1.一种基于MWCS的近场语音信号三维定位算法，其特征在于，该方法包括以下步骤：(1)构建近场语音信号模型，通过麦克风阵列获得近场语音信号，并转换到频域；

(2)根据近场语音信号模型对测量平面构建测量矩阵，并进行正交化处理；

(3)将语音信号的频率分为若干个子带，从每个子带中选择最优测量值；

(4)使用OMP算法对最优测量值进行稀疏重构；

(5)对语音信号频率的每一个子带执行步骤(4)，对重构结果加权平均得到最终结果。

2.根据权利要求1所述的一种基于MWCS的近场语音信号三维定位算法，其特征在于，步骤(1)中，构建近场语音信号模型的方法如下：(1.1)根据声源与麦克风阵列中心的距离，将信号传播模型分为近场模型与远场模型近场模型适用球面波模型，而远场模型适用平面波模型，判断信号处于近场的方式表示为：式(1)中，L为麦克风阵列中心到声源的距离，R为阵列孔径，λ为信号的波长；

(1.2)假设有D个近场声源传播到由M个麦克风组成的阵列上，声源的位置矢量为Sj，麦克风的位置矢量为Pi，第i个声源到第j个麦克风的距离为rij，则第i个麦克风接收到的语音信号表示为：

式(2)中，sj(t‑τij)为在t时刻的第i个麦克风接收到的第j个声源信号，ni(t)为在t时刻第i个麦克风的高斯白噪声，αij为第i个麦克风接收到第j个信号的相对幅度衰减因子，表示为：

其中，τij为第i个麦克风接收到第j个信号的相对时延因子，表示为：式(4)中，c为声波波速，将语音信号转换到频域，即对式(2)进行离散傅里叶变换得到：

3.根据权利要求2所述的一种基于MWCS的近场语音信号三维定位算法，其特征在于，步骤(2)中，构建测量矩阵的方法如下：压缩感知的目标是在已知测量值y和测量矩阵A的情况下，重构出声源信号x，若将测量平面均匀划分为u*v＝W个格点，则第k个频率点的测量矩阵A表示为：由于声源仅会出现在测量平面的一个或几个格点处，声源信号x是稀疏的，声源位置所对应的测量平面格点的值为sj(ωk)，其余格点的值为0，即：T

x(ωk)＝(0,s1(ωk),0,…,0,sD(ωk),0,0) ；

在含有噪声的情况下，傅里叶变换后第k个频率点压缩感知建立的信号模型为：y(ωk)＝A(ωk)x(ωk)+n(ωk)    (7)。

4.根据权利要求3所述的一种基于MWCS的近场语音信号三维定位算法，其特征在于，步骤(3)中，选择最优测量值的方法如下：语音信号为宽带信号，设语音信号的频率范围为[ω1,ωH]，根据子带的思想，将语音信号按频率划分为Ns个子带，即[ω1,ω2]、…、[ωp,ωp+1]、…、[ωNs,ωH]，每个子带包含Nf个频率点，在每一个子带里，依照下式选择最优测量值：

y(ω′p)＝arg max||y(ωk)||2,ωk＝ωp,...,ωp+1    (8)式(8)中，ωp’为选取的最优频率。

5.根据权利要求4所述的一种基于MWCS的近场语音信号三维定位算法，其特征在于，步骤(4)中，使用OMP算法进行稀疏重构的方法如下：式(7)为欠定方程组，该方程有多个解，求解声源信号x的过程是寻找最稀疏解的过程，即求x的l0范数最小解，表示为如下的约束形式：

式(9)中，ε为与噪声有关的常数；

使用OMP算法求解式(9)，若用A表示测量矩阵A(ωp’)，x表示声源信号x(ωp’)，y表示最优测量值y(ωp’)，则使用OMP算法进行稀疏重构的迭代步骤如下：(4.1)初始化残差r0＝y，索引集 循环次数t＝1；

(4.2)找出残差rt和测量矩阵的列Ai内积的绝对值的最大值所对应的脚标λt，即λt＝argmax||,i＝1,…,W；

(4.3)更新索引集Λt＝Λt‑1∪{λt}，记录找到的测量矩阵中的重建列集合Tt＝[Tt‑1,Aλt]；

H ‑1 H

(4.4)由最小二乘得到xt＝(TtTt) Tty；

(4.5)更新残差rt＝y‑Ttxt，t＝t+1；

(4.6)判断rt是否满足||rt||2<ε，若满足，则迭代停止；若不满足，则继续执行步骤(4.2)。

6.根据权利要求5所述的一种基于MWCS的近场语音信号三维定位算法，其特征在于，步骤(5)中，加权平均的方法如下：若划分为Ns个子带，则加权平均的结果如下：式(10)中，wp’为第p个最优测量值的权重，通过x(ω)中非零元素的位置对声源的位置进行估计。