的調整，從而逐步收斂至真實聲源位置。

42、3、本發(fā)明通過設置慣性權重、學習因子等重要參數(shù)，可以控制當前速度對新速度的影響，調節(jié)算法的全局探索能力和局部開發(fā)能力，并且可以決定一個粒子在更新速度時對其自身歷史最佳位置和群體全局最佳位置的依賴程度，提高算法在搜索空間中平衡探索與利用的能力，有效控制和協(xié)調粒子在搜索空間中的行為，使算法能夠更高效地進行聲源定位。

43、4、迭代更新是算法的核心內容，能夠不斷優(yōu)化粒子群的狀態(tài)，使其逐漸逼近實際聲源位置，實現(xiàn)高效而準確的聲源定位。同時本發(fā)明在迭代優(yōu)化過程中以及優(yōu)化結束后引入混合優(yōu)化算法、邊界處理策略和多種先進的優(yōu)化策略和技術，能夠實現(xiàn)：提高算法全局搜索能力、避免陷入局部最優(yōu)、參數(shù)動態(tài)調整、提高環(huán)境適應性、避免粒子越界等效果，使算法在提高聲源定位精度和速度上的性能顯著提高。

44、下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。