[发明专利]基于均匀设计和自组织特征映射神经网络的声源定位方法

权利要求书

1.一种基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：包括以下步骤：

步骤1、确定声源所在三维空间，并将声源所在三维空间按照其总体形状划分成大小相同的n个立体网格，每个立体网格的体中心在空间坐标系中有独立的坐标，并把每个立方网格的体中心坐标作为待定位声源所在位置；

步骤2、确定均匀设计法中的实验因素；选择声音信号的m个特征作为均匀设计法中的实验因素；对于步骤1中每个立体网格中采集到的声音信号，都有m个实验因素构成的一维向量X_m＝(x₁,x₂，…x_i…x_m)，但不同立体网格中即不同位置处向量不同，对于整个三维空间，有n个m维向量；

步骤3、采用均匀设计方法，从三维空间中的n个网格中选取均匀散布的k个网格；

步骤4、将选取的k个网格做成k行m列的均匀设计表，k行表示选取的进行定位实验的k个网格，m列分别为k个网格中声音信号的不同特征；

步骤5、建立自组织特征映射神经网络；

步骤6、将均匀设计表中k行m列的向量数据归一化处理，处理后的向量表示为作为自组织特征映射神经网络的输入向量；

步骤7、对自组织特征映射神经网络输入层与输出层的神经元连接权值ω_j赋值；连接权值取自空间中n个m维向量中任意k个，对连接权值归一化处理得到权值向量

步骤8、计算自组织特征映射神经网络的输入向量与权值向量乘积，得到z个输出值对于输入向量计算得到的z个输出值，定义优胜邻域N_j(t)，确定训练t次的权值调整域，直到随着训练次数的增加，优胜邻域减小到有一个最大输出值y_p,p∈(1,z)，称为获胜神经元；对权值调整域内的获胜神经元及其他神经元进行权值更新；

步骤9、对自组织特征映射神经网络的学习率η赋初始值，并设定学习率随训练次数增加逐渐减小，以保证收敛；

步骤10、定位声源；对于输入的向量，采用欧式距离法将其与竞争层中的神经元对应的权值进行相似性比较；k个输入向量中，欧式距离计算结果最小对应的输入向量最接近声源位置，即输入向量所在立体网格最接近声源位置，进而获得声源稀疏位置。

2.根据权利要求1所述的基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：网格划分的大小决定了所要求的声源定位精度。

3.根据权利要求1所述的基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：步骤5所述自组织特征映射神经网络为两层的神经网络模型结构，一层为输入层，一层为竞争层，两层网络的各个神经元之间双向连接，竞争层作为输出层，该层各神经元之间做横向连接；输入层神经元个数为m，与步骤2中m个实验因素个数对应，即节点数与样本维数相等，竞争层即输出层的神经元个数为k。

4.根据权利要求3所述的基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：步骤8所述对权值调整域内的获胜神经元及其他神经元进行权值更新，如下公式所示：

其中，Δω_jk为权值调整域内神经元的权值更新变化量，η为自组织特征映射神经网络的学习率。

5.根据权利要求4所述的基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：步骤9所述自组织特征映射神经网络的学习率η如下公式所示：

其中，a为0～1之间的常数，t为训练次数，t_l为自组织特征映射神经网络设定的最大训练次数。

6.根据权利要求5所述的基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：对于输入的向量，采用欧式距离法将其与竞争层中的神经元对应的权值进行相似性比较，如下公式所示：