CN105118516A - 基于声音线性预测倒谱系数的工程机械的识别方法 - Google Patents

Abstract

本发明提供了一种基于声音线性预测倒谱系数的工程机械识别方法，包含以下步骤：在施工现场真实环境下采集背景噪音信号；将工程机械置于理想环境下，启动工程机械；声音采集装置采集工程机械发出的声音信号；声音信号进行端点检测、加窗、分帧，端点检测通过过零率来实现，采用汉明窗对信号进行分帧；对分帧后的每帧信号提取LPCC；采用支持向量机建立工程机械声音特征指纹库；对实时声音信号提取LPCC后采用支持向量机与特征指纹库进行匹配，实现分类。

Description

基于声音线性预测倒谱系数的工程机械的识别方法

技术领域

本发明涉及声音识别技术领域，具体的说，是涉及一种基于声音线性预测倒谱系数的工程机械识别方法。

背景技术

由于用地紧张、市容建设等原因，城市输电大部分采用铺设电缆的形式，与架空电缆相比，地下电缆输电具有占地面积小、抗干扰能力强、有利于市容美化等优点。然而，由于存在大量不规范的道路施工工程作业，使得地下电缆遭到工程机械破坏，影响供电***的稳定性同时也会对人民生活和工业生产带来巨大不便。在道路施工过程中，极易造成地下电缆被破坏的工程机械主要有机械冲击锤、切割机、手持式电镐等。通过采集工程机械在作业时产生的声音信号并进行智能识别能有效地在电缆被破坏之前发出警报，从而辅助电力公司及时采取相关措施以防止电缆被破坏。

地下电缆经常受到工程机械的破坏，而目前又没有专门针对工程机械的识别方法，因此，本发明提出了一种通过提取工程机械声音特征来识别工程机械的方法。

发明内容

针对上述现有技术中的不足，本发明提供一种的基于声音线性预测倒谱系数的工程机械识别方法。

本发明所采取的技术方案是：

一种基于声音线性预测倒谱系数的工程机械识别方法，包括如下步骤：

利用理想环境下提取的工程机械LPCC系数构建工程机械声音特征指纹库；

工程机械实时声音信号提取LPCC系数建立；

对工程机械每帧信号的LPCC系数依据其所属的声源进行类标标定；

利用支持向量机学习算法，采用标定后工程机械每帧信号的LPCC工程机械声音特征指纹库进行模型训练学习，建立分类模型；

将工程机械实时声音信号提取每帧信号的LPCC特征，输入到支持向量机学习算法已训练好的分类模型中，依据已构建的分类器函数，计算该帧实测信号的输出值，即采用前述训练数据得到的拟合函数，计算实测信号LPCC特征的函数输出，所得到的向量中最大元的位置即为工程器械的类型。

利用理想环境下提取的工程机械LPCC系数构建工程机械声音特征指纹库包括：

工程机械声音信号提取LPCC系数建立；

背景噪音信号提取LPCC系数建立；

工程机械声音信号提取LPCC系数建立包括：

将工程机械置于理想环境下，启动工程机械；

声音采集装置采集工程机械发出的声音信号；

工程机械声音信号预处理；

对工程机械声音信号进行分帧；

对分帧后的每帧工程机械声音信号提取LPCC系数。

工程机械声音信号预处理包括：工程机械声音信号进行端点检测、加窗、分帧。

工程机械声音信号端点检测通过过零率来实现。

采用汉明窗对工程机械声音信号进行分帧。

背景噪音信号提取LPCC系数建立包括：

在施工现场真实环境下采集背景噪音信号；

背景噪音信号预处理；

对背景噪音信号进行分帧；

对分帧后的每帧背景噪音信号提取LPCC系数。

背景噪音信号预处理包括：背景噪音信号进行端点检测、加窗、分帧。

背景噪音信号端点检测通过过零率来实现。

采用汉明窗对背景噪音信号进行分帧。

工程机械实时声音信号提取LPCC系数建立包括：

声音采集装置采集工程机械实时声音信号；

工程机械实时声音信号预处理；

对工程机械实时声音信号进行分帧；

对分帧后的每帧工程机械实时声音信号提取LPCC系数。

工程机械实时声音信号预处理包括：工程机械实时声音信号进行端点检测、加窗、分帧。

工程机械实时声音信号端点检测通过过零率来实现。

采用汉明窗对工程机械实时声音信号进行分帧。

所述背景噪音信号为黄沙车的声音、人的说话声以及工地工程机械工作时的发出的声音信号。

所述工程机械包括:电镐、切割机、挖掘机和机械冲击锤。

所述采集距装置与工程机械的距离，包括近、中、远三种距离。

所述采集距装置与电镐、切割机、挖掘机的近距离为10米；中距离为30米；远距离为50米。

所述采集距装置与机械冲击锤的近距离为50米；中距离为100米；远距离为150米。

工程机械发出的声音信号每帧选取1024个采样点，帧移为512个采样点。

所述声音采集装置为十字声阵列。

所述十字声阵列采集声音的时间间隔为0.5秒。

所述LPCC特征的提取方法为：

首先求得每帧信号的LPC值，进而求得其LPCC值；

采用Levinson-Durbin算法求解LPC值；

LPC为线性预测系数，用过去的声音信号采样点的值来预测现在或未来的声音信号采样点的值，即第n点的声音信号的值s(n)能够通过前p点的值的线性组合进行预测，如公式1所示：

s(n)≈a₁s(n-1)+a₂s(n-2)+…+a_ps(n-p)(1)

其中a₁,a₂,…a_p是线性预测系数(LPC)，p为LPC阶数，这里取16

Levinson-Durbin算法通过使实际音频信号的采样值与线性预测采样值之间均方差(公式(2))最小，即可得到p阶线性预测系数a₁,a₂,…a_p。

$\begin{array}{cc}E=\underset{n=1}{\overset{N}{\Σ}}{e}_n^2=\underset{n=1}{\overset{N}{\Σ}}{\left(\underset{k=0}{\overset{p}{\Σ}}{a}_k{s}_{n-k}\right)}^2& a_0=1\end{array}---\left(2\right)$

线性预测系数得到后，可得到发声***传递函数模型：

$H\left(z\right)=\frac{1}{1-\underset{k=1}{\overset{p}{\Σ}}{a}_k{z}^{-k}}---\left(3\right)$

LPCC是LPC在倒谱域中的表示，倒谱系数就是利用同态处理方法，对声音信号求Z变换后取对数，再求反Z变换就可得到倒谱系数。在获得线性预测系数后，得到***模型，设冲击响应为c(n)，由倒谱定义可得：

$\hat{H}\left(z\right)=\ln H\left(z\right)=\stackrel{\mathrm{\∞}}{\mathrm{\Σ}}c\left(n\right)z^{-n}---\left(4\right)$

将(3)代入(4)，并对z^-1求偏导数，得到(5)：

$(1-\stackrel{p}{\mathrm{\Σ}}{a}_k{z}^{-k})\stackrel{\mathrm{\∞}}{\mathrm{\Σ}}nc\left(n\right)z^{-n+1}=\stackrel{\mathrm{\∞}}{\mathrm{\Σ}}{\mathrm{ka}}_k{z}^{-k+1}---\left(5\right)$

令(5)左右两边相应系数相等，得到(6)：

$\{\begin{array}{cc}{c}_1=a_1& \\ c_n=a_n+\underset{k=1}{\overset{n-1}{\&Sigma;}}\frac{k}{n}{c}_k{a}_{n-k}& 1<n\&le;p\\ c_n=a_n+\underset{k=1}{\overset{n-1}{\&Sigma;}}\frac{k}{n}{c}_k{a}_{n-k}& n>p\end{array}---\left(6\right)$

其中，c₁,c₂,…c_n是LPCC值，n为LPCC阶数，这里取n＝18。

所述工程机械声音特征指纹库建立方法如下：

对每帧信号提取出的18阶LPCC值，在前面加入一列作为类标，标号‘0’代表手持电镐、‘1’代表噪声、‘2’代表切割机、‘3’代表机械冲击锤，‘4’代表挖掘机。从而构成一个19阶的特征向量；

用libsvm作为分类器，选取径向基核函数(RBF)作为分类器核函数；RBF有两个参数：惩罚因子c以及参数gamma，可以通过libsvm的网格搜索函数opti_svm_coeff选取数值；从而使得选取的RBF核函数能够有效的将数据映射到高维空间，并在高维空间中将各类标定的工程器械信号按类标转换成不同的高维信号；

训练过程使用Svmtrain函数，包含四个参数：特征向量，用上述提取出的有标号的LPCC值；核函数类型，选用RBF核函数；RBF核函数参数c和gamma，使用网格搜索法确定；调用svmtrain后会得到一个名为model的变量，这一变量保存了训练所得模型信息，将这一变量保存下来供下一步识别用；

将每帧信号得到的LPCC值用libsvm的svmtest函数进行智能分类；

svmtest有三个参数，第一个为类标，用来测试识别率用的，这里取LPCC值的第一列，第二个为特征向量，即存储LPCC值的变量，第三个为匹配模型，就是上述步骤训练过程所得到的变量model；

调用svmtest得到的返回值就是分类所得结果，即类标，从而能确定产生这一声音的设备类型。

本发明相对现有技术的有益效果：

本发明能够提高识别效果并减少误警率，能够有效地识别手持电镐、切割机、机械冲击锤、挖掘机四类设备。现有地下电缆防外力破坏多采用振动或光纤信号进行检测，本发明采用声音，检测距离更远，对手持电镐、切割机、挖掘机有效检测距离能达到60m、机械冲击锤有效检测距离能达到180m，识别率能达到80％以上。

附图说明

图1是按照本发明的基于声音线性预测倒谱系数的工程机械识别方法的流程示意图；

图2为所述工程机械声音特征指纹库建立以及智能分类流程图；

具体实施方式

以下参照附图及实施例对本发明进行详细的说明：

附图1可知，一种基于声音线性预测倒谱系数的工程机械识别方法，包括如下步骤：

利用理想环境下提取的工程机械LPCC系数构建工程机械声音特征指纹库；

工程机械实时声音信号提取LPCC系数建立；

对工程机械每帧信号的LPCC系数依据其所属的声源进行类标标定；

利用支持向量机学习算法，采用标定后工程机械每帧信号的LPCC工程机械声音特征指纹库进行模型训练学习，建立分类模型。

(使用函数svmtrain)；即将各类标定的工程器械信号按类标转换成不同的高维信号，将数据分类转换为函数拟合问题。具体如下，将已标定的五类训练数据(“0”表示手持电镐、“1”表示噪声信号、“2”表示切割机、“3”表示机械冲击锤，“4”表示挖掘机)转换成五维向量，其中

“0”表示手持电镐转换成(1-1-1-1-1)

“1”表示噪声信号转换成(-11-1-1-1)

“2”表示切割机转换成(-1-11-1-1)

“3”表示机械冲击锤转换成(-1-1-11-1)

“4”表示挖掘机转换成(-1-1-1-11)

这样分类器的构建就转换成函数拟合，且函数输出为五维向量。

将工程机械实时声音信号提取每帧信号的LPCC特征，输入到支持向量机学习算法已训练好的分类模型中(即svmtrain函数的返回值)，依据已构建的分类器函数，计算该帧实测信号的输出值，即采用前述训练数据得到的拟合函数，计算实测信号LPCC特征的函数输出(输出为五维向量)，所得到的向量中最大元的位置即为工程器械的类型。

利用理想环境下提取的工程机械LPCC系数构建工程机械声音特征指纹库包括：

工程机械声音信号提取LPCC系数建立；

背景噪音信号提取LPCC系数建立；

工程机械声音信号提取LPCC系数建立包括：

将工程机械置于理想环境下，启动工程机械；

声音采集装置采集工程机械发出的声音信号；

工程机械声音信号预处理；

对工程机械声音信号进行分帧；

对分帧后的每帧工程机械声音信号提取LPCC系数。

工程机械声音信号预处理包括：工程机械声音信号进行端点检测、加窗、分帧。

工程机械声音信号端点检测通过过零率来实现。

采用汉明窗对工程机械声音信号进行分帧。

背景噪音信号提取LPCC系数建立包括：

在施工现场真实环境下采集背景噪音信号；

背景噪音信号预处理；

对背景噪音信号进行分帧；

对分帧后的每帧背景噪音信号提取LPCC系数。

背景噪音信号预处理包括：背景噪音信号进行端点检测、加窗、分帧。

背景噪音信号端点检测通过过零率来实现。

采用汉明窗对背景噪音信号进行分帧。

工程机械实时声音信号提取LPCC系数建立包括：

声音采集装置采集工程机械实时声音信号；

工程机械实时声音信号预处理；

对工程机械实时声音信号进行分帧；

对分帧后的每帧工程机械实时声音信号提取LPCC系数。

工程机械实时声音信号预处理包括：工程机械实时声音信号进行端点检测、加窗、分帧。

工程机械实时声音信号端点检测通过过零率来实现。

采用汉明窗对工程机械实时声音信号进行分帧。

所述背景噪音信号为黄沙车的声音、人的说话声以及工地工程机械工作时的发出的声音信号。

所述噪声信号，取黄沙车声音、工地背景噪声各1000帧，因为这两种声源出现频率高，对识别算法影响大。

所述工程机械包括:电镐、切割机、挖掘机和机械冲击锤。

所述采集距装置与工程机械的距离，包括近、中、远三种距离。

所述采集距装置与电镐、切割机、挖掘机的近距离为10米；中距离为30米；远距离为50米。

所述采集距装置与机械冲击锤的近距离为50米；中距离为100米；远距离为150米。

工程机械发出的声音信号每帧选取1024个采样点，帧移为512个采样点。

所述声音采集装置为十字声阵列。

所述十字声阵列采集声音的时间间隔为0.5秒。

所述LPCC特征的提取方法为：

首先求得每帧信号的LPC(线性预测系数)值，进而求得其LPCC值；

采用Levinson-Durbin算法求解LPC值；

LPC为线性预测系数，用过去的声音信号采样点的值来预测现在或未来的声音信号采样点的值，即第n点的声音信号的值s(n)能够通过前p点的值的线性组合进行预测，如公式1所示：

s(n)≈a₁s(n-1)+a₂s(n-2)+…+a_ps(n-p)(1)

其中a₁,a₂,…a_p是线性预测系数(LPC)，p为LPC阶数，这里取16

Levinson-Durbin算法通过使实际音频信号的采样值与线性预测采样值之间均方差(公式(2))最小，即可得到p阶线性预测系数a₁,a₂,…a_p。

$\begin{array}{cc}E=\underset{n=1}{\overset{N}{\&Sigma;}}{e}_n^2=\underset{n=1}{\overset{N}{\&Sigma;}}{\left(\underset{k=0}{\overset{p}{\&Sigma;}}{a}_k{s}_{n-k}\right)}^2& a_0=1\end{array}---\left(2\right)$

线性预测系数得到后，可得到发声***传递函数模型：

$H\left(z\right)=\frac{1}{1-\underset{k=1}{\overset{p}{\&Sigma;}}{a}_k{z}^{-k}}---\left(3\right)$

LPCC是LPC在倒谱域中的表示，倒谱系数就是利用同态处理方法，对声音信号求Z变换后取对数，再求反Z变换就可得到倒谱系数。在获得线性预测系数后，得到***模型，设冲击响应为c(n)，由倒谱定义可得：

$\hat{H}\left(z\right)=\ln H\left(z\right)=\stackrel{\mathrm{\&infin;}}{\mathrm{\&Sigma;}}c\left(n\right)z^{-n}---\left(4\right)$

将(3)代入(4)，并对z^-1求偏导数，得到(5)：

$(1-\stackrel{p}{\mathrm{\&Sigma;}}{a}_k{z}^{-k})\stackrel{\mathrm{\&infin;}}{\mathrm{\&Sigma;}}nc\left(n\right)z^{-n+1}=\stackrel{p}{\mathrm{\&Sigma;}}{\mathrm{ka}}_k{z}^{-k+1}---\left(5\right)$

令(5)左右两边相应系数相等，得到(6)：

$\left\{\begin{array}{cc}{c}_1=a_1& \\ c_n=a_n+\underset{k=1}{\overset{n-1}{\&Sigma;}}\frac{k}{n}{c}_k{a}_{n-k}& 1<n\&le;p\\ c_n=a_n+\underset{k=1}{\overset{n-1}{\&Sigma;}}\frac{k}{n}{c}_k{a}_{n-k}& n>p\end{array}\right.---\left(6\right)$

其中，c₁,c₂,…c_n是LPCC值，n为LPCC阶数，这里取n＝18。

所述工程机械声音特征指纹库建立方法如下：

对每帧信号提取出的18阶LPCC值，在前面加入一列作为类标，标号‘0’代表手持电镐、‘1’代表噪声、‘2’代表切割机、‘3’代表机械冲击锤，‘4’代表挖掘机。从而构成一个19阶的特征向量；

用libsvm作为分类器，选取径向基核函数(RBF)作为分类器核函数；RBF有两个参数：惩罚因子c以及参数gamma，可以通过libsvm的网格搜索函数opti_svm_coeff选取出最优数值；从而使得选取的RBF核函数能够有效的将数据映射到高维空间，并在高维空间中将各类标定的工程器械信号按类标转换成不同的高维信号，将数据分类转换为函数拟合问题。

具体如下，将已标定的五类训练数据(“0”表示手持电镐、“1”表示噪声信号、“2”表示切割机、“3”表示机械冲击锤，“4”表示挖掘机)转换成五维向量，其中

“0”表示手持电镐转换成(1-1-1-1-1)

“1”表示噪声信号转换成(-11-1-1-1)

“2”表示切割机转换成(-1-11-1-1)

“3”表示机械冲击锤转换成(-1-1-11-1)

“4”表示挖掘机转换成(-1-1-1-11)

这样分类器的构建就转换成函数拟合，且函数输出为五维向量。

训练过程使用Svmtrain函数，包含四个参数：特征向量，用上述提取出的有标号的LPCC值；核函数类型，选用RBF核函数；RBF核函数参数c和gamma，使用网格搜索法确定；调用svmtrain后会得到一个名为model的变量，这一变量保存了训练所得模型信息，将这一变量保存下来供下一步识别用；

将每帧信号得到的LPCC值用libsvm的svmtest函数进行智能分类；

svmtest有三个参数，第一个为类标，用来测试识别率用的，这里取LPCC值的第一列，第二个为特征向量，即存储LPCC值的变量，第三个为匹配模型，就是上述步骤训练过程所得到的变量model；

调用svmtest得到的返回值就是分类所得结果，即类标，从而能确定产生这一声音的设备类型。

工程机械声音特征指纹库建立。由于目前没有专门针对工程机械的声音特征指纹库，因此需要建立一个工程机械声音特征指纹库。具体方法如下：

对技术方案中手镐、切割机、机械冲击锤、挖掘机、噪声每帧信号提取出的18阶LPCC值，其中对四种工程机械声音，各取1000帧近、中、远不同距离信号18阶LPCC值，对于噪声信号，取黄沙车声音、工地背景噪声各1000帧。

在前面加入一列作为类标，从而构成一个19阶的向量，通过大量实验表明，每个距离取1000帧信号时，已经能够表现出在这一距离下声音信号的特征，再多加数据会出现冗余，对识别率提升无益，因此对四种工程机械不同距离下的声音信号，各取1000帧近、中、远不同距离信号18阶LPCC值，对于噪声信号，取黄沙车声音、工地背景噪声各1000帧，求得其18阶LPCC值，将这些18阶数据前增加一列作为类标，以标号“0”表示手持电镐、“1”表示噪声信号、“2”表示切割机、“3”表示机械冲击锤，“4”表示挖掘机。这就构成一个12000行19列的矩阵，其中第一列为类标，第二到十九列为相应的LPCC特征。

将3*4*1000共计12000组19阶的特征向量使用SVM进行训练，其中3表示近、中、远三种距离；4表示四种工程机械；1000是每个距离选取的1000帧信号。

使用svmlib的svmtrain函数，svmtrain有四个参数：特征向量，即提取特征后得到的12000行19列的向量；核函数类型，选取RBF核函数；RBF函数的参数c和gamma，惩罚因子c以及参数gamma的值通过libsvm的网格搜索函数opti_svm_coeff选取出最优值；svmtrain的返回保留了训练所得模型信息，就是训练后得到的分类器，即四种工程机械的声音特征指纹库。

SVM采用libsvm，其能够实现多分类功能，其中函数svmtrain用来训练，svmtest函数用来识别。svm有四种常用核函数：线性核(LinearKernel)、多项式核(PolynomialKernel)、径向基核函数(RadialBasisFunction)、Sigmoid核(SigmoidKernel)，应用这四种不同核函数训练成功率分别为：82.72％、62.49％、88.25％、81.91％，径向基核函数效果最好，因此，这里选取径向基核函数作为分类器核函数。其惩罚因子c以及参数gamma的值通过libsvm的网格搜索函数opti_svm_coeff选取出最优值。Svmtrain函数返回值保存了训练所得模型信息，将这一值保存下来供下一步识别用。

工程机械声音的识别。将每帧信号得到的LPCC值用libsvm的svmtest函数进行智能分类，svmtest有三个参数，第一个为类标，用来测试识别率用的，第二个为特征向量，即存储LPCC值的变量，第三个为匹配模型，就是上述步骤训练过程svmtrain函数的返回值。调用svmtest得到的返回值就是分类所得结果，即类标，从而能确定产生这一声音的设备类型。

SVM采用libsvm，其能够实现多分类功能，其中函数svmtrain用来训练，svmtest函数用来识别。svm有四种常用核函数：线性核(LinearKernel)、多项式核(PolynomialKernel)、径向基核函数(RadialBasisFunction)、Sigmoid核(SigmoidKernel)，应用这四种不同核函数训练成功率分别为：82.72％、62.49％、88.25％、81.91％，径向基核函数效果最好。

选取径向基核函数作为分类器核函数；其惩罚因子c以及参数gamma的值通过libsvm的网格搜索函数opti_svm_coeff选取出最优值；

Svmtrain函数训练后会得到一个名为model的变量，这一变量保存了训练所得模型信息，将这一变量保存下来供下一步识别用。

将每帧信号得到的LPCC值用libsvm的svmtest函数进行智能分类；

svmtest有三个参数，第一个为类标，用来测试识别率用的，这里取LPCC值的第一列，第二个为特征向量，即存储LPCC值的变量，第三个为匹配模型，就是上述步骤训练过程所得到的变量model；

调用svmtest得到的返回值就是分类所得结果，即类标，从而能确定产生这一声音的设备类型。

本发明能够提高识别效果并减少误警率，能够有效地识别手持电镐、切割机、机械冲击锤、挖掘机四类设备。现有地下电缆防外力破坏多采用振动或光纤信号进行检测，本发明采用声音，检测距离更远，对手持电镐、切割机、挖掘机有效检测距离能达到60m、机械冲击锤有效检测距离能达到180m，识别率能达到80％以上。

以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明的技术方案范围内。

Claims (10)

1.一种基于声音线性预测倒谱系数的工程机械识别方法，包括如下步骤：

利用理想环境下提取的工程机械LPCC系数构建工程机械声音特征指纹库；

工程机械实时声音信号提取LPCC系数建立；

对工程机械每帧信号的LPCC系数依据其所属的声源进行类标标定；

利用支持向量机学习算法，采用标定后工程机械每帧信号的LPCC工程机械声音特征指纹库进行模型训练学习，建立分类模型；

将工程机械实时声音信号提取每帧信号的LPCC特征，输入到支持向量机学习算法已训练好的分类模型中，依据已构建的分类器函数，计算该帧实测信号的输出值，即采用前述训练数据得到的拟合函数，计算实测信号LPCC特征的函数输出，所得到的向量中最大元的位置即为工程器械的类型。

2.根据权利要求1所述基于声音线性预测倒谱系数的工程机械识别方法，其特征在于：所述利用理想环境下提取的工程机械LPCC系数构建工程机械声音特征指纹库包括：

工程机械声音信号提取LPCC系数建立；

背景噪音信号提取LPCC系数建立。

3.根据权利要求2所述基于声音线性预测倒谱系数的工程机械识别方法，其特征在于：所述工程机械声音信号提取LPCC系数建立包括：

将工程机械置于理想环境下，启动工程机械；

声音采集装置采集工程机械发出的声音信号；

工程机械声音信号预处理；

对工程机械声音信号进行分帧；

对分帧后的每帧工程机械声音信号提取LPCC系数。

4.根据权利要求3所述基于声音线性预测倒谱系数的工程机械识别方法，其特征在于：所述工程机械声音信号预处理包括：工程机械声音信号进行端点检测、加窗、分帧。

5.根据权利要求4所述基于声音线性预测倒谱系数的工程机械识别方法，其特征在于：所述工程机械声音信号端点检测通过过零率来实现。

6.根据权利要求4所述基于声音线性预测倒谱系数的工程机械识别方法，其特征在于：所述采用汉明窗对工程机械声音信号进行分帧。

7.根据权利要求2所述基于声音线性预测倒谱系数的工程机械识别方法，其特征在于：所述背景噪音信号提取LPCC系数建立包括：

在施工现场真实环境下采集背景噪音信号；

背景噪音信号预处理；

对背景噪音信号进行分帧；

对分帧后的每帧背景噪音信号提取LPCC系数。

8.根据权利要求7所述基于声音线性预测倒谱系数的工程机械识别方法，其特征在于：所述背景噪音信号预处理包括：背景噪音信号进行端点检测、加窗、分帧。

9.根据权利要求8所述基于声音线性预测倒谱系数的工程机械识别方法，其特征在于：所述背景噪音信号端点检测通过过零率来实现。

10.根据权利要求8所述基于声音线性预测倒谱系数的工程机械识别方法，其特征在于：采用汉明窗对背景噪音信号进行分帧。