CN106940439A - 基于无线声传感器网络的k均值聚类加权声源定位方法 - Google Patents

Abstract

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。

Description

基于无线声传感器网络的K均值聚类加权声源定位方法

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：

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。

本发明与现有技术相比具有如下优点：

第一，由于本发明的节点数据集中包含有近场麦克风阵列节点的波达方向估计值和距离信息，并将无线声传感器网络中声源的近场位置参与最终声源位置的计算，克服了现有技术中存在的单节点的波达方向估计值对定位结果影响大，抗噪性能差的不足，使得本发明具有更好的抗噪性。

第二，由于本发明采用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，并通过更新初始聚类样本集和更新聚类结果集的方法，进一步去除聚类过程中的较大误差数据，克服了现有技术中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，使最终定位结果精度降低的不足，使得本发明能够消除误差累积的影响，获得更为准确的声源位置。

第三，由于本发明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计算，获取最终声源位置，克服了现有技术中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，应用条件严格受限的不足，使得本发明的应用环境不受限制，更加符合实际需求。

附图说明

图1是本发明的流程图；

图2是本发明中对聚类结果集进行K均值聚类过程的仿真图；

图3是采用现有技术与本发明的仿真图，其中，图3(a)为采用现有技术的基于网格的迭代定位方法和本发明方法的仿真图，图3(b)为采用现有技术的基于卡尔曼滤波的方法和本发明方法的仿真图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照图1，本发明实现的具体步骤如下。

步骤1，初始化节点数据集。

第一步，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。

第二步，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总数为m，m为大于1的正整数，并且满足m+q＝9。

步骤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。

步骤3，构造初始聚类样本集。

第1步，将迭代次数初始化为0。

第2步，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，具体的步骤是：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；用定位节点子集中的节点波达方向估计值组成系数矩阵；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；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。

第3步，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。

第4步，判断迭代次数是否小于30，若是，则执行第2步，否则，执行第5步。

第5步，完成样本总数为30的初始聚类样本集的构造。

步骤4，更新初始聚类样本集。

第1步，在初始聚类样本集中任选一个样本。

第2步，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。

第3步，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。

第4步，按照下式，计算初始聚类样本集中所选的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的样本的样本值与所有样本的均值之间的误差值。

第5步，判断所选样本的误差值是否大于所有样本的方差，若是，执行第6步，否则，执行第7步。

第6步，删除初始聚类样本集中所选的样本。

第7步，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，执行第1步。

步骤5，对聚类样本集进行K均值聚类。

第1步，将聚类个数初始化为k，本实施例中k取值为3，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。

第2步，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。

第3步，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。

第4步，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，执行第5步，否则，执行第2步。

第5步，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。

第6步，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，执行第2步。

步骤6，更新聚类结果集。

第1步，在聚类结果集中任选一个类。

第2步，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。

第3步，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。

第4步，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，则执行第5步，否则，执行第6步。

第5步，删除聚类结果集中所选的类。

第6步，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，执行第1步。

步骤7，分配权值。

第1步，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。

第2步，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。

步骤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。

本发明的效果可以通过以下仿真实验作进一步说明。

1.仿真条件：

本发明与现有技术采用方法的仿真实验是在Pentium(R)Dual-Core CPU E5800@3.20GHz 32位Windows操作系统下，MATLAB R2011b的运行平台上，分别对采用现有技术的基于网格的迭代声源定位方法、基于卡尔曼滤波的定位方法以及本发明方法进行的仿真实验。

仿真参数设置：取距离目标声源最近的4个正方形网格覆盖的区域，作为目标声源的观测区域，正方形边长为4米。麦克风阵列节点分布在正方形网格各顶点处，节点总数为9，节点的位置信息对应所在网格顶点的坐标。以观测区域中心位置节点处的信噪比作为参考信噪比并由此计算其他各节点信噪比，参考信噪比变化范围为0～20dB。节点波达方向估计值的观测噪声服从零均值，协方差为的高斯分布，根据节点信噪比与波达方向估计值的误差关系式：σ_θ(SNR)＝1.979e^-0.2875(SNR)+1.884可产生各节点的观测数据。利用正方形边长，将仿真定位结果与实际声源位置的定位均方根误差进行标准化，以此作为定位精度的衡量标准。本发明仿真中初始聚类样本集的样本总数为30，聚类个数为3，不同信噪比下近场权值的取值范围为0.6～1.0，实际的目标声源位置为(2.6,3.0)，蒙特卡罗仿真次数为20。

2.仿真内容及结果分析：

图2为信噪比为20dB的情况下，本发明中对聚类结果集进行K均值聚类过程的仿真图。聚类样本集中每个样本的样本值由声源远场位置的横坐标和纵坐标共同组成，图2中的横坐标X表示样本值所对应的声源远场位置的横坐标，纵坐标Y表示样本值所对应的声源远场位置的纵坐标，黑色圆点表示聚类1的样本值，十字符号表示聚类2的样本值，乘号表示聚类3的样本值，三角形表示每个类的聚类中心值，星号表示声源的近场位置，五角星表示实际的声源位置。由图2可知，实际参与K均值聚类的样本总数为19，小于初始聚类样本集的样本总数30，说明根据声源的远场位置构造的初始聚类样本集中存在误差较大的样本，本发明通过更新初始样本集删除较大误差样本是必要的；在3个类组成的聚类结果集中，类的聚类中心值与实际的声源位置距离越远，表示该类中的样本误差越大，本发明通过删除聚类3，保留聚类1和聚类2对聚类结果集进行更新。因此，本发明可以有效去除声源定位过程中的较大误差数据，实现有效的聚类。

图3为采用现有技术的两种方法和本发明的K均值聚类加权定位方法的仿真图，仿真结果如图3(a)和图3(b)所示。

图3(a)是采用基于网格的迭代定位方法与本发明方法的定位均方根误差随参考信噪比的变化曲线图，其中，图3(a)的横坐标表示参考信噪比，纵坐标表示定位均方根误差占正方形边长的百分比。获得图3(a)仿真曲线所使用的实验参数为：近场节点个数m为1，远场节点个数q为8，观测区域中心位置的节点为近场节点，其他节点为远场节点。由图3(a)可见，参考信噪比为12dB时，基于网格的迭代定位方法的定位均方根误差为2.684％，采用本发明方法的定位均方根误差为2.135％；在参考信噪比为6.5dB时，采用本发明方法的定位均方根误差为2.684％。因此，在相同定位均方根误差下，本发明对参考信噪比的要求更低，抗噪性能更好；在相同参考信噪比下，本发明的定位精度更高。

图3(b)是采用基于卡尔曼滤波的定位方法与本发明方法的定位均方根误差随参考信噪比的变化曲线图，其中，图3(b)的横坐标表示参考信噪比，纵坐标表示定位均方根误差占正方形边长的百分比。获得图3(b)仿真曲线所使用的实验参数为：近场节点个数m为2，远场节点个数q为7，观测区域中心位置的节点和坐标位置为(0,4)的节点为近场节点，其他节点为远场节点。由图3(b)可见，在0～5dB的参考信噪比范围内，采用本发明方法的定位均方根误差大于基于卡尔曼滤波的定位方法；在参考信噪比大于5dB时，采用本发明方法的定位均方根误差小于基于卡尔曼滤波的定位方法；在0～20dB的参考信噪比范围内，采用本发明方法的定位均方根误差为1.3％～4.2％，保持在较低的定位精度范围内。因此，本发明在不受应用环境限制的条件下，也可以获得较好的定位结果；并且在参考信噪比大于5dB时，本发明可以进一步提高定位精度，获得更为准确的声源位置。

综上所述，本发明采用的K均值聚类加权声源定位方法具有更好的抗噪性；通过对聚类结果集进行K均值聚类的过程能够有效去除较大误差数据，提高声源定位精度；利用加权计算方法实现声源远场和近场信息的融合，应用环境不受限制，更加符合实际需求。

Claims (2)

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，包括如下步骤：

(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：

$P=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}(r_i{\mathrm{cos\θ}}_i,r_i{\mathrm{sin\θ}}_i)$

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：

$\mathrm{\μ}=\frac{1}{30}\underset{j=1}{\overset{30}{\Σ}}{S}_j$

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：

$\mathrm{\η}=\frac{1}{30}\underset{j=1}{\overset{30}{\Σ}}{(S_j-\mathrm{\μ})}^2$

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：

$\mathrm{\γ}=\frac{1}{k}\underset{v=1}{\overset{k}{\Σ}}{(C_v-P)}^2$

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：

$w_r=(1-w_0)\×\frac{N_r}{\underset{r=1}{\overset{z}{\Σ}}{N}_r}$

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：

$L=P\×w_0+\underset{r=1}{\overset{z}{\Σ}}(S_r\×w_r)$

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。