基于BP神经网络的声源定位算法实现

本代码实现了利用BP神经网络预测声源位置的功能。具体思路是根据四个麦克风接收声音的时间差来预测声源的位置坐标。代码中先生成了训练数据和预测数据，然后对训练数据进行了归一化处理，建立了一个7个神经元的BP神经网络进行训练，最后对预测数据进行了归一化并进行了预测。最后，将预测结果与实际结果进行比较，得到了误差分析结果。

%% 清空环境变量
clc
clear
%% 生成训练数据与预测数据
%%%训练数据
A=[4.9,4.9,1];%%%麦克风A的坐标
B=[4.9,5.1,1];%%%麦克风B的坐标
C=[5.1,5.1,1];%%%麦克风C的坐标
D=[5.0,5.0,2];%%%麦克风D的坐标
%x=0.5:1:9.5;y=0.5:1:9.5;%%%用100组数据训练
x=0.5:0.5:10;y=0.5:0.5:10;%%%用400组数据训练
[X,Y]=meshgrid(x,y);
tAB=(sqrt((A(1)-X).^2+(A(2)-Y).^2+A(3).^2)-sqrt((B(1)-X).^2+(B(2)-Y).^2+B(3).^2)); %%%声源到A，B两个麦克风的时间差，下同
tBC=(sqrt((B(1)-X).^2+(B(2)-Y).^2+B(3).^2)-sqrt((C(1)-X).^2+(C(2)-Y).^2+C(3).^2));
tCD=(sqrt((C(1)-X).^2+(C(2)-Y).^2+C(3).^2)-sqrt((D(1)-X).^2+(D(2)-Y).^2+D(3).^2));
ttAB=tAB(:)';
ttBC=tBC(:)';
ttCD=tCD(:)';
input_train=[ttAB;ttBC;ttCD];%%%训练数据的输入值（是麦克风接受声音的时间差）
XX=X(:)';
YY=Y(:)';
output_train=[XX;YY];%%%训练数据的输出值（是位置坐标）
%%%预测数据
m=10;   %%%预测m个位置（就是分别将声源放到m个位置，用BP神经网络算法预测，然后对比预测结果和实际结果）
X=rand(1,m)*10;
Y=rand(1,m)*10;
tAB=(sqrt((A(1)-X).^2+(A(2)-Y).^2+A(3).^2)-sqrt((B(1)-X).^2+(B(2)-Y).^2+B(3).^2));
tBC=(sqrt((B(1)-X).^2+(B(2)-Y).^2+B(3).^2)-sqrt((C(1)-X).^2+(C(2)-Y).^2+C(3).^2));
tCD=(sqrt((C(1)-X).^2+(C(2)-Y).^2+C(3).^2)-sqrt((D(1)-X).^2+(D(2)-Y).^2+D(3).^2));
input_test=[tAB;tBC;tCD];%%%预测数据的输入值（是麦克风接受声音的时间差）
real_locate=[X;Y];%%%真实的声源坐标，用于检验预测值是否正确
%% 数据归一化
[inputn,inputps]=mapminmax(input_train);  %%%其中inputps是用于记录数据归一化方法
[outputn,outputps]=mapminmax(output_train);   %%%outputps同理
%% BP网络训练
% %初始化网络结构
net=newff(inputn,outputn,7);%%%建立一个由7个神经元组成的隐藏层构成了一个网络，这是新版matlab的用法
net.trainParam.epochs=5000;%%%最大迭代次数
net.trainParam.lr=0.1;%%%学习率
net.trainParam.goal=0.000004;%%%目标误差
net.trainParam.max_fail=10000;
%网络训练
net=train(net,inputn,outputn);
%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);%%%对测试数据再进行数据归一化，之前是对训练数据进行数据归一化，而且归一化方式和前面的一样
 
%网络预测输出
an=sim(net,inputn_test);   %训练输出的结果
 
%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);%%反归一化得到实际结果
%% 结果分析
for i=1:m
fprintf('第%d 次测试的实际位置是：(%d,%d)',i,real_locate(:,i));fprintf('
');
fprintf('BP神经网络预测位置是：(%d,%d)',BPoutput(:,i));fprintf('
');
end
%%%画图
plot(real_locate(1,:),real_locate(2,:),'*')
hold on
plot(BPoutput(1,:),BPoutput(2,:),'o')
legend('实际位置','预测位置')
title('BP网络预测输出','fontsize',12)
ylabel('Y方向','fontsize',12)
xlabel('X方向','fontsize',12)
%%%误差分析（预测位置的分量与实际位置的分量做差取绝对值再相加）
figure(2)
r=real_locate-BPoutput;
r=abs(r(1,:))+abs(r(2,:));
plot(r,'-*')
title('BP网络预测误差','fontsize',12)
legend('误差')
ylabel('误差(单位/米）','fontsize',12)
xlabel('位置','fontsize',12)