1.基于多输出支持向量回归机的近场声源参数估计方法，其特征在于：本发明所采用的阵列为均匀线阵，阵元关于x轴对称分布，在坐标原点处放一阵元，坐标元点两侧分别以d＝λmin/4等间隔放置P个阵元，λmin为入射声源中最小波长，阵元总个数为M＝2P+1。对阵元从左到右依次标记为[-P，…，p，…，P]，m取值范围为[-P，P]；

基于多输出支持向量回归机的近场声源参数估计方法步骤如下：步骤一、利用阵元数为M＝2P+1的均匀对称阵列作为接收阵列，接收K个窄带、非高斯、平稳近场声源信号在训练区间为[-θ0，+θ0]中产生的W组接收数据Y＝[Y1，Y2，...，YW]和声源信号到达角集合Θ＝[Θ1；Θ2；…；Θw；…；ΘW]；声源信号距离r＝[r1，r2…，rl，…，rL]；

第一组声源信号到达角为Θ1＝[θ11，θ12，...，θ1l，...，θ1L]入射到接收阵列上，经过T次采样后得到维度为M×T的第一组接收数据Y1；相邻声源间隔为[Δθ112，Δθ123，...，Δθ1(l-1)l，...，Δθ1(L-1)L]，其中Δθ1(l-1)l表示第一组声源信号中第l和第l-1个声源信号的间l隔，θ1是第一组声源中第l个信号的到达角，rl是第l个信号的到坐标原点的距离，在声源的距离和相邻声源信号间隔不变的前提下，使整体旋转角度ΔΦ，此时的声源信号为Θ2＝[θ21，θ22，...，θ2l，...，θ2L]，此时阵列接收信号经过T次采样后得到维度为M×T的第二组接收数据Y2，按照这样的方式得到接收数据集合为Y＝[Y1，Y2，...，Yw，...，YW]；

步骤二、对接收数据集合Y中的每一组接收数据，利用阵列对称位置上接收数据作协方差之后得到接收数据集合Y相对应的协方差矩阵γ＝[γ1，γ2，...，γw，...，γW]；

对集合Y中的第w组接收数据Yw，构造一个矩阵γw，

Yw，p表示Yw中第p个阵元的接收数据，Yw，-p表

示Yw中第-p个阵元的接收数据，(·)*表示取共轭，其中-P≤p≤P，δ(·)为狄利克雷函数，代表第l个声源信号的方差， 为噪声方差， 其中 表示第w组接收数据中的l个信号的到达角，λl表示第l个测试信号的波长，γw矩阵：对于接收数据集合Y中的其它组接收数据也做同样的处理得到相对应的协方差矩阵，最后得到W组接收数据协方差矩阵γ＝[γ1，γ2，...，γw，...，γw]。

步骤三、对数据协方差矩阵γ进行矩阵运算处理和归一化处理可得训练数据集的特征矩阵H＝[H1，H2，…，Hw，…，HW]；

选取协方差矩阵中的元素γw(p，-p)，得到特征向量Pw＝[γw(0，0)，γw(-1，1)，...，γw(p，-p)，…，γw(-P，P)]，接收数据协方差矩阵γ＝[γ1，γ2，...，γw，...，γW]中W协方差矩阵都按照这样的方式构造得到特征向量集合P＝[P1，P2，...，Pw，...，PW]，对Pw归一化处理可得Hw＝Pw/||Pw||，γ1，γ2，...，γw，...，γW都做相同的处理可得训练数据的特征向量矩阵H＝[H1，H2，...，Hw，...，HW]；

步骤四、根据得到的训练数据的特征向量矩阵H＝[H1，H2，...，Hw，...，HW]和信号源集合Θ＝[Θ1；Θ2；…；Θw；…；ΘW]训练得到多输出支持向量最优回归参数βomp；

1)将训练数据的特征向量矩阵H＝[H1，H2，…，Hi，…，HW]代入高斯核函数得到基于训练样本的核矩阵K，其中Kij＝exp(-||Hi-Hj||2(2σ2))，σ为高斯核函数的系数，Kij表示核矩阵K的第i行第j列的元素，Hi和Hj分别表示数据特征向量集合H的第i和第j个特征向量；

2)初始化回归参数矩阵β0为一个W×T的全零矩阵、常数惩罚因子C和管壁误差ε；初始误

0 0

差矩阵e ＝Θ，根据初始误差矩阵e 得到初始拉格朗日参数因子矩阵和初始拉格朗日参数系数矩阵

0

表示e 的第w行，其中

寻找u0矩阵中满足 的位置 并且按照其在u0中的先

后顺序存放于支持向量矩阵 和支持向量位置矩阵 根据 矩阵和位置矩阵 计算出损失函数矩阵

3)第k步循环，步长因子ηk＝1，计算出误差矩阵ek＝Θ-Kβk-1，根据误差矩阵k

表示e 的第w行，得到拉格朗日参数因子矩阵 和拉格

朗日参数系数矩阵 其中

k

寻找u 矩阵中满足 的位置

从而得到支持向量位置矩阵 和对应位置的拉格朗日参数因子矩阵根据 矩阵、位置矩阵 和管壁误差ε计算出损失函数

从而得到损失函数矩阵

根据梯度下降法计算出回归系数下降方向矩阵Pk，Pk＝inv(Gk)Θ，inv表示对矩阵求逆，矩阵 矩阵Pk的每一列表示回归系数的下降方向，表示只保留核矩阵K支持向量位置上的元素其他元素全部为零的矩阵， 表示只保留拉格朗日参数系数矩阵αk支持向量位置上的元素其他元素全部为零的矩阵，βk＝k-1 k kβ +p再根据回归参数矩阵β、核矩阵K和损失函数矩阵 构造出迭代前的优化目标函数 Π＝diag((βk)HKβk)，Πt，t表示矩阵Π的第t行第t列元素，t＝

1，…，T，diag(·)是取矩阵的对角线元素运算，其中

4)比较Lk和Lk-1的大小，如果Lk＞Lk-1，ηk＝γηk，γ＜1，ηk＝γηk表示将ηk缩小为原来的γ倍，根据矩阵Pk、γ＜1和βk-1得到本次迭代βk＝γpk+(1-γ)βk-1，重复步骤四中的3)；如果Lk＜Lk-1跳到步骤四中的5)；

5)验证是否满足 则k＝k+1继续步骤3)其中k＝k+1表示将k增加1；如果满足 则跳到步骤四中的6)；

6)如果满足 则训练过程结束；此时的βk＝βomp为多输出支持向量最优回归参数，εmin为误差门限；

步骤五、将训练数据特征矩阵H＝[H1，H2，…，Hw，…，HW]和测试数据特征矢量He带入高斯核函数得到测试核矩阵Ke，利用训练好的近场声源多输出支持向量最优回归参数βomp和Ke估计声源的角度阵列接收的测试数据Ye，利用阵列对称位置上阵元的接收数据作协方差之后得到与测试数据Ye相对应的协方差矩阵Re，再按照步骤三中的方法由Re得到归一化特征矢量He，将训练数据特征矩阵H＝[H1，H2，…，Hw，…，HW]和测试数据特征矢量He代入高斯核函数得到测试核矩阵Ke，核矩阵Ke与步骤四得到的最优回归参数矩阵βomp相乘得到声源的角度的估计值其中Ke(w)＝exp(-||Hw-He||2/(2σ2))，其中-P≤p≤P，δ(.)为狄利克雷函数， 代表第l

个测试声源信号的方差，σ2为测试噪声协方差， 其中θel表示第l个测试的到达角，λel表示第l个测试的波长，利用γe中数据元素可以构造出类似远场的接收数据协方差矩阵；取数据协方差矩阵Re中的元素构成特征向量Pe＝[γe(0，0)，γe(-1，1)，...，γe(p，-p)，…，γw(-P，P)]，对Pe归一化处理可得He＝Pe/||Pe||；

步骤六、求阵列接收的测试数据Ye的数据相关矩阵 通过数据相关矩阵的特征分解得到噪声子空间EYn，对每一个到达角 通过MUSIC谱函数 进行距离项的谱峰搜索估计其对应的距离 得到距离的估计

根据步骤一中的阵列结构和步骤五估计得到的到达角信息

构造MUSIC谱函数 通过谱峰搜索估计测试信号的距离

对每一个到达角 通过MUSIC谱函数 进行距离项的

谱峰搜索估计其 对应的距离 本方法无需额外 参数配对运算 ；其中为MUSIC谱函数，

为

将到达角信息代入后的阵列导向矢量，它是距离r的函数；

前述步骤中的k＝1，2，…，Kx表示循环次数，l＝1，......，L表示信号个数，w＝1，

2，......，W表示样本数，p＝-P，...，P表示阵元的标号，i＝1，2，......W表示元素在矩阵中的位置，j＝1，2，......，W表示元素在矩阵中的位置，f＝1，2，.....，F表示支持向量的个数。