CN115169250A - 基于改进混合整数差分进化的麦克风阵列优化方法及系统 - Google Patents
基于改进混合整数差分进化的麦克风阵列优化方法及系统 Download PDFInfo
- Publication number
- CN115169250A CN115169250A CN202211076114.5A CN202211076114A CN115169250A CN 115169250 A CN115169250 A CN 115169250A CN 202211076114 A CN202211076114 A CN 202211076114A CN 115169250 A CN115169250 A CN 115169250A
- Authority
- CN
- China
- Prior art keywords
- individuals
- individual
- array
- test
- population
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明公开了基于改进混合整数差分进化的麦克风阵列优化方法及系统,该方法包括:S100:以阵元位置为个体在阵元平面随机生成初始种群;S200:对种群进行变异操作获得变异个体;S300:对父代个体和变异个体进行交叉操作,生成试验个体;S400:检测各试验个体是否满足边界约束,并使不满足边界约束的试验个体回到边界约束内;S500:判断是否满足预设的迭代结束条件,若满足,则结束;否则,继续执行步骤S600;S600:对试验个体和父代个体进行选择操作,产生子代个体并构成下一代种群,对下一代种群迭代执行步骤S200~S500。本发明在保持平面麦克风阵列稳健性的同时,还可提高阵列波束在指定区域内的指向性。
Description
技术领域
本发明属于麦克风阵列技术领域,具体涉及基于改进混合整数差分进化的麦克风阵列优化方法及系统。
背景技术
麦克风阵列广泛应用于语音增强,线上会议,声源定位,声学检测等领域。作为一种物理接口,麦克风数量、阵列结构、处理算法和收声环境决定着麦克风阵列降噪或语音增强的性能高低,目前大部分研究都是在固定麦克风阵列几何结构的情况下对阵列信号处理算法进行优化,以提高系统性能,对阵列几何结构的优化相对较少。
麦克风阵列通常采用规则几何阵列,如矩形阵、圆阵等,此类阵列由于特定频率下的空间混叠,会产生较高的旁瓣。不规则阵列的阵元间的重复距离少,可有效减弱空间混叠效应。阵列的空间增益是阵元位置的复杂非线性函数,因此,有算法被应用于阵列几何结构优化,以在设定源入射角的一维和二维阵列中实现低水平旁瓣或高阵列增益。目前已有利用粒子群算法(Particle Swarm Optimization,PSO)、遗传算法(Genetic Algorithm,GA)等优化线性麦克风阵列几何结构,但当优化目标阵元较多时,优化过程复杂,控制参数多,加重了运算负担,且大都在收声角度固定的条件下进行阵列优化。
发明内容
本发明的目的是改善现有麦克风阵列几何结构优化方法所存在的问题,提供基于改进混合整数差分进化的麦克风阵列优化方法及系统。
本发明提供的基于改进混合整数差分进化的麦克风阵列优化方法,包括:
S100:以阵元位置为个体在阵元平面随机生成初始种群;
S200:对种群进行变异操作获得变异个体;
S300:对父代个体和变异个体进行交叉操作,生成试验个体;
S400:检测各试验个体是否满足边界约束,以边界为对称轴将不满足边界约束的试验个体进行至少一次轴对称操作,使试验个体回到边界约束内;
S500:判断是否满足预设的迭代结束条件,若满足,当前的种群中个体即优化后的阵元位置;否则,继续执行步骤S600;
S600:对试验个体和父代个体进行选择操作,产生子代个体,子代个体构成下一代种群,对下一代种群迭代执行步骤S200~ S500。
在一些具体实施方式中,步骤S100中,先将阵元平面离散为网格,在网格交点处随机生成个体,获得初始种群。
作为优选方案,在阵元平面以阵元位置为个体随机生成初始种群,具体为:
将阵元平面均分为4个子区域,取任意一子区域为优化区域;先在优化区域内随机产生个体,将优化区域内个体绕阵元平面中心同向依次旋转90°、180°、270°,分别在其他3个子区域内产生阵元;所有子区域的阵元构成初始种群。
作为优选方案,对种群进行变异操作获得变异个体,进一步包括:
S210:从种群中随机选取三个个体;
S230:利用进行变异操作产生变异个体;其中,F1、F2、F3表示相互独立的随机缩放因子;表示、、的线性组合,表示权值,满足以及,且,e1=1,e2=rand(0.75,1),e3=rand(0.5,e2);
所述排序遵循如下规则:
①当所有个体均为可行解时,根据适应度排序,适应度越大,个体越优;
②当所有个体均为不可行解时,根据约束违反度排序,约束违反度越小,个体越优;
③当可行解个体和不可行解个体同时存在,使用准则:(a)可行解个体优于不可行解个体;(b)适应度越大的可行解个体越优;(c)约束违反度越小的不可行解个体越优。
在一些具体实施方式中,对试验个体和父代个体进行选择操作具体为:
基于Deb取值准则对试验个体和父代个体进行选择操作;所述Deb取值准则为:①当试验个体与父代个体均为不可行解,选择约束违反度小的个体作为子代个体;②当试验个体与父代个体均为可行解,选择适应度大的个体作为子代个体;③当试验个体与父代个体中一个为可行解,另一个为不可行解时,选择可行解个体作为子代个体。
在一些具体实施方式中,约束违反度采用标量约束违反度,个体的标量约束违反度获得过程如下:
以种群中任意两阵元间隔不大于最小间距为约束条件,分别计算各个体对应于该约束条件的约束违反度,取最大约束违反度,利用最大约束违反度对各个体的约束违反度进行归一化处理,得各个体的标量约束违反度。
在一些具体实施方式中,初始种群中个体、所述试验个体、以及轴对称操作后回到阵元平面内的试验个体均使用四舍五入法舍入为整数。
本发明提供的基于改进混合整数差分进化的麦克风阵列优化系统,包括:
第一模块,用来以阵元位置为个体在阵元平面随机生成初始种群;
第二模块,用来对种群进行变异操作获得变异个体;
第三模块,用来对父代个体和变异个体进行交叉操作,生成试验个体;
第四模块,用来检测各试验个体是否满足边界约束,以边界为对称轴将不满足边界约束的试验个体进行至少一次轴对称操作,使试验个体回到边界约束内;
第五模块,用来判断是否满足预设的迭代结束条件,若满足,当前的种群中个体即优化后的阵元位置;否则,继续执行第六模块;
第六模块,用来对试验个体和父代个体进行选择操作,产生子代个体,子代个体构成下一代种群,对下一代种群迭代执行第二模块~第四模块。
作为优选方案,第二模块进一步包括子模块:
第一子模块,用来从种群中随机选取三个个体;
所述排序遵循如下规则:
①当所有个体均为可行解时,根据适应度排序,适应度越大,个体越优;
②当所有个体均为不可行解时,根据约束违反度排序,约束违反度越小,个体越优;
③当可行解个体和不可行解个体同时存在,使用准则:(a)可行解个体优于不可行解个体;(b)适应度越大的可行解个体越优;(c)约束违反度越小的不可行解个体越优。
和现有技术相比,本发明具有如下优点和有益效果:
附图说明
图1为本发明方法流程图;
图2为初始区域中阵元绕中心旋转示意图;
图3为实施例中采用IMIDE法优化后的麦克风阵元阵列;
图4为实施例中采用麦克风阵元MIDE阵列的示意图;
图5为麦克风阵元圆阵的示意图;
图6为麦克风阵元均匀面阵的示意图;
图7为麦克风阵元多螺旋阵的示意图;
图8为图3~ 7中麦克风阵元阵列随指向角变化的白噪声增益;
图9为图3~ 7中麦克风阵元阵列随指向角变化的方向性因子;
图10为图3所示IMIDE阵列在0°指向角下的波束图;
图11为图4所示MIDE阵列在0°指向角下的波束图;
图12为图5所示均匀面阵在0°指向角下的波束图;
图13为图6所示圆阵在0°指向角下的波束图;
图14为图7所示多螺旋阵在0°指向角下的波束图;
图15为图3所示IMIDE阵列在30°指向角下的波束图;
图16为图4所示MIDE阵列在30°指向角下的波束图;
图17为图5所示均匀面阵在30°指向角下的波束图;
图18为图6所示圆阵在30°指向角下的波束图;
图19为图7所示多螺旋阵在30°指向角下的波束图;
图20为图3所示IMIDE阵列在-30°指向角下的波束图;
图21为图4所示MIDE阵列在-30°指向角下的波束图;
图22为图5所示均匀面阵在-30°指向角下的波束图;
图23为图6所示圆阵在-30°指向角下的波束图;
图24为图7所示多螺旋阵在-30°指向角下的波束图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下将结合附图对本发明具体实施方式进行详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明。此外,下面所描述的具体实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为便于理解,下面将先对本发明所涉及技术原理进行详细描述。
一、信号模型的构建
麦克风阵列增益在端射方向预设为1,即有无失真约束,如下:
二、性能指标的构建
三、正则化稳健超指向波束形成器的构建
然而,超指向波束形成器对空间白噪声非常敏感,缺乏稳健性。
则超指向波束形成器表示为:
四、目标函数的构建
为减少优化变量,缩小变量搜索范围,降低算法运算量和寻优难度,本具体实施方式的优选方案中,将阵元平面均分为4个区域,任选一区域作为初始区域,先在初始区域内随机初始化阵元位置,再通过对初始区域内阵元进行绕中心旋转操作获得全局阵元位置,再对全局阵元位置进行优化。本发明中还设置寻优角度区间(即指向角区间),使阵元阵列在宽角度范围内可获得较高的指向性。
进一步构建如下目标函数:
五、改进混合整数差分进化法(IMIDE)的优化过程
混合整数差分进化法是基于随机搜索的优化法,使用个体间的位置和发展方向来指导搜索过程,该方法基于排序和随机选择的交叉变异过程,可加快收敛过程,加强局部搜索能力,引入新的边界约束可提高边界搜索能力,引入约束违反度(ConstraintViolation, CV)处理非线性约束。
混合整数非线性规划问题通常表示为:
式(18)中:表示决策向量,,表示实变量个数,表示整数变量个数,为可行域,为决策空间,一般的为维矩形空间;为实变量向量,;为整数变量向量,,与分别为可行实数域和可行整数域;实变量满足 , =1,2,…,分别表示编号为的实变量的上下界;整数变量yai满足,,uai与lai分别表示编号为ai的整数变量yai的上下界;表示编号为的不等式约束,表示不等式约束个数;表示编号为的等式约束,表示约束总数。
本发明将等式约束条件转换为不等式约束条件进行处理,转换过程表示为:
当时,则表明决策向量为可行解,反之则为不可行解。本发明中,
约束条件仅有阵元间最小距离约束,且决策向量为初始阵元坐标,其中元素均设为整
数,经中心旋转后得到全局阵元坐标,以作
为不等式约束条件,即,表示当前全局阵元中第i个阵元与第j个阵元间的间隔。
具体实施时,先采用公式(20)分别计算当前种群中所有个体对约束条件的约束违反度,再选出当前种群中的最大约束违反度,最后根据式(22)进行归一化处理,得各
个体的标量约束违反度。
下面将基于上述技术原理提供本发明方法及系统的具体实施过程,本具体实施方式中,基于改进混合整数差分进化的麦克风阵列优化方法的步骤如下:
S100:在初始阵元平面以阵元位置为个体随机生成初始种群。
初始化时,随机在边界内均匀产生规模NP的种群,种群中每个个体代表问题的可能解决方案,本发明中个体代表阵元位置,个体中元素即各阵元的横、纵坐标。
为减少优化变量,缩小变量搜索范围,降低算法运算量和寻优难度,本具体实施方式的一种优选方案为:将阵元平面均分为4个子区域,取任意一子区域为优化区域;先在优化区域内随机产生个体,将优化区域内个体绕阵元平面中心同向依次旋转90°、180°、270°,即分别在其他3个子区域内产生阵元;所有子区域的阵元构成初始种群,也即全局麦克风阵元,本发明的目的则是对全局麦克风阵元进行优化。
S200:对种群进行变异操作获得变异个体。
该变异策略结构简单且具有较好的全局搜索能力,但局部探索能力不足。为平衡全局搜索能力和局部探索能力,提高收敛速度,本具体实施方式的一种优选方案中提出了随机选择和排序的变异策略,具体包括如下子步骤:
S210:从种群中随机选取三个个体;
本具体实施方式中根据适应度和约束违反度对三个个体排序,遵循以下规则:
①当所有个体均为可行解时,即所有个体的约束违反度均为0时,根据适应度对个体排序,适应度越大,个体越优;
②当所有个体均为不可行解时,即所有个体的约束违反度均不为0时,根据约束违反度对个体排序,约束违反度越小,个体越优;
③当可行解个体和不可行解个体同时存在时,使用三个准则:(a)可行解个体优于不可行解个体;(b)根据适应度对可行解个体排序,即适应度越大的可行解个体越优;(c)根据约束违反度对不可行解个体进行排序,即约束违反度越小的不可行解个体越优。
在具体实施方式中根据个体的标量约束违反度判断个体是否为可行解,具体地,当个体的标量约束违反度为0,则该个体为可行解;反之,则为不可行解。
S300:对父代个体和变异个体进行交叉操作,生成试验个体。
S400:检测各试验个体是否满足边界约束,以边界为对称轴将不满足边界约束的试验个体进行至少一次轴对称操作,使不满足边界约束的试验个体回到边界约束内;所述边界约束指试验个体应位于初始阵元平面内。
变异过程中,试验个体有概率产生超出边界的元素,需要在交叉操作后进行边界约束验证。为保留试验个体的发展趋势,将超出边界的试验个体以边界为对称轴做对称处理,即以边界为对称轴将超过边界的试验个体进行翻转,使之回到阵元平面内,此操作可表示为:
若超出边界过多,则继续执行轴对称处理直至满足边界约束。
为避免进行不必要搜索,本发明在整数空间中搜索整数解,使用四舍五入法将初始个体、试验个体、边界约束验证后的试验个体舍入为最接近的整数。
S600:对试验个体和父代个体进行选择操作,产生子代个体,子代个体构成下一代种群,对下一代种群迭代执行步骤S200~ S500。
Deb取值准则定义如下:
①当试验个体与父代个体均为不可行解,约束违反度小的个体更优,选择约束违反度小的个体作为子代个体;
②当试验个体与父代个体均为可行解,适应度大的个体更优,选择适应度大的个体作为子代个体;
③当试验个体与父代个体中一个为可行解,另一个为不可行解时,可行解个体更优,选择可行解个体作为子代个体。
本发明最终被选取的个体,即满足阵元间最小距离约束,同时也是波束指向角区间内的高指向性个体。
基于Deb取值准则的选择操作过程表示如下:
本具体实施方式中,采用改进混合整数差分进化法(IMIDE)对平面麦克风阵列的几何结构进行优化,使用二分法保持阵列全部波束指向下的阵列稳健性,在预设阵元数和区域的约束下,达到在宽指向区域内获得最大方向性因子并保持一定稳健性的目的,还可显著减少运算量,减少控制参数数量。
下面将提供仿真实施例。本实施例中,阵元数量设为16,阵元间最小距离=0.5cm,全局频率参数,白噪声增益需满足的最小阈值=-10dB,波束指向角区间,阵列平面区域为边长20cm的正方形,即L=H=20cm。种群规模NP=50,交叉因子CR=0.5,最大迭代次数GEN=500。对混合整数经典差分进化法(MIDE)的参数设置为缩放因子F=0.5,交叉因子CR=0.5。
采用改进的混合整数差分进化法IMIDE(即本发明方法)对阵元位置进行优化,优化后初始区域中4个阵元坐标为:(2.7,0),(5.1,5.1),(10,2.7),(0,2.7),单位为cm。全局的IMIDE阵列见图3。同时引入阵元数量相同且为中心对称结构的混合整数经典差分进化法(MIDE)阵列(即采用混合整数经典差分进化法优化所得阵元阵列)、圆阵、均匀面阵及多螺旋阵等常规矩阵进行对比,MIDE阵列、圆阵、均匀面阵及多螺旋阵分别见图4~7,图5中圆阵的半径为10cm,图7所示的多螺旋阵旋臂数为4,最内侧阵元与阵列中心的距离、最外侧阵元与阵列中心距离,第pi个旋臂上第qi个阵元与阵列中心的距离,该阵元相对阵列中心的角度,其中,表示螺旋角度,。
图8和图9分别为图3~图7中麦克风阵元阵列随指向角变化的白噪声增益WNG和方向性因子DF。从图8可以看出,5种麦克风阵元阵列的WNG一致。从图9可以看出,圆阵在各方向上的DF保持不变,但DF值较低。其它阵列的DF值均随指向角变化,多螺旋阵随指向角波动最大,在常规阵列中,均匀面阵的DF随指向角变化较小且值较高。在优化区域内,IMIDE阵列与MIDE阵列均获得优于常规阵列的DF,且相比于均匀面阵和多螺旋阵,两种阵列随波束指向角变化均较小。由优化区域的放大图可以看出,IMIDE阵列的DF值高于MIDE阵列且曲线更平滑。
图10~14分别为图3~7中麦克风阵元阵列在0°指向角下的波束图,图15~19为图3~7中麦克风阵元阵列在30°指向角下的波束图,图20~24为图3~7中麦克风阵元阵列在-30°指向角下的波束图。可以看出,圆阵在各指向角下的波束图都保持一致,但存在较高的旁瓣;多螺旋阵的主瓣相对较宽且旁瓣随指向角变化较大。在各方向上,IMIDE阵列、MIDE阵列与均匀面阵的波束均具有较窄的主瓣与较低的旁瓣,IMIDE阵列和均匀面阵在30°和-30°两个指向角方向上的波束图相似,而MIDE阵列在各指向角上的波束图变化较大。经比较,在阵元数量和WNG相同的情况下,本发明IMIDE法优化后的麦克风阵元阵列(IMIDE阵列)明显具有较高的DF值和较低的旁瓣水平。
本发明解决的是二维平面麦克风阵列的几何结构优化问题。在特定的方形区域内,优化各麦克风阵元位置以在宽角度区域内获得较高的DF。通过将方形区域离散成0.1cm的网格,利用混合整数差分进化法搜索最优阵元位置。为降低运算量,先在1/4区域内,即子区域内随机生成阵元位置,再将子区域内阵元绕中心旋转获得全局阵元位置,将优化问题转为非凸的混合整数非线性约束问题。仿真结果也证明,在WNG不小于预设值的情况下,本发明所获得的IMIDE阵列在宽角度区域内可获得更高的DF值,在端射方向,其DF比均匀面阵、圆阵、多螺旋阵分别高出0.29dB、1.59dB、1.04dB。
上述实施例所述是用以具体说明本发明,文中虽通过特定的术语进行说明,但不能以此限定本发明的保护范围,熟悉此技术领域的人士可在了解本发明的精神与原则后对其进行变更或修改而达到等效目的,而此等效变更和修改,皆应涵盖于权利要求范围所界定范畴内。
Claims (10)
1.基于改进混合整数差分进化的麦克风阵列优化方法,其特征是,包括:
S100:以阵元位置为个体在阵元平面随机生成初始种群;
S200:对种群进行变异操作获得变异个体;
S300:对父代个体和变异个体进行交叉操作,生成试验个体;
S400:检测各试验个体是否满足边界约束,以边界为对称轴将不满足边界约束的试验个体进行至少一次轴对称操作,使试验个体回到边界约束内;
S500:判断是否满足预设的迭代结束条件,若满足,当前的种群中个体即优化后的阵元位置;否则,继续执行步骤S600;
S600:对试验个体和父代个体进行选择操作,产生子代个体,子代个体构成下一代种群,对下一代种群迭代执行步骤S200~ S500。
2.如权利要求1所述的基于改进混合整数差分进化的麦克风阵列优化方法,其特征是:
步骤S100中,先将阵元平面离散为网格,在网格交点处随机生成个体,获得初始种群。
3.如权利要求1所述的基于改进混合整数差分进化的麦克风阵列优化方法,其特征是:
所述在阵元平面以阵元位置为个体随机生成初始种群,具体为:
将阵元平面均分为4个子区域,取任意一子区域为优化区域;先在优化区域内随机产生个体,将优化区域内个体绕阵元平面中心同向依次旋转90°、180°、270°,分别在其他3个子区域内产生阵元;所有子区域的阵元构成初始种群。
4.如权利要求1所述的基于改进混合整数差分进化的麦克风阵列优化方法,其特征是:
所述对种群进行变异操作获得变异个体,进一步包括:
S210:从种群中随机选取三个个体;
所述排序遵循如下规则:
①当所有个体均为可行解时,根据适应度排序,适应度越大,个体越优;
②当所有个体均为不可行解时,根据约束违反度排序,约束违反度越小,个体越优;
③当可行解个体和不可行解个体同时存在,使用准则:(a)可行解个体优于不可行解个体;(b)适应度越大的可行解个体越优;(c)约束违反度越小的不可行解个体越优。
5.如权利要求1所述的基于改进混合整数差分进化的麦克风阵列优化方法,其特征是:
所述对试验个体和父代个体进行选择操作具体为:
基于Deb取值准则对试验个体和父代个体进行选择操作;所述Deb取值准则为:①当试验个体与父代个体均为不可行解,选择约束违反度小的个体作为子代个体;②当试验个体与父代个体均为可行解,选择适应度大的个体作为子代个体;③当试验个体与父代个体中一个为可行解,另一个为不可行解时,选择可行解个体作为子代个体。
6.如权利要求4或5中任一项所述的基于改进混合整数差分进化的麦克风阵列优化方法,其特征是:
所述约束违反度采用标量约束违反度,个体的标量约束违反度获得过程如下:
以种群中任意两阵元间隔不大于最小间距为约束条件,分别计算各个体对应于该约束条件的约束违反度,取最大约束违反度,利用最大约束违反度对各个体的约束违反度进行归一化处理,得各个体的标量约束违反度。
8.如权利要求1所述的基于改进混合整数差分进化的麦克风阵列优化方法,其特征是:
所述初始种群中个体、所述试验个体、以及轴对称操作后回到阵元平面内的试验个体均使用四舍五入法舍入为整数。
9.基于改进混合整数差分进化的麦克风阵列优化系统,其特征是,包括:
第一模块,用来以阵元位置为个体在阵元平面随机生成初始种群;
第二模块,用来对种群进行变异操作获得变异个体;
第三模块,用来对父代个体和变异个体进行交叉操作,生成试验个体;
第四模块,用来检测各试验个体是否满足边界约束,以边界为对称轴将不满足边界约束的试验个体进行至少一次轴对称操作,使试验个体回到边界约束内;
第五模块,用来判断是否满足预设的迭代结束条件,若满足,当前的种群中个体即优化后的阵元位置;否则,继续执行第六模块;
第六模块,用来对试验个体和父代个体进行选择操作,产生子代个体,子代个体构成下一代种群,对下一代种群迭代执行第二模块~第四模块。
10.如权利要求9所述的基于改进混合整数差分进化的麦克风阵列优化系统,其特征是:
所述第二模块进一步包括子模块:
第一子模块,用来从种群中随机选取三个个体;
所述排序遵循如下规则:
①当所有个体均为可行解时,根据适应度排序,适应度越大,个体越优;
②当所有个体均为不可行解时,根据约束违反度排序,约束违反度越小,个体越优;
③当可行解个体和不可行解个体同时存在,使用准则:(a)可行解个体优于不可行解个体;(b)适应度越大的可行解个体越优;(c)约束违反度越小的不可行解个体越优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211076114.5A CN115169250B (zh) | 2022-09-05 | 2022-09-05 | 基于改进混合整数差分进化的麦克风阵列优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211076114.5A CN115169250B (zh) | 2022-09-05 | 2022-09-05 | 基于改进混合整数差分进化的麦克风阵列优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115169250A true CN115169250A (zh) | 2022-10-11 |
CN115169250B CN115169250B (zh) | 2022-12-09 |
Family
ID=83480803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211076114.5A Active CN115169250B (zh) | 2022-09-05 | 2022-09-05 | 基于改进混合整数差分进化的麦克风阵列优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169250B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081677A1 (en) * | 2005-10-12 | 2007-04-12 | Yamaha Corporation | Speaker array and microphone array |
WO2007071070A1 (en) * | 2005-12-23 | 2007-06-28 | Universite De Sherbrooke | Spatio-temporal pattern recognition using a spiking neural network and processing thereof on a portable and/or distributed computer |
CN106709216A (zh) * | 2017-02-24 | 2017-05-24 | 中国航天空气动力技术研究院 | 一种考虑声传播相关性丢失的麦克风阵列优化设计方法 |
CN109623814A (zh) * | 2018-12-14 | 2019-04-16 | 中南大学 | 一种机械臂控制方法 |
CN113447904A (zh) * | 2021-06-28 | 2021-09-28 | 西安电子科技大学 | 基于排列离散差分进化算法的稀疏阵列优化方法 |
CN114325214A (zh) * | 2021-11-18 | 2022-04-12 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于麦克风阵列声源定位技术的电力在线监测方法 |
CN114371447A (zh) * | 2022-01-13 | 2022-04-19 | 重庆邮电大学 | 基于改进遗传算法的子阵级分布式频控阵旁瓣抑制方法 |
-
2022
- 2022-09-05 CN CN202211076114.5A patent/CN115169250B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081677A1 (en) * | 2005-10-12 | 2007-04-12 | Yamaha Corporation | Speaker array and microphone array |
WO2007071070A1 (en) * | 2005-12-23 | 2007-06-28 | Universite De Sherbrooke | Spatio-temporal pattern recognition using a spiking neural network and processing thereof on a portable and/or distributed computer |
CN106709216A (zh) * | 2017-02-24 | 2017-05-24 | 中国航天空气动力技术研究院 | 一种考虑声传播相关性丢失的麦克风阵列优化设计方法 |
CN109623814A (zh) * | 2018-12-14 | 2019-04-16 | 中南大学 | 一种机械臂控制方法 |
CN113447904A (zh) * | 2021-06-28 | 2021-09-28 | 西安电子科技大学 | 基于排列离散差分进化算法的稀疏阵列优化方法 |
CN114325214A (zh) * | 2021-11-18 | 2022-04-12 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于麦克风阵列声源定位技术的电力在线监测方法 |
CN114371447A (zh) * | 2022-01-13 | 2022-04-19 | 重庆邮电大学 | 基于改进遗传算法的子阵级分布式频控阵旁瓣抑制方法 |
Non-Patent Citations (2)
Title |
---|
刘恒等: "平面稀疏阵列天线的约束优化设计", 《电讯技术》 * |
陈客松等: "非均匀线天线阵优化布阵研究", 《电子学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115169250B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9913030B2 (en) | Beamforming method based on arrays of microphones and corresponding apparatus | |
EP1429581B1 (en) | Method of broadband constant directivity beamforming for non linear and non axi-symmetric sensor arrays embedded in a obstacle | |
Cen et al. | Linear aperiodic array synthesis using an improved genetic algorithm | |
Xiang et al. | Improved de-multipath neural network models with self-paced feature-to-feature learning for DOA estimation in multipath environment | |
CN105572658B (zh) | 基于改进遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法 | |
CN112180329B (zh) | 一种基于阵元随机均匀分布球阵反卷积波束形成的汽车噪声源声成像方法 | |
CN112162266B (zh) | 一种基于凸优化理论的共形阵二维波束优化方法 | |
Chen et al. | Optimized simulated annealing algorithm for thinning and weighting large planar arrays in both far-field and near-field | |
Li et al. | Improved GA and PSO culled hybrid algorithm for antenna array pattern synthesis | |
WO2022133856A1 (zh) | 超声相控阵列的阵元布局确定方法、装置及存储介质 | |
CN111638511A (zh) | 基于信号融合的多雷达空间配准的协同探测方法及装置 | |
CN110457796B (zh) | 无规平面差分传声器阵列阵元位置的优化方法 | |
CN115169250B (zh) | 基于改进混合整数差分进化的麦克风阵列优化方法及系统 | |
CN110736976A (zh) | 一种任意阵形的声纳波束形成器性能估计方法 | |
Cen et al. | An improved genetic algorithm for aperiodic array synthesis | |
CN115032592A (zh) | 一种换能器阵列的阵形优化方法及换能器阵列 | |
Wang et al. | Pinna-rim skin folds narrow the sonar beam in the lesser false vampire bat (Megaderma spasma) | |
Huang et al. | Two-stage MUSIC with reduced spectrum search for spherical arrays | |
Holmes | Circular harmonics beamforming with spheroidal baffles | |
Daniel et al. | Phase-Only Beam Broadening of Contiguous Uniform Subarrayed Arrays Utilizing Three Metaheuristic Global Optimization Techniques | |
CN113806685B (zh) | 阵列天线方向图形成的快速方法 | |
Zhu et al. | IFAN: An Icosahedral Feature Attention Network for Sound Source Localization | |
Tan et al. | Direction of arrival estimation based on DDOA and self-organizing map | |
Li et al. | Maximum likelihood processing for arrays with partially unknown sensor gains and phases | |
CN115146544A (zh) | 一种采用知识和数据混合驱动的阵列天线设计方法 |
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 |