[发明专利]基于无线声传感器网络的K均值聚类加权声源定位方法

权利要求书

1.一种基于无线声传感器网络的K均值聚类加权声源定位方法，其特征在于，采用K均值聚类方法，对声源的远场位置构造的聚类样本集进行聚类，通过更新初始聚类样本集和更新聚类结果集的方法，去除聚类过程中的较大误差数据；采用分配权值的方法，对无线声传感器网络中声源的近场位置和聚类结果集中的各样本进行有效权值的加权；该方法的具体步骤包括如下：

(1)初始化节点数据集：

(1a)将远场麦克风阵列节点的波达方向估计值和节点位置信息，组成远场节点数据集，远场节点数据集中节点的总数为q，q为大于4的正整数；

(1b)将近场麦克风阵列节点的波达方向估计值、距离信息、节点位置信息，组成近场节点数据集，近场节点数据集中节点的总数为m，m为大于1的正整数，并且满足m+q＝9；

(2)按照下式，计算无线声传感器网络中声源的近场位置：

其中，P表示无线声传感器网络中声源的近场位置，∑表示求和操作，i表示节点标号，r_i表示近场节点数据集中第i个节点的距离信息，cos表示余弦操作，θ_i表示近场节点数据集中第i个节点的波达方向估计值，sin表示正弦操作；

(3)构造初始聚类样本集：

(3a)将迭代次数初始化为0；

(3b)利用线性最小二乘法，计算无线声传感器网络中声源的远场位置；

(3c)将无线声传感器网络中声源的远场位置作为初始聚类样本集的一个样本，将迭代次数加1；

(3d)判断迭代次数是否小于30，若是，则执行步骤(3b)，否则，执行步骤(3e)；

(3e)完成样本总数为30的初始聚类样本集的构造；

(4)更新初始聚类样本集；

(4a)在初始聚类样本集中任选一个样本；

(4b)按照下式，计算初始聚类样本集中所有样本的均值：

其中，μ表示初始聚类样本集中所有样本的均值，j表示样本标号，S_j表示初始聚类样本集中第j个样本的样本值；

(4c)按照下式，计算初始聚类样本集中所有样本的方差：

其中，η表示初始聚类样本集中所有样本的方差；

(4d)按照下式，计算初始聚类样本集中所选样本的样本值与所有样本的均值之间的误差值：

δ_j＝(S_j-μ)²

其中，δ_j表示初始聚类样本集中所选样本的样本值与所有样本的均值之间的误差值；

(4e)判断所选样本的误差值是否大于所有样本的方差，若是，执行步骤(4f)，否则，执行步骤(4g)；

(4f)删除初始聚类样本集中所选的样本；

(4g)判断初始聚类样本集中所有的样本是否选择完毕，若是，完成初始聚类样本集的更新，获得聚类样本集，执行步骤(5)，否则，执行步骤(4a)；

(5)对聚类样本集进行K均值聚类：

(5a)将聚类个数设为k，k为大于1的正整数，从聚类样本集中，任意选取与聚类个数相等的样本值作为聚类中心值；

(5b)按照下式，从聚类样本集中任选一个样本，计算所选样本的样本值到每个类的聚类中心值的距离：

d_v＝(S_t-C_v)²

其中，d_v表示所选样本的样本值到第v类的聚类中心值的距离，v表示聚类结果集中类的标号，v＝1,2, … k，k表示聚类个数，S_t表示聚类样本集中所选样本的样本值，t表示聚类样本集中所选样本的标号，t＝1,2, … ,N，N表示聚类样本集的样本总数，C_v表示第v类的聚类中心值；

(5c)从所选样本的样本值到聚类中心值的距离中选取最小的值，并用最小的值所在类的标号对所选样本进行标记；

(5d)判断聚类样本集中所有样本的类是否标记完毕，若是，获得聚类结果集，执行步骤(5e)，否则，执行步骤(5b)；

(5e)求聚类结果集中每个类的样本均值，用每个类的样本均值对每个类的聚类中心值进行更新；

(5f)判断每个类更新后的聚类中心值与原聚类中心值是否相等，若是，则执行步骤(6)，否则，执行步骤(5b)；

(6)更新聚类结果集：

(6a)在聚类结果集中任选一个类；

(6b)按照下式，计算所有类的聚类中心值与无线声传感器网络中声源的近场位置的距离均值：

其中，γ表示所有类的聚类中心值与无线声传感器网络中声源的近场位置的距离均值；

(6c)按照下式，计算所选类的聚类中心值与无线声传感器网络中声源的近场位置的距离：

ρ＝(C_v-P)²

其中，ρ表示所选类的聚类中心值与无线声传感器网络中声源的近场位置的距离；

(6d)判断计算的所选类的距离是否大于所有类的距离均值，若是，执行步骤(6e)，否则，执行步骤(6f)；

(6e)删除聚类结果集中所选的类；

(6f)判断聚类结果集中所有的类是否选择完毕，若是，完成聚类结果集的更新，记录更新后的聚类结果集的类总数和每个类的样本总数，执行步骤(7)，否则，执行步骤(6a)；

(7)分配权值：

(7a)在(0，1]的范围内任意选取一个数，将所选取的数作为近场权值；

(7b)按照下式，计算更新后的聚类结果集中每个类的权值：

其中，w_r表示更新后的聚类结果集中第r类的权值，r＝1,2, … z，z表示更新后的聚类结果集的类总数，w₀表示近场权值，N_r表示第r类的样本总数；

(8)按照下式，计算无线声传感器网络中声源的最终位置：

其中，L表示无线声传感器网络中声源的最终位置，S_r表示更新后的聚类结果集中第r类的样本值。

2.根据权利要求1所述的基于无线声传感器网络的K均值聚类加权声源定位方法，其特征在于，步骤(3b)中所述的利用线性最小二乘法，计算无线声传感器网络中声源的远场位置步骤如下：

第1步，从远场节点数据集中，选取同时满足下述两个条件的四个不同节点，组成定位节点子集；条件1，无线声传感器网络中声源的近场位置包含在所选四个节点组成的凸四边形内；条件2，在所选的四个节点中，任意两个节点的波达方向估计值之差的绝对值大于10度；

第2步，用定位节点子集中的节点波达方向估计值组成系数矩阵；

第3步，用定位节点子集中的节点波达方向估计值和节点位置信息组成常量矩阵；

第4步，按照下式，计算无线声传感器网络中声源的远场位置：

S＝(A^TA)^-1A^Tb

其中，S表示1×2维的无线声传感器网络中声源的远场位置，A表示4×1维的系数矩阵，T表示转置操作，b表示4×2维的常量矩阵。