[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

说明书

本发明公开了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，主要解决现有技术中抗噪性能差，误差累积导致的定位结果精度降低和卡尔曼滤波器模型应用条件严格受限的问题。其实现步骤为：(1)初始化节点数据集；(2)计算声源的近场位置；(3)构造初始聚类样本集；(4)更新初始聚类样本集；(5)对聚类样本集进行K均值聚类；(6)更新聚类结果集；(7)分配权值；(8)加权计算声源最终位置。本发明通过K均值聚类和加权处理，能够获得抗噪性能增强，定位精度提高的声源位置，并且应用环境更加符合实际需求。

技术领域

本发明属于传感器网络技术领域，更进一步涉及声源定位技术领域中的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。本发明通过聚类和加权处理可实现无线声传感器网络中目标声源的准确定位。

背景技术

无线声传感器网络(Wireless Acoustic Sensor Network)是一种新兴的网络类型，该网络以麦克风阵列为节点，通过无线通信的方式，多个麦克风阵列自组织形成无线传感器网络。基于WASN的声源定位具有资源占用少，简单易实现等显著优势。

Anthony Griffin等人在其发表的论文“Localizing multiple audio sourcesin a wireless acoustic sensor network.”(《Signal Processing》,2015,pages 54-67)中提出一种WASN环境中基于网格的迭代声源定位方法。该方法将网络覆盖范围划分为正方形网格，利用声源所在网格内四个顶点处的波达方向估计值构建目标函数，通过迭代地网格划分及搜索，获取目标声源位置。该方法存在的不足之处是：仅基于声源所在网格内麦克风阵列节点获取的单一物理量——波达方向估计值进行声源定位，单节点波达方向估计值对定位结果影响大，抗噪性能差。

西北工业大学在其申请的专利文献“基于无线声传感器网络的多节点信息融合声源定位方法”(公布号CN106231553A，申请号201610627299.2)中公开了一种基于卡尔曼滤波的多节点信息融合声源定位方法。该方法将声源的近场位置作为状态值，远场波达方向估计值获得的远场位置作为观测值，利用卡尔曼滤波器进行远、近场位置的融合，并通过观测值的协方差矩阵迭代校正，计算声源的最终位置。该方法考虑了WASN融合中心处的多种声源信息物理量，定位精度有所提高；但是该方法仍然存在的不足之处是：当声源远场位置误差较大时，不准确的观测协方差矩阵经过迭代校正会导致误差累积，使最终定位结果的精度降低；使用的卡尔曼滤波器模型需要满足高斯噪声环境下的线性系统方程，应用条件严格受限。

发明内容

本发明的目的在于克服上述已有技术的不足，提出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。

实现本发明目的的具体思路是：利用线性最小二乘法估计的声源的远场位置构造聚类样本集，对聚类样本集进行K均值聚类，并利用近场麦克风阵列节点估计的声源的近场位置更新聚类结果集，最后，对声源的近场位置和聚类结果集中的各样本分配权值，加权计算获得最终声源位置。

实现本发明目的的具体步骤如下：

(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：