[发明专利]一种基于卷积神经网络的室内麦克风阵列声源定位方法

权利要求书

1.一种基于卷积神经网络的室内麦克风阵列声源定位方法，其特征在于，包括如下步骤：

1)建立体现室内脉冲响应的混响仿真模型，根据混响仿真模型建立室内声源信号传播模型；

2)提取声音信号矩阵X的特征，即加权广义互相关函数；

3)卷积神经网络训练所提取的特征。

2.根据权利要求1所述的一种基于卷积神经网络的室内麦克风阵列声源定位方法，其特征在于，步骤1)是使用Roomsim仿真工具模拟室内脉冲响应建立混响仿真模型如下：

式中，Dim表示室内尺寸，v_c表示室内的声速，SNR表示信噪比，S_location表示声源信号位置，M_i,location表示第i个麦克风的位置，表示平均吸声系数，T₆₀表示混响时间，混响时间T₆₀与平均吸声系数的关系用艾润公式描述：

式中，S表示室内墙壁总面积，V表示室内体积。

根据混响仿真模型建立室内声源信号传播模型如下：

X＝H*s_(t)+N (2)

式中，X＝[x₁,x₂,x₃,…x_i…x_M,]表示室内麦克风阵列接收到的声音信号矩阵，其中x_i为第i个麦克风接收到的信号，H＝[h₁,h₂,h₃,...h_i...h_M,]表示室内脉冲响应，h_i为声源到达第i个麦克风的室内脉冲响应，N＝[w₁,w₂,w₃,...w_i...w_M,]表示室内噪声，w_i为第i个麦克风接收到的噪声，M表示麦克风阵列中阵元个数，s(t)表示声源信号。

3.根据权利要求1所述的一种基于卷积神经网络的室内麦克风阵列声源定位方法，其特征在于，步骤2)包括：

(1)计算t时刻第i个和第j个麦克风接收到的信号x_i(t)和x_j(t)的傅里叶变换X_i(ω)和X_j(ω)；

(2)计算互功率谱

(3)对互功率谱进行傅里叶反变换，求广义互相关函数R_i,j(τ)：

(4)对广义互相关函数R_i,j(τ)进行加权：

4.根据权利要求1所述的一种基于卷积神经网络的室内麦克风阵列声源定位方法，其特征在于，步骤3)将提取的特征输入到卷积神经网络的输入层，依次经过卷积层、激励层、池化层、全连接层，最后经输出层输出，其中，

卷积层用于对输入图像不同局部的矩阵和卷积核矩阵进行卷积运算，提取图像特征；激励层用于对卷积层的输出结果做非线性映射，激励函数选择ReLU，它的特点是收敛快，求梯度简单；池化层用于对映射后的特征进行压缩；全连接层为单层结构，神经元个数为1024，最后在输出层，使用Softmax函数，将输出转化成室内声源位置。