1.一种基于集成学习的室内声源定位方法，其特征在于，包括如下步骤：步骤1：设定声源的训练位置li(i为训练位置的序号，单位：角度)，使用两个麦克风阵列记录声源发出的混响信号Xji(j为麦克风阵列的序号)；

步骤2：利用记录下的混响信号Xji，根据具体要求，加入一定信噪比的高斯白噪声，对两个麦克风得到的混响信号计算处理生成信号的相位变换广义互相关函数Ri，所使用的特征为相位变换广义互相关函数，特征的计算过程包括如下步骤：步骤2-1：设声源位置为li,则产生出混响时间为T的房间脉冲响应h(li,k)，说话人语音为s(k)，使用2个麦克风组成麦克风阵，则麦克风接受到的信号为xji(k)＝h(li,k)*s(k)(j＝1,2)；

步骤2-2：对步骤2-1得到的信号xji(k)，分帧加汉宁窗采集数据，对每帧信号数据，可在频域计算出它们之间的广义互相关函数 其中ψ1i，2i(ω)为加权函数，此处使用相位变换加权函数 能增强互相关函

数的抗混响能力；

步骤2-3：将步骤2-2得到的所有的对应所有位置的广义互相关函数Ri(τ)作预处理转化为分类算法的训练数据和测试数据，取 其中round是取整函数，D是麦克风间距离，fs是采样频率，c是声速，因子α设为1.67，则取得的数据集为Y＝[R(-τmax),R(-τmax+1),R(-τmax+2),…R(τmax-2),…R(τmax-1),R(τmax)]T，按一定比例随机划分Y就得到了训练数据集Ytrain和测试数据集Ytest；

步骤3：利用得到的相位变换广义互相关函数Ri产生对应声源位置li的特征向量Yi；

步骤4：处理特征向量Yi对应的特征数据集yi，将数据集划分为训练数据集和测试数据集；

步骤5：对训练数据集使用集成学习方法，弱学习器选择常用的决策树，训练出集成学习分类器；

步骤6：使用得到的集成学习分类器进行测试，识别出声源的位置。

2.根据权利要求1所述的一种基于集成学习的室内声源定位方法，其特征在于步骤2-2中所述采集数据的方式为帧长512个采样点，帧移256个采样点，共使用200帧的数据。

3.根据权利要求1所述的一种基于集成学习的室内声源定位方法，其特征在于步骤2-3中所述按一定比例随机划分Y是指按6:4的比例随机划分Y。

4.根据权利要求1所述的一种基于集成学习的室内声源定位方法，其特征在于步骤5中数据的分类和最后的定位使用了集成学习方法集成了决策树算法。

5.根据权利要求4所述的一种基于集成学习的室内声源定位方法，其特征在于，所述集成学习方法包括AdaBoost和Bagging方法。