MATLAB BP神经网络声源定位算法实现

本文介绍了如何使用MATLAB中的BP神经网络算法对声源定位问题进行预测，包括数据生成、数据归一化、BP网络训练、BP网络预测和结果分析等步骤。

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('\n');
    fprintf('BP神经网络预测位置是：(%d,%d)', BPoutput(:, i)); fprintf('\n');
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)

通过本文的介绍，读者可以了解到如何使用MATLAB中的BP神经网络算法进行声源定位等问题的预测。