CN107734433A - 基于改进粒子群算法的星形立体传声器阵列优化方法 - Google Patents
基于改进粒子群算法的星形立体传声器阵列优化方法 Download PDFInfo
- Publication number
- CN107734433A CN107734433A CN201710804683.XA CN201710804683A CN107734433A CN 107734433 A CN107734433 A CN 107734433A CN 201710804683 A CN201710804683 A CN 201710804683A CN 107734433 A CN107734433 A CN 107734433A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- particle
- microphone array
- optimization method
- functions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R5/00—Stereophonic arrangements
- H04R5/027—Spatial or constructional arrangements of microphones, e.g. in dummy heads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明涉及基于改进粒子群算法的星形立体传声器阵列优化方法,为对非规则星形立体传声器阵列进行优化设计,本发明在传统粒子群算法的基础上提出了改进自适应粒子群算法(IAPSO),通过求解Sphere、Quadric、Ackley、Rastrigrin和Griewank等通用测试函数的全局最优解,验证了本方法的可行性和有效性,并与线性递减惯性权重的粒子群算法(LDWPSO)和带收缩因子的粒子群算法(CPSO)比较,验证了本方法的进步性。最后,在对星形立体传声器阵列进行优化设计中,本文提出了基于频率变化的适应度函数,结合5臂30阵元的星形立体传声器阵列优化设计,验证本方法的优越性。
Description
技术领域
本发明属于立体阵列优化技术,具体涉及基于改进粒子群算法的星形多臂立体传声器阵 列优化方法。
背景技术
在使用粒子群算法对立体阵列进行优化时,算法能否收敛到全局最优是其关键的核心技 术,粒子群算法的主要组成部分为:粒子群初始化、惯性权重、适应度函数。
国内外目前主要通过优化惯性权重、认知部分和社会部分来达到改进粒子群算法的目 的,也有将粒子群算法结合其他优化算法一起使用,以达到改进粒子群算法的目的。
在星形多臂立体传声器阵列优化设计中,我们自行研发了基于改进粒子群算法的星形多 臂立体传声器阵列优化方法,本文对粒子群初始化方法进行了改进,改进了基于适应度函数 的自适应惯性权重,提出了自适应变异概率计算方法,通过与传统粒子群算法(LDWPSO) 和带收缩因子的粒子群算法(CPSO)比较,验证本文方法的进步性。最后,本文针对立体 传声器阵列提出了适应度函数计算方法。
发明内容
本发明的目的是:
设计基于改进粒子群算法的星形多臂立体传声器阵列优化方法,该方法能够非常好的适 应星形多臂立体传声器阵列的优化设计。
本发明的技术方案是:
通过求解Sphere函数、Quadric函数、Ackley函数、Rastrigrin函数和Griewank函数的 全局最优解,验证本文方法的可行性和有效性。并与传统粒子群算法(LDWPSO)和紧致粒子 群算法(CPSO)比较,验证本文方法的改进性。最后,本文对5臂30阵元的星形立体传声器阵列进行了优化设计,得到了IAPSO算法的最优阵列。
本发明为基于改进粒子群算法的星形多臂立体传声器阵列优化方法,具体计算过程如 下:
步骤1:粒子群初始化
随机产生粒子群位置和速度。
步骤2:计算自适应动态惯性权重
步骤3:更新粒子位置和速度
步骤4:自适应变异
步骤5:算法可行性与有效性判定
利用本文算法求解Sphere函数、Quadric函数、Ackley函数、Rastrigrin函数和Griewank 函数的全局最优解,见表1。
表1标准测试函数
步骤6:算法进步性验证
比较本文算法IAPSO、LDWPSO算法和CPSO算法,参数设置见表2。
表2算法参数设置
步骤7:星形多臂立体传声器阵列
步骤8:传声器阵列优化设计适应度函数
步骤9:阵元位置初始化
步骤10:阵列优化算法流程
步骤11:仿真实验
本发明的技术效果
本文求解了Sphere、Quadric、Ackley、Rastrigrin和Griewank等通用测试函数的全局最 优解,比较结果如表3所示。
表3 LDWPSO和CPSO获得的数值结果
使用本文IAPSO算法对5臂30阵元的星形立体传声器阵列进行优化,最大进化代数500,种群规模40,算法执行5次,取最小值。适应度函数为1)只优化主瓣宽度;
2)只优化旁瓣水平;3)本文提出的适应度函数。
只优化主瓣宽度,旁瓣水平最差;
只优化旁瓣水平,主瓣宽度最差;
本文适应度函数得到了主瓣宽度和旁瓣水平折中的最优阵型。
附图说明
图1为多臂星形立体传声器阵列空间分布图;
图2为阵列优化算法流程图
图3为5臂30阵元传声器阵列俯视图
具体实施方式
1.粒子群初始化
x:初始化种群位置;:种群对称位置;s:种群规模;d:粒子维数;u:位 置上限;l:位置下限。
随机初始化x,粒子群位置初始化伪码如下:
对x、适应度函数值由小到大排序,选择最优的前s个粒子组成粒子群。
2.计算自适应动态惯性权重
根据下式计算惯性权重:
3.更新粒子位置和速度
根据下式更新粒子位置和速度:
式中:本文方法中c1=c2=2;r1、r2为(0,1)均匀分布的随机数;为第k代第 i个粒子第d维速度;为第k代第i个粒子第d维位置;为截止到第k代,第i 个粒子第d维最优位置;为截止到第k代,种群第d维最优位置。
4.自适应变异
变异概率为:
pm=1/[1+exp(-δk)]…………………………(4)
式中:δ为最优粒子保持不变代数。
:gk对应适应度值;worst_x:最差粒子;r:(0,1)均匀分布随机数。
自适应变异算法伪码为:
5.算法可行性与有效性判定
算法进化代数为500代,种群规模20,粒子维数10,适应度函数取函数值,每 个函数进行10次优化实验,得到最优适应度值的均值(Mean)、标准差(SD)记录在表3 中。
表3本文方法获得的数值结果
F1 | F2 | F3 | F4 | F5 | |
Mean | 0 | 0 | 0 | 0 | 0 |
SD | 0 | 0 | 0 | 0 | 0 |
通过表3可以看出,本文方法在终止条件内都收敛到了全局最优值。
6.算法进步性验证
算法进化代数为500代,种群规模20,粒子维数10,适应度函数取函数值,每 个函数进行10次优化实验,得到最优适应度值的均值(Mean)、标准差(SD)记录在表4 中。
表4 LDWPSO和CPSO获得的数值结果
比较表3和表4发现,对于5个测试函数,本文方法在终止条件内都能收敛到最 优解。
7.星形多臂立体传声器阵列
星形多臂立体传声器阵列如附图2所示,假设其有L个臂,每个臂上有n个传声 器。其中,在每臂的rmin和rmax处各固定一个传声器,共固定2L个传声器。附图2中 满足θl∈[60°,90°]。在对阵列阵元位置做优化 处理时分以下两种情况:
8.传声器阵列优化设计适应度函数
本文适应度函数如下所示:
式中:BMW为主瓣宽度;SSL为旁瓣级;NF为频率数;k1、k2为加权系数,min(k1,k2)=0.4,max(k1,k2)=0.6;BMWj为第j个频率处主瓣宽度;BMW0为 阵列最大指向角;SSLj为第j个频率处归一化旁瓣级。
9.阵元位置初始化
多臂星形立体传声器阵列,如附图2所示。阵元位置rl,i应满足下式约束条件
rl,i的对称位置表示为:
10.阵列优化算法流程
见附图2。
11.仿真实验
为了说明本专利,本文选取臂数L=5,每臂传声器n=6进行详细分析,其他参 数为θl=60°(l=1,2,…5),分析频率为[500:100:1000,1200:200:2000]Hz, rmin=0.2m,rmax=2m,r0=0.02m,进化代数为500,种群规模为30。对5臂30 阵元星形立体阵列进行优化设计,传声器阵列俯视图分别见附图3。
Claims (7)
1.基于改进粒子群算法的星形立体传声器阵列优化方法,其特征在于,具体步骤如下:
步骤1:粒子群初始化,随机产生粒子群位置和速度;
步骤2:计算自适应动态惯性权重;
步骤3:更新粒子位置和速度;
步骤4:自适应变异;
步骤5:算法可行性与有效性判定;
步骤6:算法进步性验证;
步骤7:星形立体传声器阵列;
步骤8:传声器阵列优化设计适应度函数;
步骤9:阵元位置初始化;
步骤10:阵列优化算法流程;
步骤11:仿真实验。
2.如权利要求1所述的优化方法,其特征在于,步骤2根据下式计算惯性权重:
式中k为进化代数,Maxk为进化最大代数,fi为第i个粒子适应度值,fbest为截止第k代最优粒子适应度值。
3.如权利要求1所述的优化方法,其特征在于,步骤3根据下式更新粒子位置和速度:
式中:r1、r2为(0,1)均匀分布的随机数;为第k代第i个粒子第d维速度;为第k代第i个粒子第d维位置;为截止到第k代,第i个粒子第d维最优位置;为截止到第k代,种群第d维最优位置;c1、c2为学习因子,且c1=c2=2。
4.如权利要求1所述的优化方法,其特征在于,步骤4根据下式进行自适应变异:
pm=1/[1+exp(-δk)]
式中:δ为最优粒子保持不变代数。
5.如权利要求1所述的优化方法,其特征在于,步骤5采用下列求解Sphere函数、Quadric函数、Ackley函数、Rastrigrin函数和Griewank函数的全局最优解,见表1。
表1标准测试函数
6.如权利要求1所述的优化方法,其特征在于,通过比较本文算法IAPSO和LDWPSO算法、CPSO算法对进步性进行验证,参数设置见表2。
表2算法参数设置
7.如权利要求1所述的优化方法,其特征在于,步骤8根据下式计算传声器阵列优化设计适应度函数:
式中BMW为主瓣宽度;SSL为旁瓣级;NF为频率数;k1、k2为加权系数,min(k1,k2)=0.4,max(k1,k2)=0.6;BMWj为第j个频率处主瓣宽度;BMW0为阵列最大指向角;SSLj为第j个频率处归一化旁瓣级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710804683.XA CN107734433B (zh) | 2017-09-08 | 2017-09-08 | 基于改进粒子群算法的星形立体传声器阵列优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710804683.XA CN107734433B (zh) | 2017-09-08 | 2017-09-08 | 基于改进粒子群算法的星形立体传声器阵列优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107734433A true CN107734433A (zh) | 2018-02-23 |
CN107734433B CN107734433B (zh) | 2021-11-02 |
Family
ID=61205004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710804683.XA Active CN107734433B (zh) | 2017-09-08 | 2017-09-08 | 基于改进粒子群算法的星形立体传声器阵列优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107734433B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113008363A (zh) * | 2021-03-16 | 2021-06-22 | 国网山东省电力公司东营供电公司 | 一种多谐振点传声器阵列及其布置方法 |
CN115032592A (zh) * | 2022-04-26 | 2022-09-09 | 苏州清听声学科技有限公司 | 一种换能器阵列的阵形优化方法及换能器阵列 |
CN117452802A (zh) * | 2023-11-08 | 2024-01-26 | 上海上源泵业制造有限公司 | 一种低碳供水控制方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662322A (zh) * | 2012-04-10 | 2012-09-12 | 西华大学 | 一种fpga处理器及pid膜优化神经网络控制器 |
CN103678649A (zh) * | 2013-12-20 | 2014-03-26 | 上海电机学院 | 基于云自适应粒子群算法的交通路径搜索系统及方法 |
WO2014115088A1 (en) * | 2013-01-24 | 2014-07-31 | Fondazione Istituto Italiano Di Tecnologia | Method of configuring planar transducer arrays for broadband signal processing by three-dimensional beamforming and signal processing systems using such method, particularly an acoustic camera |
CN104008287A (zh) * | 2014-05-23 | 2014-08-27 | 北京科技大学 | 基于pso-mvdr的声场重构与鬼影抑制方法 |
WO2015169109A1 (zh) * | 2014-05-06 | 2015-11-12 | 国家电网公司 | 一种变压器噪声抑制方法 |
CN105246005A (zh) * | 2015-09-15 | 2016-01-13 | 国家电网公司 | 基于混合引力搜索算法的立体传声器阵列优化设计方法 |
US20160161594A1 (en) * | 2014-12-05 | 2016-06-09 | Stages Pcs, Llc | Swarm mapping system |
-
2017
- 2017-09-08 CN CN201710804683.XA patent/CN107734433B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662322A (zh) * | 2012-04-10 | 2012-09-12 | 西华大学 | 一种fpga处理器及pid膜优化神经网络控制器 |
WO2014115088A1 (en) * | 2013-01-24 | 2014-07-31 | Fondazione Istituto Italiano Di Tecnologia | Method of configuring planar transducer arrays for broadband signal processing by three-dimensional beamforming and signal processing systems using such method, particularly an acoustic camera |
CN103678649A (zh) * | 2013-12-20 | 2014-03-26 | 上海电机学院 | 基于云自适应粒子群算法的交通路径搜索系统及方法 |
WO2015169109A1 (zh) * | 2014-05-06 | 2015-11-12 | 国家电网公司 | 一种变压器噪声抑制方法 |
CN104008287A (zh) * | 2014-05-23 | 2014-08-27 | 北京科技大学 | 基于pso-mvdr的声场重构与鬼影抑制方法 |
US20160161594A1 (en) * | 2014-12-05 | 2016-06-09 | Stages Pcs, Llc | Swarm mapping system |
CN105246005A (zh) * | 2015-09-15 | 2016-01-13 | 国家电网公司 | 基于混合引力搜索算法的立体传声器阵列优化设计方法 |
Non-Patent Citations (4)
Title |
---|
ZHI-HUI ZHAN: "Adaptive Particle Swarm Optimization", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS, PART B (CYBERNETICS)》 * |
闫允一: "粒子群优化及其在图像处理中的应用研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
陈日林: "改进粒子群算法的立体传声器阵列声成像系统阵形优化设计", 《声学学报》 * |
黄松: "基于自适应变异概率粒子群优化算法的研究", 《系统仿真学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113008363A (zh) * | 2021-03-16 | 2021-06-22 | 国网山东省电力公司东营供电公司 | 一种多谐振点传声器阵列及其布置方法 |
CN115032592A (zh) * | 2022-04-26 | 2022-09-09 | 苏州清听声学科技有限公司 | 一种换能器阵列的阵形优化方法及换能器阵列 |
CN115032592B (zh) * | 2022-04-26 | 2023-10-31 | 苏州清听声学科技有限公司 | 一种换能器阵列的阵形优化方法及换能器阵列 |
CN117452802A (zh) * | 2023-11-08 | 2024-01-26 | 上海上源泵业制造有限公司 | 一种低碳供水控制方法和系统 |
CN117452802B (zh) * | 2023-11-08 | 2024-05-14 | 上海上源泵业制造有限公司 | 一种低碳供水控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107734433B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107734433A (zh) | 基于改进粒子群算法的星形立体传声器阵列优化方法 | |
CN106598849B (zh) | 一种基于ap-pso算法的组合测试用例生成方法 | |
CN109388492B (zh) | 一种在多个边缘计算服务器场景下基于模拟退火的移动区块链优化算力分配方法 | |
CN111586720A (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
CN110366193B (zh) | 一种智能电网的网络编排层承载的切片部署方法及装置 | |
CN109193807B (zh) | 一种电力系统经济调度方法及系统 | |
CN113762530A (zh) | 面向隐私保护的精度反馈联邦学习方法 | |
CN110851962B (zh) | 一种数字化车间布局优化方法 | |
CN105246005A (zh) | 基于混合引力搜索算法的立体传声器阵列优化设计方法 | |
CN106250381A (zh) | 表格数据中的用于输入/输出优化的列排序 | |
CN106230528B (zh) | 一种认知无线网络频谱分配方法及系统 | |
KR20190072900A (ko) | 딥러닝을 이용한 무선 측위 장치 및 방법 | |
CN104581748B (zh) | 一种在无线通信网络中识别场景的方法和装置 | |
CN113286314B (zh) | 一种基于q学习算法的无人机基站部署及用户关联方法 | |
CN104093183A (zh) | 一种基于最优分簇数的无线传感器网络非均匀分簇方法 | |
CN112235810B (zh) | 基于强化学习的无人机通信系统的多维度优化方法与系统 | |
CN108764449A (zh) | 一种改进粒子群算法求解白车身焊接装配线平衡问题的方法 | |
CN113835878A (zh) | 一种资源分配方法、装置、计算机设备及存储介质 | |
CN113872661A (zh) | 面向接入用户分级服务的无人机网络三维部署方法及系统 | |
CN112308168A (zh) | 检测电网中电压数据异常的方法 | |
CN104504127B (zh) | 用于电力用户分类的隶属度确定方法和系统 | |
CN108764741A (zh) | 用于确定工厂设定区域内的生产设备布局的方法及装置 | |
CN113194031B (zh) | 雾无线接入网内结合干扰抑制的用户聚类方法及系统 | |
CN109977520A (zh) | 一种二自由度动力吸振器联合优化方法 | |
CN107229998A (zh) | 一种无人机自主寻路策略方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |