基于聲信號特征分析的降雹和降雨識別

李 鵬，嵇佳麗，丁倩雯

(1.南京信息工程大學(xué) 江蘇省氣象探測與信息處理重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210044；2.南京信息工程大學(xué) 江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心，江蘇 南京 210044；3.南京信息工程大學(xué) 濱江學(xué)院，江蘇 無錫 214105)

適量降水能促進(jìn)農(nóng)作物生長，而過量的強(qiáng)降水會造成洪澇等災(zāi)害.強(qiáng)降水災(zāi)害，具有時間短、破壞性大、范圍小、突發(fā)性強(qiáng)的特點(diǎn)，給工農(nóng)業(yè)生產(chǎn)和人民生命財產(chǎn)帶來極大危害，故對強(qiáng)降水天氣的預(yù)警監(jiān)測就尤為重要.降雹和降雨的監(jiān)測根據(jù)雷達(dá)的回波強(qiáng)度進(jìn)行.文獻(xiàn)[5]利用機(jī)器學(xué)習(xí)處理高分辨率的預(yù)報數(shù)值，改善了冰雹預(yù)報.文獻(xiàn)[6]提出了一種經(jīng)驗(yàn)預(yù)測模型，預(yù)測可提前2至5周.文獻(xiàn)[7]采用基于邊緣檢測的卷積神經(jīng)網(wǎng)絡(luò)方法，對冰雹進(jìn)行預(yù)報.文獻(xiàn)[8]根據(jù)雷達(dá)圖像中冰雹和暴雨特征，設(shè)計了基于聚類評分的暴雨冰雹分類模型.文獻(xiàn)[9]通過實(shí)時探測大氣中水汽含量，對降雨進(jìn)行預(yù)測.文獻(xiàn)[10]建立了基于MapReduce的改進(jìn)加權(quán)樸素貝葉斯降雨等級預(yù)測模型，能較準(zhǔn)確預(yù)測降雨.文獻(xiàn)[11]提出了一種地面與高空聯(lián)合的降雨預(yù)報模型,提高了短期降雨的預(yù)報精度.

該文提出一種基于聲信號特征分析的降雹和降雨識別方案，設(shè)計降雹和降雨聲信號的采集裝置，提取降雹和降雨聲信號的特征參數(shù)，且將其作為識別依據(jù)，采用基于馬氏距離的模糊聚類算法對聲信號進(jìn)行識別.

1 聲信號采集裝置

降水包括降雨、降雪、降雹3種形式，其中降雨一年四季時常發(fā)生，降雪多發(fā)生在溫度達(dá)到零度以下的冬季，降雹多發(fā)生在春夏秋三季.通常情況下，降雹和降雪不會同時發(fā)生，且考慮到降雪聲信號的能量相對小不易采集，故假設(shè)從天而降的物體只有冰雹和雨水兩種.因此，該文以冰雹和雨水落下時產(chǎn)生的聲信號為研究對象.

圖1為筆者設(shè)計的采集降雹和降雨聲信號的簡易裝置，該裝置由拾音模塊、數(shù)據(jù)采集模塊和計算機(jī)組成.拾音模塊由一塊60 cm×80 cm×0.2 cm不銹鋼拾音板、4個長度為10 cm的支柱以及單通道聲音傳感器組成，聲音傳感器置于拾音板下方.數(shù)據(jù)采集模塊通過Waveform軟件控制的Analog discovery 2-NI edition采集卡采集聲信號.數(shù)據(jù)采集模塊通過USB接口和螺栓端子分別與計算機(jī)和聲波傳感器相連.

圖1 聲信號采集裝置

2 聲信號處理

2.1 聲信號預(yù)處理

為保證降雹和降雨聲信號處理的有效性和準(zhǔn)確性，在對聲信號進(jìn)行特征提取之前，需先對信號進(jìn)行預(yù)處理.該文采用小波閾值去噪法，選擇Daubechies4(db4)小波對聲信號去噪.首先利用小波變換對聲信號進(jìn)行多層分解，然后對分解后的各層信號進(jìn)行閾值濾波處理，最后通過重構(gòu)濾波后的各層信號得到去噪信號.小波分解層數(shù)影響去噪結(jié)果，綜合考慮去噪效果、運(yùn)算時間，最終選擇層數(shù)為3.使用db4小波對降雹和降雨信號進(jìn)行分解，結(jié)果如圖2所示.

采用軟閾值方法，對聲音信號去噪.圖3為降雹和降雨的原始信號、加噪信號及去噪信號.

圖3 降雹和降雨的原始信號、加噪信號以及去噪信號

2.2 聲信號特征提取

聲信號特征提取主要從時域、頻域和時頻3方面進(jìn)行.圖4為采集到的降雹和降雨原始聲信號的時域波形.從圖4可看出，降雹和降雨聲信號波形的幅度、陡峭度以及分布密度均存在明顯差異.

圖4 采集到的降雹和降雨原始聲信號的時域波形

能量為區(qū)分降雹和降雨聲信號的最重要特征，其大小隨著信號頻率變化而變化.冰雹落下時產(chǎn)生的聲信號頻率主要集中在[0,15 000]Hz，而雨滴落下時產(chǎn)生的聲信號頻率主要集中在[0,10 000]Hz.因聲信號是1維非平穩(wěn)信號，在提取短時能量之前，需先對聲信號進(jìn)行分幀加窗處理.第

n

幀聲信號

x

(

m

)短時能量計算公式為

(1)

其中：

M

為幀長.帶寬能量比為-3 dB帶寬與短時能量的比值.圖5為不同直徑冰雹和雨的單邊頻譜和帶寬能量比.由圖5(a)～(b)，(e)～(f)可知，利用單邊頻譜和帶寬能量比，能區(qū)分大冰雹、中冰雹、中雨、小雨.但對比圖5(c)，(d)發(fā)現(xiàn)，小冰雹和大雨單邊頻譜存在重疊部分，不易識別.

圖5 不同直徑冰雹和雨的單邊頻譜和帶寬能量比

統(tǒng)計分析發(fā)現(xiàn)，根據(jù)均方根、波形因子、峰值因子、峭度因子和脈沖因子等特征區(qū)分大雨和小冰雹是可行的.綜合考慮多種因素，該文選擇了均方根、敏感性好的峭度因子、穩(wěn)定好的波形因子作為區(qū)分二者的特征.假設(shè)采集的聲信號為

X

={

x

,

x

,…,

x

},

N

為樣本數(shù).聲信號的均方根、波形因子、峭度因子的計算公式分別為

(2)

(3)

(4)

圖6為降雹及降雨聲信號的時域特征參數(shù).由圖6可知，降雹及降雨的這3個時域特征參數(shù)有顯著差別，根據(jù)它們能區(qū)分降雹和降雨.

圖6 降雹和降雨聲信號的時域特征參數(shù)

3 聲信號的識別

3.1 基于馬氏距離的FCM算法

該文采用基于馬氏距離的模糊聚類(fuzzy c-means based on Mahalanobis distance，簡稱M-FCM)算法對降雹和降雨聲信號進(jìn)行識別.該算法是一種無監(jiān)督學(xué)習(xí)的識別算法，對目標(biāo)函數(shù)的相似準(zhǔn)則進(jìn)行了改進(jìn)，用馬氏距離取代傳統(tǒng)模糊聚類中的歐式距離，消除了量綱不同的特征給聚類帶來的影響，避免了各變量間的相互干擾，更有利于處理復(fù)雜的多維數(shù)據(jù).

假設(shè)樣本集合={,,…,},其中樣本={

x

,

x

,…,

x

},樣本到樣本集合的馬氏距離為

(5)

其中：為聚類中心,為協(xié)方差矩陣.

M-FCM算法的目標(biāo)函數(shù)為

(6)

其中：=(

θ

)×為聚類中心矩陣，=(

u

)×為模糊隸屬度矩陣，

m

(

m

>1)為加權(quán)參數(shù).

M-FCM算法步驟如下：

(1) 給定

n

個數(shù)據(jù)，假定聚類個數(shù)為

k

,2≤

k

≤

n

.設(shè)定迭代閾值

ε

=1×10,

m

=2，迭代計數(shù)器

L

=0.初始化聚類中心矩陣(0).

(2) 通過下式更新隸屬度矩陣和聚類中心矩陣

(7)

其中：

C

1為第

t

個聚類中心，

x

為第

j

個待識別樣本，

n

為待識別樣本的數(shù)目，

b

為加權(quán)參數(shù)，

U

(

x

)為隸屬度函數(shù).

(3) 計算新的聚類中心、隸屬度函數(shù)和目標(biāo)函數(shù).

(4) 如果‖(

L

)-(

L

+1)‖<

ε

,則算法停止且輸出最終的隸屬度矩陣和聚類中心；否則令

L

=

L

+1,重復(fù)步驟(2).

3.2 識別流程

降雹和降雨聲信號的識別分為如下幾步：①將采集的所有降雹和降雨聲信號的樣本分為訓(xùn)練樣本和待識別樣本.②提取訓(xùn)練樣本的特征參數(shù)，將這些特征參數(shù)組成特征向量.③利用M-FCM算法對提取的特征進(jìn)行迭代運(yùn)算，得到降雹和降雨聲信號的聚類中心

C

，

C

和隸屬度函數(shù)

U

.④提取待識別樣本的特征參數(shù)，根據(jù)隸屬度函數(shù)

U

及式(7)得到待識別樣本的聚類中心

C

，

C

，分別計算

C

到

C

，

C

及

C

到

C

，

C

的距離.先比較

C

到

C

的距離與

C

到

C

的距離大小，后比較

C

到

C

的距離與

C

到

C

的距離大小.若待識別樣本的聚類中心

C

到訓(xùn)練樣本的聚類中心

C

(或

C

)的距離最短，則判定屬于聚類中心

C

的所有樣本與

C

(或

C

)的類別相同；同理，若待識別樣本的聚類中心

C

到訓(xùn)練樣本的聚類中心

C

(或

C

)的距離最短，則判定屬于聚類中心

C

的所有樣本與

C

(或

C

)的類別相同.圖7為聲信號識別流程.

圖7 聲信號識別流程圖

4 識別結(jié)果

為驗(yàn)證所提方案的可行性，對實(shí)驗(yàn)采集到的降雹和降雨聲信號進(jìn)行分析，將訓(xùn)練樣本和待識別樣本的均方根、波形因子、峭度因子、最大帶寬能量比和平均振幅構(gòu)成特征向量.實(shí)驗(yàn)采集了250組聲信號樣本，選取其中類別已知的96組聲信號作為訓(xùn)練樣本，再隨機(jī)選取120組聲信號作為待識別樣本.利用M-FCM算法得到訓(xùn)練樣本的聚類中心

C

，

C

.表1為由上述5個特征參數(shù)構(gòu)成的訓(xùn)練樣本聚類中心.訓(xùn)練樣本的聚類結(jié)果如圖8所示.

圖8 訓(xùn)練樣本的聚類結(jié)果

表1 訓(xùn)練樣本聚類中心的5個特征參數(shù)

待識別樣本的聚類結(jié)果如圖9所示.表2為待識別樣本聚類中心的5個特征參數(shù).分別計算

C

到

C

，

C

的距離以及

C

到

C

，

C

的距離，結(jié)果如表3所示.對比表1～3發(fā)現(xiàn)，

C

到

C

的距離比

C

到

C

的距離更近，

C

到

C

的距離比

C

到

C

的距離更近，因此判定待識別樣本1屬于降雨聲信號、待識別樣本2屬于降雹聲信號.但是，圖9中虛線框里的3個紅點(diǎn)表示的樣本應(yīng)是降雹聲信號，卻被誤判為降雨聲信號，故存在一定的誤差.

圖9 待識別樣本結(jié)果

表2 待識別樣本聚類中心的5個特征參數(shù)

表3 待識別樣本的聚類中心到訓(xùn)練樣本聚類中心的距離

將K-means，F(xiàn)CM(fuzzy c-means)，M-FCM算法應(yīng)用于降雹和降雨聲信號的識別，3種算法在設(shè)置相同實(shí)驗(yàn)參數(shù)的情況下，各進(jìn)行10次實(shí)驗(yàn)，結(jié)果如表4所示.由表4可知： K-means的識別準(zhǔn)確率最低，M-FCM的識別準(zhǔn)確率最高，其值為93.333 3%.因此，綜合看來，M-FCM算法識別降雹和降雨聲信號更具優(yōu)勢.

表4 3種算法實(shí)驗(yàn)結(jié)果比較

5 結(jié)束語

筆者從聲學(xué)角度，提出一種基于聲信號特征分析的降雹和降雨聲信號識別方案，自主設(shè)計降雹和降雨聲信號的采集裝置，對采集的降雹和降雨聲信號的時域和頻域特征進(jìn)行統(tǒng)計分析.選取均方值、波形因子、峭度因子、平均振幅及最大帶寬能量比5個特征參數(shù)組成特征向量，采用K-means，F(xiàn)CM，M-FCM算法對降雹和降雨聲信號進(jìn)行識別.實(shí)驗(yàn)結(jié)果表明： M-FCM算法的核心指標(biāo)(識別準(zhǔn)確率)最高.