一種雷聲實時識別方法

衛(wèi)克晶, 李浩然, 孫學(xué)金, 張傳亮

(解放軍理工大學(xué) 氣象海洋學(xué)院， 江蘇 南京 211101)

?

一種雷聲實時識別方法

衛(wèi)克晶, 李浩然, 孫學(xué)金, 張傳亮

(解放軍理工大學(xué) 氣象海洋學(xué)院， 江蘇 南京 211101)

針對傳統(tǒng)雷聲識別方法識別速度慢、穩(wěn)定性不佳的問題，提出一種基于端點檢測和特征提取的雷聲快速識別方法。通過端點檢測提取出異常聲音，建立基于頻譜信息的特征向量，求得異常聲音信號的特征向量與實驗得出的雷聲標(biāo)準(zhǔn)特征向量之間的相關(guān)系數(shù)，用閾值法判別異常聲音信號是否為雷聲。多種干擾源和信噪比測試結(jié)果表明，該方法的識別速度快，識別效率高。

雷聲識別； 端點檢測； 特征提??； 相關(guān)系數(shù)； 信噪比

0 引 言

閃電通道的急劇升溫膨脹產(chǎn)生爆炸式?jīng)_擊波向外傳播并轉(zhuǎn)化為聲波，即雷聲[1]。自然界的雷聲是很多聲音報警系統(tǒng)的干擾源[2]。同時，根據(jù)雷聲的到達(dá)時間差可以對閃電進行定位，并描繪出閃電發(fā)生、發(fā)展的三維通道[3]。

Schmidt[4]首次開展了雷聲與聲壓變化的研究。20世紀(jì)60年代，F(xiàn)ew[5]研究了雷聲聲源定位的問題，而后，Nakano等[6-7]在Few所做工作的基礎(chǔ)上改善了定位結(jié)果。國內(nèi)在這方面也開展了一些工作，章涵等[8]設(shè)計了一套雷聲聲源單站閃電通道三維定位系統(tǒng)，但是，并未考慮到雷聲識別的問題。柴燁等[2]通過小波分析分辨出雷聲及與之相近的撞擊聲。程飛[9]用小波分析的方法提取雷聲的小波子帶空間分布特征，通過BP神經(jīng)網(wǎng)絡(luò)對雷聲進行識別。小波分析雖然是一種較好的時頻分析方法，但是不同情況下，選取的小波基函數(shù)不同，特征提取方法也不同；BP神經(jīng)網(wǎng)絡(luò)雖然識別效果較好，但是存在訓(xùn)練速度慢，結(jié)果不穩(wěn)定的問題。針對以上處理方法存在的問題，本文提出一種基于特征提取的雷聲實時識別方法，能夠提取不同噪音環(huán)境下的雷聲及其特征，并進行快速識別。

1 聲音信號的預(yù)處理

1.1 去均值

信號的均值相當(dāng)于一個直流分量，去除均值，可避免在估計該信號的功率譜時，零頻位置的譜峰影響附近的頻譜曲線。長度為N信號x(t)的均值常由下式估計[9]:

(1)

2.2 雙門限端點檢測[10]

端點檢測就是準(zhǔn)確地找出雷聲的起始點與終止點，這是雷聲識別的關(guān)鍵環(huán)節(jié)。有效的端點檢測不僅能消除噪音干擾，而且可以縮短聲音信號的處理時間。

雷聲的聲音信號幅度高，可以利用短時能量來檢測。短時能量的定義為：

(2)

在檢測異常聲音時，采用雙門限端點檢測算法，如圖1所示。

該算法選取較低能量門限和較高能量門限相結(jié)合的方法(圖1中低能量門限為背景噪音平均能量的2倍，高能量門限是多幀異常聲音數(shù)據(jù)的平均能量)。超過高門限就確定該段聲音為異常聲音，低門限用于確定該聲音真正的端點。提取出端點檢測出的異常聲音，并設(shè)定持續(xù)時間的閾值來除去瞬時噪聲的影響。

2 異常聲音識別

2.1 特征提取

目前，聲音識別技術(shù)已經(jīng)取得了長足的發(fā)展，但主要側(cè)重于語音識別，對自然狀態(tài)下的聲音信號的研究還遠(yuǎn)遠(yuǎn)達(dá)不到語音識別的水平，主要依賴各種聲音信號的統(tǒng)計特征。廣泛采用的主要有：短時能量、短時過零率、Mel倒譜系數(shù)(MFCC)、線性預(yù)測編碼(LPC)、知覺線性預(yù)測(PLP)、線性預(yù)測倒譜系數(shù)(LPCC)、小波變換(WT)、希爾伯特-黃變換(HHT)、頻譜流量、語音持續(xù)時間、共振頻率、基音頻率等[11]。為了找到特征突出，可供實時、快速識別的方法，引入功率譜函數(shù)[11]。

功率譜函數(shù)可分為自功率譜函數(shù)和互功率譜函數(shù)，這里主要應(yīng)用的是自功率譜函數(shù)。自相關(guān)函數(shù)間接給出了隨機過程中的頻率信息，根據(jù)自相關(guān)函數(shù)的傅里葉變換及其逆變換，并依據(jù)自相關(guān)函數(shù)的定義得到[12]：

(3)

式中：f(τ)為隨機過程;Wt(f)為等效的單邊譜密度函數(shù);f為頻率。

綜上所述，計劃生育政策的三種實行模式的軌跡是動態(tài)變化的，整體上呈現(xiàn)趨同化，具有一定的共通性和互補性。 基于此，計劃生育政策的實行不應(yīng)采用單一模式，而是根據(jù)社會和經(jīng)濟的發(fā)展需求進行回應(yīng)性的選擇。

在聲音信號頻譜分析中，功率譜密度不代表真正物理意義上的功率或能量，但可以看作是信號在單位頻帶內(nèi)諧波分量的能量按頻率分布的度量，即功率譜密度表征了一定頻率諧波分量能量的相對大小。因此,可以利用功率譜對聲音信號在一定頻帶范圍內(nèi)的能量分布進行分析[13]，根據(jù)雷聲信號的特征建立基于頻帶能量的雷聲信號特征向量。

2.2 聲音識別

環(huán)境聲音識別的研究大多沿用了語音識別技術(shù)，如神經(jīng)網(wǎng)絡(luò)、高斯混合模型(GMM)、支持向量機(SVM)、貝葉斯分類器等[9,14-15]。這些算法的應(yīng)用都需要經(jīng)過大量樣本訓(xùn)練或大量計算，其算法復(fù)雜度高，識別時間較長，硬件實現(xiàn)困難。研究雷聲識別，在于找到絕大部分雷聲的共同點，從雷聲的共性出發(fā)，找到識別雷聲的方法，亦即只要將雷聲與非雷聲區(qū)分開即可。基于此，本文提出一種基于雷聲特征向量相關(guān)度的雷聲識別算法。

設(shè)2個序列分別為α(n)和β(n)，則兩者的互相關(guān)系數(shù)為：

(4)

由于α(n)，β(n)是2個能量有限的確定性信號，它們各自能量乘積的開方是一個常數(shù)，式(4)除以α(n)，β(n)各自能量乘積的開方，進一步歸一化處理后可得歸一化相關(guān)系數(shù)[13]：

(5)

由Schwartz不等式，有：

(6)

分析式(5)可知，當(dāng)α(n)=β(n)時，ραβ=1，2個信號完全相關(guān)，這時rαβ取得最大值；ραβ=1時，2個信號完全不相關(guān)，這時rαβ=0。因此α(n)和β(n)之間的相似程度可以用rαβ和ραβ來描述?；诖耍O(shè)定相關(guān)系數(shù)閾值ρTh。當(dāng)ραβ<ρTh時，表明該聲音是非雷聲；當(dāng)ρxy>ρTh時，表明該聲音是雷聲。

3 實 驗

3.1 特征向量和ρTh的確定

表1 雷聲信號能量分布特征分析計算結(jié)果

表2 雷聲樣本特征向量與0的相關(guān)系數(shù)

由實驗數(shù)據(jù)可知，雷聲樣本的相關(guān)系數(shù)最小0.823 3，最大0.986 6，平均0.898 7。因為不僅產(chǎn)生雷聲的閃電有云閃和低閃之分，不同的傳播距離上，雷聲的頻譜衰減也不一樣。為了最大限度識別每個雷聲信號，設(shè)定相關(guān)系數(shù)閾值ρTh為0.82。

3.2 有效性測試

自然狀態(tài)下對雷聲識別干擾較大的聲音有昆蟲聲、風(fēng)聲、雨聲、人的說話聲等。表3列舉了15個測試干擾音和5個測試?yán)茁曅盘柕奶卣飨蛄颗c標(biāo)準(zhǔn)特征向量的相關(guān)系數(shù)。

實驗結(jié)果表明，15種干擾聲音特征向量與標(biāo)準(zhǔn)向量的相關(guān)系數(shù)均小于閾值，即這15種干擾聲音全部可以識別出來。同時，爆炸聲、槍響的特征向量與標(biāo)準(zhǔn)向量的相關(guān)系數(shù)仍然較高，有一定的概率出現(xiàn)誤識別。通過分析這兩種聲音的功率譜可以發(fā)現(xiàn)，這3種聲音信號的頻域波形與標(biāo)準(zhǔn)雷聲較為接近。為了提高區(qū)分度，也可以通過引入時域特征，提高特征向量的維數(shù)。

表3 測試信號特征向量與0的相關(guān)系數(shù)值

3.3 不同信噪比下的ρ值測試

一般來說，雷聲的聲強是較大的，但是經(jīng)過遠(yuǎn)距離傳播過后雷聲明顯減小，信噪比會變大。也就是說，對不同信噪比條件下雷聲的識別能力決定了能檢測到的最遠(yuǎn)雷聲聲源的距離。下面測試不同信噪比條件下雷聲樣本的特征向量與標(biāo)準(zhǔn)雷聲特征向量之間的相關(guān)系數(shù)ρ，選取的是相對純凈(ρ=0.986 6)的雷聲信號，疊加噪聲為高斯白噪聲，測試結(jié)果如圖2所示。

由圖2可以看出，在信噪比為-9 dB(最惡劣)的情況下，該方法仍能有效識別雷聲。從相關(guān)系數(shù)ρ隨信噪比變化趨勢也可以看出，信噪比大于0.0 dB時，ρ較為穩(wěn)定，一直在0.9以上；信噪比小于-9.0 dB時，ρ開始急劇下降，說明此時識別的效率開始降低。

4 結(jié) 語

本文以雷聲作為研究對象，通過端點檢測提取雷聲，經(jīng)過特征分析建立了雷聲的特征向量，提出了一種快速識別雷聲的方法，并通過實驗確定雷聲的標(biāo)準(zhǔn)特征向量和相關(guān)系數(shù)閾值。在不同信噪比環(huán)境下的測試表明該方法在保證識別精度的條件下，成本和計算復(fù)雜度低，易于硬件實現(xiàn)。下一步的工作應(yīng)主要圍繞以下幾點展開：① 進一步提高端點檢測的精度; ② 開展雷聲的頻域和時域特征的相關(guān)研究，并將雷聲的時-頻特征結(jié)合，提高雷聲和干擾聲相關(guān)系數(shù)的區(qū)分度。

致謝：感謝http://www.yinxiao.net/提供的音效資源。

[1] 歐陽玉花，袁 萍，賈向東，等．用信號處理技術(shù)及傳播理論還原雷聲頻譜[J]．物理學(xué)報，2013，62(8)：08430- 3-1-084303-4．

[2] 柴 燁，張有光．基于小波分析的雷聲信號特征提取[J]．計算機技術(shù)與應(yīng)用，2007(5)：118-120．

[3] Few A A．Acoustic radiations from lightning[Z].Handbook of Atmospheric Electrodynamics．Florida：CRC Press，1995：1-31．

[4] Few A A. Power spectrum of thunder[J]. J Geophys Res, 1969(74): 6853-7063.

[5] Few A A．Lightning channel reconstruction from thunder measurement[J]．J Geophys Res，1970(75)：7515-7523．

[6] Mac Gorman D R．Lightning location in a storm with strong wind shear[D]．Ph D dissertation，Department of Space Physics and Astronomy，Rice University，Houston，Texas，1978．

[7] Nakano M．Characteristics of lightning channel in thunderclouds determined by thunder[J]．J Meteor Soc，1976(17)：111-113.

[8] 章 涵，王道洪，呂偉濤，等．基于雷聲到達(dá)時間差的單站閃電通道三維定位系統(tǒng)[J]．高原氣象，2012，31(1)：209-213．

[9] 程 飛．智能防雷控制系統(tǒng)的開發(fā)與研究[D]．濟南：濟南大學(xué)，2011．

[10] 朱淑琴，裘雪紅．一種精確檢測語音端點的方法[J]．計算機仿真，2004，22(3)：214-216．

[11] 趙 力．語音信號處理[M]．北京：機械工業(yè)出版社，2003．

[12] 紐 蘭．隨機振動與譜分析概論[M]．方同譯．北京：機械工業(yè)出版社：1980．

[13] 李洪濤，盧文波．基于功率譜的爆破地震能量分析方法[J]．爆炸與沖擊，2009，29(5)：492-495．

[14] 牛 濱，孔令志，羅森林，等．基于MFCC和GMM的個性音樂推薦模型[J]．北京理工大學(xué)學(xué)報，2009，29(4)：351-353．

[15] 肖健華.智能模式識別方法[M].廣州：華南理工大學(xué)出版社，2006．

[16] 姚志祥，王椿鏞，樓 海，等．利用基于圍陷波波形相關(guān)的網(wǎng)格搜索法確定昆侖山斷裂帶結(jié)構(gòu)參數(shù)[J]．地球物理學(xué)報，2010，53(5)：1167-1172．

A Method for Real-time Recognition of Thunder

WEIKe-jing,LIHao-ran,SUNXue-jin,ZHANGChuan-liang

(Institute of Meteorology and Oceanography, PLA University of Science and Technology, Nanjing 211101, China)

Due to the low recognition speed and poor stability of traditional method in thunder recognition, in this paper, a method for real-time recognition of thunder was put forward based on endpoint detection and feature extraction. Firstly, the abnormal acoustic signal was extracted by endpoint detection. Then, the eigenvector based on frequency spectrum was established and the related coefficient between the eigenvectors of the abnormal acoustic signal and standard thunder acoustic signal that was measured by experiment was obtained. Finally, the threshold method was introduced to identify whether the abnormal acoustic signal was thunder or not. The tests of interfering and noise superpositions showed that the method for identifying thunder is fast and highly efficient.

thunder recognition; endpoint detection; feature extraction; related coefficient; SNR

2014-04-17

國家自然科學(xué)基金資助項目(41205125)

衛(wèi)克晶(1978-)，女，山西芮城人，講師，主要研究方向為智能儀器儀表。Tel.:025-80830635； E-mail:wa691117@163.com

P 427.4+2

A

1006-7167(2015)03-0027-04