基于混合引力搜索算法的立体传声器阵列优化设计方法

摘要

本发明提出一种基于混合引力搜索算法的立体传声器阵列优化方法，包括：构建立体传声器阵列的主要参数在混合引力搜索算法框架下的适应度函数，最优化立体传声器阵列在一定旁瓣级下具有较窄主瓣宽度的阵列结构。该方法优化设计的立体传声器阵列，能弥补传统平面阵定位结果无法分辨出前后波达方向的不足，抑制后向来波，实现对复杂声环境下目标噪声源的被动定位。

主权项

基于混合引力搜索算法的立体传声器阵列优化设计方法，其特征在于，包括以下步骤：1)、构建立体传声器阵列优化参数模型：待优化多臂立体传声器阵列投影直径为2米，有N个阵臂，类似伞骨架呈角度张开，每个臂上有M个麦克风，共计N*M个麦克风；阵臂之间的夹角α＝360°/N，固定每个阵臂第一个阵元到阵中心的距离l₁＝0.2m，最后一个阵元到阵中心的距离只考虑单个臂上阵元的距离L＝[l₂,...,l_M‑1]的变化，其余阵臂依次复制；与此同时，为防止阵元重叠，限制每条臂上相邻两个阵元的最小间距为l₀，即l_m+1‑l_m≥l₀,m＝1,2,…,M‑12)、设定引力系统粒子形式及其优化目标：假设一个包含有N₀个粒子的引力系统，系统维度为D，这个引力系统的所有粒子用向量表示为经过步骤1)处理之后，引力系统粒子的形式设置为设频率为f₀的声信号所对应的常规波束旁瓣级指标为SLL₀，要求旁瓣级小于该指标，若阵列结构为P，则适应度函数Fit(P,f₀)可以表示为$Fit(P,f_0)=\left\{\begin{array}{cc}MLW(P,f_0)& SLL(P,f_0)\le {\mathrm{SLL}}_0\\ +\infty & SLL(P,f_0)>{\mathrm{SLL}}_0\end{array}\right.$当旁瓣级满足指标要求时，则以主瓣宽度为适应度函数返回值；若旁瓣级不满足指标要求，则返回给适应度函数的值为无穷大；因此在一定旁瓣级的要求下，优化目标函数为min Fit(P,f₀),s.t.SLL(P,f₀)≤SLL₀3)、具体的迭代优化过程：将粒子的位置用向量表示为i＝1,2,…,d,…,D，D为引力系统的维度；根据牛顿万有引力定律：任意两个质点在连心线方向上有力的相互吸引，设第i个粒子受到第j个粒子的引力$F_{ij}\left(t\right)=[F_{ij}^1\left(t\right),F_{ij}^2\left(t\right),...,F_{ij}^d\left(t\right),...,F_{ij}^D\left(t\right),],$则第d维方向上的引力分量$F_{ij}^d\left(t\right)=G\left(t\right)·\frac{M_i\left(t\right)\times M_j\left(t\right)}{\left|\right|x_i\left(t\right),x_j\left(t\right)|{|}_2+ϵ}·\left(x_j^d\right(t)-x_i^d(t\left)\right)$其中，M_i(t)、M_j(t)是第i个粒子和第j个粒子被动引力质量；是第j个粒子和第i个粒子在d维方向上的坐标，||x_i(t),x_j(t)||₂是这两个粒子的欧式距离；ε＝0；G(t)是随迭代时间递减的万有引力常系数，且$G\left(t\right)=G_0·\exp (-k·\frac{t}{T})$G₀是引力常系数的初始值，k是一个递减的系数，G₀＝1，k＝20；t为当前迭代次数，T为设定的最大迭代次数；给任意两个粒子在d维方向上的引力分量加一个在(0,1)范围内变化的随机权值rand()，则第i个粒子在d维方向上受到的其他粒子的引力随机加权总和$F_i^d\left(t\right)=\underset{j=1,ji}{\overset{D}{\Sigma }}rand\left(\right)·F_{ij}^d\left(t\right)$这一迭代时刻，粒子在d维方向的引力加速度$a_i^d\left(t\right)=F_i^d\left(t\right)/M_{ii}\left(t\right)$其中，M_ii(t)是第i个粒子的惯性质量；粒子被动引力质量和惯性质量的计算依赖于适应度函数Fit返回的函数值；假设被动引力质量、惯性质量和个体质量三者相等，记为M_i，M_i根据以下几个公式进行计算：$M_i\left(t\right)=\frac{m_i\left(t\right)}{\underset{j=1}{\overset{N}{\Sigma }}{m}_j\left(t\right)}$$m_i\left(t\right)=\frac{{\mathrm{Fit}}_i\left(t\right)-{\mathrm{Fit}}_{worst}\left(t\right)}{{\mathrm{Fit}}_{best}\left(t\right)-{\mathrm{Fit}}_{worst}\left(t\right)}$其中Fit_best＝min(Fit_i(t)),i∈[1,N]，Fit_worst＝max(Fit_i(t)),i∈[1,N]；Fit_i(t)是第i个粒子在t时刻的适应度函数值；混合引力搜索算法的粒子速度和位置按以下两个公式进行更新：$v_i^d(t+1)=w·v_i^d\left(t\right)+c_3·rand\left(\right)·a_i^d\left(t\right)+c_4·rand\left(\right)·\left(g_{best}^d\right(t)-x_i^d(t\left)\right)$$x_i^d(t+1)=x_i^d\left(t\right)+v_i^d(t+1)$权重因子c₃、c₄取0.5和1.5；惯性权值w取(0,1)内的随机数；是指当前迭代时刻粒子在d维方向上的最优解；当循环达到最大次数T时，终止迭代，返回全局最优位置。