1.一种基于空间稀疏性的分布式麦克风阵列声源定位方法，其特征在于，包括如下步骤：S1、定位系统建立：分布式麦克风定位系统由M个已知自身位置的麦克风和K个待定位声源组成，采用分步格点划分方法将整个定位区域均匀划分为若干个格点；每个麦克风分别接收声源发出的信号，并传送给定位中心；

S2、语音信号特征提取：定位中心将任一麦克风接收到的语音信号首先经过加窗处理，把原来长度为P×1的语音信号向量r分解为J个长度为Q×1的短帧，即：其中，ri(i＝1,…,P)表示输入信号向量r的每一个分量，Z是一个维数为J×Q的矩阵，每一行代表经过加窗处理后的1帧数据；

接下来对这J帧信号分别进行一次DCT变换：

式中D(·)表示DCT变换， (i＝1,…,J)表示zi(i＝1,…,J)经过DCT变换后的结果；对变化后的每一帧数据通过除以该帧的最大值实现归一化处理，然后对每一帧数据进行求平均计算：接下来考虑连续多帧信号的长时特性，为此对求平均后的向量s再进行一次DCT变换，得到向量 的长度仍为J×1，也即基于两步DCT变换的特征提取方法将计算复杂度从样本长度级降低到帧长数量级；

S3、建立稀疏定位模型：当定位中心接收到各麦克风采集的信号后，按S2分别进行特T征提取，构成新的测量向量 其中[·]表示转置计算，从而稀疏定位模型可表示为：y＝Φx+v (5)其中，x为N×1的稀疏向量，Φ为一个M×N的矩阵，表示冗余字典，v为M×1的向量，表示噪声干扰；Φ中的任一项 1≤i≤M,1≤j≤N,表示第i个麦克风收到声源在第j个格点处发出声波信号按S2进行提取后获得的特征量；

一旦将定位区域内划分为N个格点，则声源在空间上的位置可精确地用一个N×1的稀疏索引向量x表示，声源位置所对应格点处索引值为1，而其他格点对应索引值为0，即Tx＝[0,1,…,0,1,0…0] (6)如此一来，定位问题就转变为依据接收信号判断稀疏向量x中非零值所在位置的问题；

S4、模型失配修正：修正式为：

y＝(Φ+Γ)x+v＝Hx+v (7)其中v为M×1的向量，表示噪声干扰；H＝(Φ+Γ)表示真实的冗余字典，其中Γ是预先未知的；

采用字典学习：

其中||·||F表示Frobenius范数，Y＝[y1y2…yL]表示训练样本，X＝[x1x2…xL]为稀疏矩阵，其分量xi(i＝1,…,L)表示对应训练向量yi的稀疏向量；

采用正则化方式进行字典更新，计算公式如下：

T T -1

H＝YX(XX+βI) (9)其中I表示单位矩阵，β为正则化系数；

S5、稀疏重构：在稀疏恢复阶段，字典H保持不变，通过重构算法计算稀疏向量；根据CS理论，准确描述稀疏约束的是l0范数，即min||xi||0s.t.yi＝Hxi,i＝1,…,L (10)由于l0范数的求解是NP难问题，因此常用l1范数来代替l0范数进行稀疏约束，即min||xi||1s.t.yi＝Hxi,i＝1,…,L (11)用如下组合函数来作为l0范数的近似函数，组合函数表达式如下：其中0<λ<1；显然，fσ(x)是连续函数，并且具有如下性质令 则当σ很小时有

Fσ(xi)≈||xi||0 (14)其中xi(j)表示xi的第j个分量；因此(10)式所示问题可以变为为了进一步逼近l0范数的约束效果，引入加权约束思想，通过加权，使重构信号中的大系数和小系数获得同等约束，此时(15)式改为其中W为N维对角加权矩阵，该矩阵仅对角线上元素不为零，其它元素绝为零，其对角线上元素取为wj＝1/(|xi(j)|+η)，η是一个小量，防止wj出现奇异值；

最小化式(16)的问题可以通过拉格朗日乘子法转化为无约束最优化问题进行求解，即其中γ为约束参数；

当参数σ较小时问题(17)的解容易收敛于局部最优解，为了使问题(17)能够尽量收敛于全局最优解，本发明取参数σ为下列一组下降序列σ＝[σ1,…,σT] (18)其中σ1为较大正常数，σT为接近于零的正常数；迭代求解过程中将参数σ＝σm-1(m＝2,…,T)时得到的式(17)的最优解作为参数σ＝σm时求解最优化问题(17)的初始解，从而使算法逐步收敛于参数为σ＝σT时的全局最优解。

2.根据权利要求1所述的基于空间稀疏性的分布式麦克风阵列声源定位方法，其特征在于，S1中采用分步格点划分技术，具体步骤如下：用较大的间隔将定位空间均匀划分为N1个格点，并实现粗定位，得到定位目标对应的格点位置；然后将粗定位结果所对应格点空间用较小的间隔再次均匀划分为N2个格点，并在这N2个格点上再次实现稀疏重构，此结果作为最后的输出结果。

3.根据权利要求1所述的基于空间稀疏性的分布式麦克风阵列声源定位方法，其特征在于，S2中所加的窗为汉明窗。