CN107734433B - 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
- CN107734433B CN107734433B CN201710804683.XA CN201710804683A CN107734433B CN 107734433 B CN107734433 B CN 107734433B CN 201710804683 A CN201710804683 A CN 201710804683A CN 107734433 B CN107734433 B CN 107734433B
- Authority
- CN
- China
- Prior art keywords
- particle
- microphone array
- function
- star
- algorithm
- 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.)
- Active
Links
Images
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]
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
随机初始化x,粒子群位置初始化伪码如下:
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。
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
F<sub>1</sub> | F<sub>2</sub> | F<sub>3</sub> | F<sub>4</sub> | F<sub>5</sub> | |
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
10.阵列优化算法流程
见附图2。
11.仿真实验
Claims (4)
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;
根据下式计算惯性权重:
步骤3:更新粒子位置和速度;
步骤4:自适应变异;
步骤5:求解Sphere函数、Quadric函数、Ackley函数、Rastrigrin函数和Griewank函数的全局最优解,进行算法可行性与有效性判定;
步骤6:和LDWPSO算法、CPSO算法比较对算法进步性验证;
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;
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。
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 CN107734433A (zh) | 2018-02-23 |
CN107734433B true 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) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113008363B (zh) * | 2021-03-16 | 2022-04-22 | 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 |
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 |
Citations (4)
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 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITGE20130009A1 (it) * | 2013-01-24 | 2014-07-25 | Istituto Italiano Di Tecnologia | Metodo per la configurazione di schiere planari di trasduttori per l'elaborazione di segnali a banda larga mediante beamforming tridimensionale e sistemi di elaborazione di segnali che utilizzano tale metodo, in particolare telecamera acustica |
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 |
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 (4)
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 |
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 |
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 (3)
Title |
---|
Adaptive Particle Swarm Optimization;Zhi-Hui Zhan;《IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics)》;20090407;全文 * |
基于自适应变异概率粒子群优化算法的研究;黄松;《系统仿真学报》;20160430;第874-879页 * |
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;陈日林;《声学学报》;20130930;第555-562页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107734433A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107734433B (zh) | 基于改进粒子群算法的星形立体传声器阵列优化方法 | |
Semenkin et al. | Self-configuring genetic programming algorithm with modified uniform crossover | |
Kumawat et al. | Multi-objective whale optimization | |
Bahrami et al. | Imperialist competitive algorithm using chaos theory for optimization (CICA) | |
Guney et al. | Backtracking search optimization algorithm for synthesis of concentric circular antenna arrays | |
CN105246005B (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 | |
CN109193807B (zh) | 一种电力系统经济调度方法及系统 | |
CN107457780B (zh) | 控制机械臂运动的方法及装置、存储介质和终端设备 | |
CN106357316B (zh) | 阵列天线的波束赋形方法和装置 | |
CN105005820A (zh) | 一种基于种群爆炸粒子群算法的目标分配优化方法 | |
CN104581748B (zh) | 一种在无线通信网络中识别场景的方法和装置 | |
CN106230528B (zh) | 一种认知无线网络频谱分配方法及系统 | |
CN102682203A (zh) | 一种对引力搜索优化算法中粒子记忆性改进的方法 | |
CN104008287B (zh) | 基于pso‑mvdr的声场重构与鬼影抑制方法 | |
CN109977520A (zh) | 一种二自由度动力吸振器联合优化方法 | |
CN108764448A (zh) | 一种改进免疫算法求解第一类装配线平衡问题的方法 | |
CN114493106B (zh) | 一种基于地理划分的空间众包任务分配方法 | |
CN108415774B (zh) | 一种基于改进烟花算法的软硬件划分方法 | |
CN113609677A (zh) | 一种基于多路径的机器学习辅助天线设计方法 | |
JPWO2020217121A5 (zh) | ||
CN113326135B (zh) | 一种多目标下的云资源调度方法 | |
CN106446532B (zh) | 一种虚拟源强的配置方法 | |
CN103617206A (zh) | 基于自适应小生境的遗传聚类方法 | |
CN113407311A (zh) | 虚拟机的部署方法、装置、设备以及计算机可读存储介质 | |
Darla et al. | Research Article Optimization of Inter Cellular Movement of Parts in Cellular Manufacturing System Using Genetic Algorithm |
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 |