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 = l，2· · ·η)，使用若干个麦克风阵列记录声源发出 的混响信号Xji(i = l，2. · ·η〇 = 1，2· · .m); 步骤2:利用记录下的混响信号^1，根据具体要求，加入一定信噪比的高斯白噪声，对混 响信号计算处理生成信号的相位变换广义互相关函数Ri; 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 中，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)i，说话人语 音为S化），使用m个麦克风组成麦克风阵，则麦克风接受到的信号为Xn化)=h(li，k)*s化)(n =1，2, · · · m); 步骤2-2:对步骤2-1得到的信号xn化），分帖加汉宁窗采集数据，对每帖信号数据，可在 频域计算出它们之间的广义互相关函数其中化n,2n (ω )为加权函数，此处使用相位变换加权函I

'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(T)作预处理转化 为分类算法的训练数据和测试数据，巧其中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,贝峨得的数据集为Y引i?(-r"J，R(- Tmax+l) ,R(-Tmax+2),…R(Tmax-2),… R( Tmax-l )，R( Tmax) ]Τ，按一定比例随机划分Υ就得到了训练数据集Ytrain和测试数据集 Ytest 〇

3. 根据权利要求2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帖长512个采样点，帖移256个采样点，共使用200帖的数据。

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。

5. 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。

6. 根据权利要求5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。