CN108680245A - 鲸豚类Click类叫声与传统声呐信号分类方法及装置 - Google Patents
鲸豚类Click类叫声与传统声呐信号分类方法及装置 Download PDFInfo
- Publication number
- CN108680245A CN108680245A CN201810393128.7A CN201810393128A CN108680245A CN 108680245 A CN108680245 A CN 108680245A CN 201810393128 A CN201810393128 A CN 201810393128A CN 108680245 A CN108680245 A CN 108680245A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- time
- module
- frequency characteristics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明属于海洋应用声学领域,为提出新的水下声音信号的人工分类方法,分类结果稳定、工作量小、主观性强弱,同时特征提取准确、分类正确率高、适应性强。为此,本发明鲸豚类Click类叫声与传统声呐信号分类方法及装置,包括三个子***:信号预处理子***,信号时频特征提取子***和信号时频特征分类子***;其中,信号预处理子***包括:水听器、声音存储介质、声音去噪模块和端点检测模块;信号时频特征提取子***包括信号短时傅里叶变换预处理模块,信号时频轮廓提取模块,信号时频轮廓曲线拟合和信号时频特征提取模块。本发明主要应用于海洋应用声学场合。
Description
技术领域
本发明属于海洋应用声学领域,特别是鲸豚类Click类叫声脉冲与传统声呐信号的分类方法及装置。
背景技术
在海洋被动声学监测以及水下声呐探测或水下声学通信中,鲸豚类Click类叫声脉冲信号与传统声呐信号极易同时出现在同一海域,且一同被声学监测网络或声呐接收设备接收和记录。其中,传统声呐信号主要包括单频脉冲(Continuous Wave,简称CW)信号、线性调频脉冲(Linear Frequency Modulation,简称LFM)信号和双曲调频脉冲(HyperbolicFrequency Modulation,简称HFM)信号。将被接收和记录的声音中的鲸豚类Click类叫声脉冲信号与传统声呐信号(CW信号、LFM信号和HFM信号)进行有效识别与分类,对提高被动声学监测网络的监测准确性、稳定性以及提高人工声呐***探测的准确性,水声通信***的可靠性,都具有十分重要的作用。目前的水声信号识别和分类,仍主要是采用人工分类的方法,通过倾听和借助分析工具观察信号波形和信号的频谱特征实现信号分类,该方法主观性强,分类正确率波动大。此外,随着被动声学监测网络规模增大,人工声呐阵列化以及水下通信结构的复杂化,要处理的数据量持续增大,使用人工分类的方法将难以确保数据的实时性和准确性。而目前已有的水下声音信号自动分类方法,难以准确提取信号特征,分类正确率较低,且难以适应复杂多变的海洋环境。
发明内容
为克服现有技术的不足,本发明旨在提出新的水下声音信号的人工分类方法,分类结果稳定、工作量小、主观性强弱,同时特征提取准确、分类正确率高、适应性强。为此,本发明采用的技术方案是,鲸豚类Click类叫声脉冲与传统声呐信号分类装置,包括三个子***:信号预处理子***,信号时频特征提取子***和信号时频特征分类子***;其中,信号预处理子***包括:水听器、声音存储介质、声音去噪模块和端点检测模块;信号时频特征提取子***包括信号短时傅里叶变换预处理模块,信号时频轮廓提取模块,信号时频轮廓曲线拟合和信号时频特征提取模块,信号预处理子***可依托于DSP(Digital SignalProcessing)芯片、现场可编程门阵列FPGA(Field-Programmable Gate Array)芯片或进阶精简指令集机器ARM(Advanced RISC Machine)架构处理器硬件平台实现;时频特征分类子***包括信号时频特征输入模块,分类器训练模块,分类器分类模块和分类结果显示模块,时频特征分类子***可依托于DSP芯片、FPGA芯片或ARM架构处理器硬件平台实现;
水听器采集或者计算机存储介质存储的可能含有鲸豚类Click类叫声脉冲信号与传统声呐信号的声音,首先经过声音去噪模块得到去噪后的声音信号,经过端点检测模块,提取出含有鲸豚类Click类叫声脉冲信号与传统声呐信号的特征帧;进一步地,特征帧经过短时傅里叶变换,得到短时傅里叶变换系数矩阵;短时傅里叶变换系数矩阵所有系数取绝对值后,得到绝对值系数矩阵;绝对值矩阵首先经过信号时频轮廓提取模块,得到信号时频轮廓;进一步地,经过信号时频轮廓曲线拟合和信号时频特征提取模块,得到信号时频特征向量;进一步地,时频特征向量被送入先前已训练过的分类器分类模块后,分类器分类模块对特征向量进行分类,输出分类结果经分类结果显示模块显示。
分类器采用BP(Back Propagation)神经网络分类器。
鲸豚类Click类叫声脉冲与传统声呐信号分类方法,对每一个经过信号预处理子***得到的信号特征帧,首先进行短时傅里叶变换,得到短时傅里叶变换系数矩阵F(m,f);
其中x(n)为信号特征帧,w(n)为窗函数,其可以沿信号时间轴移动,窗函数的移动距离由m确定,f代表表示频率,其中函数类型、窗函数宽度、移动步长等参数可以根据待分类信号的实际长度和采样率确定;
进一步地,按照式(2)对F(m,f)取绝对值得到信号的短时傅里叶变换绝对值矩阵X(m,f);
X(m,f)=|F(m,f)| (2)
进一步地,对于每一个被窗函数w(n-m)截断的信号切片按照式(3)从X(m,f)中获得当前信号切片内的频谱信息xi(f),其中i表示当前信号切片的索引值;
xi(f)=X(mi,f)(3)
进一步地,求取每个xi(f)在频率f上的最大值mi(f),并计算xi(f)的半功率幅值如图4所示,在按照式(4)确定f-xi(f)曲线中mi(f)左右两边的半功率频率点的频率坐标fli和fri;
进一步地,按照式(5)计算当前信号切片的估计瞬时频率fei,所有切片信号的fei构成了当前信号瞬时频率序列Fe;
fei=1/2*(fli+fri) (5)
进一步地,对每一个信号的瞬时频率序列Fe,使用移动平均滤波器对其进行平滑滤波,得到平滑的信号时频变化轮廓Se,移动平均滤波的长度l可根据信号的瞬时频率序列Fe的长度确定;
进一步地,基于最小二乘法,按照式(6)和式(7),使用n阶的多项式p(t)对信号时频变化轮廓Se进行拟合;
p(t)=a0+a1t+...+an-1tn-1+antn (6)
式中,Se(i)表示时频变化轮廓Se中第i个信号切片所对应的值,即平滑滤波后瞬时频率值,ti表示第i个信号切片的中心在原信号中的位置,E代表残差;根据最小二乘法,求取式(6)中的系数a0,a1,...,an-1,an,使式(7)中的残差E达到最小;同时,根据实际信号的切片个数,舍去时频变换轮廓Se左右两端的若干Se(i)值后,再进行多项式拟合;
进一步地,对每一个信号特征帧16,将p(t)的各阶多项式系数a0,a1,...,an-1,an作为信号的时频变化特征,形成时频特征向量A=[a0,a1,...,an-1,an];
将时频特征向量送入神经网络分类器进行分类,得到最终分类结果。
使用BP神经网络作为信号时频特征分类器,首先设定分类器参数,设定分类器的初始结构,设定网络层数、输入层、隐含层节点数、输出层神经元个数、传递函数、训练方法和神经网络的初始权值等参数;BP神经网络训练方法为梯度下降法,根据分类器的输出结果进行分类决策,最后输出分类结果。
一个实例中,多项式p(t)阶数n为5的条件下,设置网络层数为3,输入层节点数为6,隐含层节点为4,输出层神经元为4,传递函数为Sigmoid函数,神经网络的初始权值为0至1之间的随机数。
本发明的特点及有益效果是:
(1)本发明所述信号时频特征提取模型能够准确地提取鲸豚类Click类叫声脉冲信号与传统声呐信号的时频特征,提取的时频特征能很好的表征信号的时频变化趋势;
(2)本发明所述时频特征分类模型可以通过少量的时频特征训练数据和简单的神经网络结构获得很高的分类正确率;
(3)本发明所述鲸豚类Click类叫声脉冲信号与传统声呐信号的分类方法及装置可以准确提取鲸豚类Click类叫声脉冲信号与传统声呐信号的时频变化特征并将其正确分类,有效克服了人工分类方法分类结果不稳定、工作量大、主观性强的缺点,同时有效克服了传统水声信号自动分类方法及装置特征提取不准确、分类正确率低、适应性差的缺点;
(4)本发明所述鲸豚类Click类叫声脉冲信号与传统声呐信号的分类方法及装置即使在信号受海洋水声信道频率选择性、时变、多途效应等的影响产生了不同程度的畸变的情况下,也能对产生畸变的信号准确分类;在通过虚拟时间反转镜技术等对水声信道进行估计、校正和补偿后,该方法及装置的分类正确率可以进一步提高。
附图说明:
图1示出鲸豚类Click类叫声脉冲信号与传统声呐信号分类方法及装置的主要功能框图。
图1中:1为水听器(声音采集);2为声音存储介质(声音存储);3为声音去噪模块;4为端点检测模块;5为连续短时傅里叶变换预处理模块;6为信号时频轮廓提取模块;7为信号时频轮廓曲线拟合模块;8为信号时频特征提取模块;9为特征向量;10为分类器训练模块;11为分类器分类模块;12为分类结果显示模块;13为信号预处理子***;14为信号时频特征提取子***;15为信号时频特征分类子***。
图2示出本发明中鲸豚类Click类叫声脉冲信号与传统声呐信号时频特征提取模型示意图。
图2中:16为信号特征帧;17为连续短时傅里叶变换预处理模块;18为短时傅里叶变换系数矩阵F(m,f);19为短时傅里叶变换系数矩阵F(m,f)绝对值计算模块;20为短时傅里叶变换绝对值矩阵X(m,f);21为半功率频率点计算模块;22为半功率频率点的频率坐标fli和fri;23为瞬时频率fei估计模块;24为信号瞬时频率序列Fe;25为瞬时频率序列Fe移动平均滤波模块;26为移动平均滤波模块输出;27为信号时频变化轮廓Se;28为舍去异常值的时频变换轮廓Se;29为多项式p(t)模块;30为p(t)的各阶多项式系数a0,a1,...,an-1,an;31为时频特征向量。
图3示出本发明中鲸豚类Click类叫声脉冲信号与传统声呐信号时频特征分类模型示意图。
图3中:32为分类器结构要求;33为分类器参数确定过程;34为分类器结构参数;35为用于训练的时频特征向量;36为分类器训练过程;37为训练过程对分类器参数的优化;38为BP神经网络分类器;39为待分类时频特征向量;40为分类器输出结果;41为分类决策模块;42为最终分类结果。
图4示出f-x(f)曲线中半功率频率点和当前信号切片的估计瞬时频率点的关系示意图。
图4中:43为f-x(f)曲线;44为左侧半功率频率点x(fl);45为右侧半功率频率点x(fr);46为当前信号切片的估计瞬时频率fe对应的x(f)点。
具体实施方式
本发明的目的是克服现有水下声音信号的人工分类方法分类结果不稳定、工作量大、主观性强的缺点,同时克服传统水声信号自动分类方法及装置特征提取不准确、分类正确率低、适应性差的缺点,提供一种完整的可以对鲸豚类Click类叫声脉冲信号与传统声呐信号(CW信号、LFM信号和HFM信号)进行探测,进而对信号进行时频特征分析,并对信号时频特征进行精确提取,最后通过分类器对鲸豚类Click类叫声脉冲信号与传统声呐信号实现精确分类的方法和装置。
本发明的目的是克服现有水下声音信号的人工分类方法分类结果不稳定、工作量大、主观性强的缺点,同时克服传统水声信号自动分类方法及装置特征提取不准确、分类正确率低、适应性差的缺点,提供一种能实现鲸豚类Click类叫声脉冲信号与传统声呐信号时频特征提取和精确分类的方法和装置;
第一步是确定鲸豚类Click类叫声脉冲信号与传统声呐信号时频特征提取和分类***的总体方案;
信号时频特征提取和分类***的总体方案框图如图1所示,其主要包括三个子***:信号预处理子***13,信号时频特征提取子***14和信号时频特征分类子***15;其中,信号预处理子***13包括:水听器1(声音采集),声音存储介质2(声音存储),声音去噪模块3和端点检测模块4;信号时频特征提取子***14包括信号短时傅里叶变换预处理模块5,信号时频轮廓提取模块6,信号时频轮廓曲线拟合7和信号时频特征提取模块8,以上模块可依托于Digital Signal Processing(简称DSP)芯片、Field-Programmable Gate Array(简称FPGA)芯片或Advanced RISC Machine(简称ARM)架构处理器等硬件平台实现;时频特征分类子***15包括信号时频特征输入模块9,分类器训练模块10,分类器分类模块11和分类结果显示模块12,以上模块可依托于DSP芯片、FPGA芯片或ARM架构处理器等硬件平台实现;
水听器1采集或者计算机存储介质2存储的可能含有鲸豚类Click类叫声脉冲信号与传统声呐信号的声音,首先经过声音去噪,得到去噪后的声音信号,经过端点检测模块,提取出含有鲸豚类Click类叫声脉冲信号与传统声呐信号的特征帧;进一步地,特征帧经过短时傅里叶变换,得到短时傅里叶变换系数矩阵;短时傅里叶变换系数矩阵所有系数取绝对值后,得到绝对值系数矩阵;绝对值矩阵首先经过信号时频轮廓提取算法,得到信号时频轮廓;进一步地,经过信号时频轮廓曲线拟合算法,得到信号时频特征向量;进一步地,时频特征向量被送入先前已训练过的BP(Back Propagation)神经网络分类器后,分类器对特征向量进行分类,输出分类结果经分类结果显示模块显示;
第二步是设计了一种鲸豚类Click类叫声脉冲信号与传统声呐信号的时频特征提取模型;
如图2所示,对每一个经过信号预处理子***13得到的信号特征帧16,首先通过信号短时傅里叶变换时频分析模块17进行短时傅里叶变换,得到短时傅里叶变换系数矩阵F(m,f);
其中x(n)为信号特征帧,w(n)为窗函数,其可以沿信号时间轴移动,窗函数的移动距离由m确定,f代表表示频率,其中函数类型、窗函数宽度、移动步长等参数可以根据待分类信号的实际长度和采样率确定;
进一步地,按照式(2)对F(m,f)取绝对值得到信号的短时傅里叶变换绝对值矩阵X(m,f);
X(m,f)=|F(m,f)| (9)
进一步地,对于每一个被窗函数w(n-m)截断的信号切片按照式(3)从X(m,f)中获得当前信号切片内的频谱信息xi(f),其中i表示当前信号切片的索引值;
xi(f)=X(mi,f) (10)
进一步地,求取每个xi(f)在频率f上的最大值mi(f),并计算xi(f)的半功率幅值如图4所示,在按照式(4)确定f-xi(f)曲线中mi(f)左右两边的半功率频率点的频率坐标fli和fri;
进一步地,按照式(5)计算当前信号切片的估计瞬时频率fei,所有切片信号的fei构成了当前信号瞬时频率序列Fe;
fei=1/2*(fli+fri) (12)
进一步地,对每一个信号的瞬时频率序列Fe,使用移动平均滤波器(movingaverage filter))对其进行平滑滤波,得到平滑的信号时频变化轮廓Se,移动平均滤波的长度l可根据信号的瞬时频率序列Fe的长度确定;
进一步地,基于最小二乘法,按照式(6)和式(7),使用n阶的多项式p(t)对信号时频变化轮廓Se进行拟合;
p(t)=a0+a1t+...+an-1tn-1+antn (13)
式中,Se(i)表示时频变化轮廓Se中第i个信号切片所对应的值,即平滑滤波后瞬时频率值,ti表示第i个信号切片的中心在原信号中的位置,E代表残差;根据最小二乘法,求取式(6)中的系数a0,a1,...,an-1,an,使式(7)中的残差E达到最小;同时,考虑信号起始段和终止段可能会因频谱泄露等原因而导致Se(i)存在异常值,可根据实际信号的切片个数,舍去时频变换轮廓Se左右两端的若干Se(i)值后,再进行多项式拟合;
进一步地,对每一个信号特征帧16,将p(t)的各阶多项式系数a0,a1,...,an-1,an作为信号的时频变化特征,形成时频特征向量A=[a0,a1,...,an-1,an]。
第三步是设计了一种鲸豚类Click类叫声脉冲信号与传统声呐信号时频特征分类模型;
如图2所示,使用BP神经网络作为鲸豚类Click类叫声脉冲信号与传统声呐信号时频特征分类器43,首先合理设定分类器参数38,包括网络层数、输入层、隐含层节点数、输出层神经元个数、传递函数、训练方法、神经网络的初始权值、误差容限、学习率、动量因子、最大迭代次数和第一代初始参数等;进一步地,经过信号时频特征提取子***14得到的信号时频特征向量16,选择若干特征向量作为训练数据40,对神经网络进行训练;神经网络训练完成后,待分类信号44被送入分类器,根据分类器的输出结果进行分类决策,最后输出最终分类结果47。
下面结合附图和实施例对本发明做进一步说明;
第一步:原始声音去噪过程和信号检测过程;
水听器1采集或者计算机存储介质2存储的可能含有鲸豚类Click类叫声脉冲信号和传统声呐信号的声音首先需要经过去噪处理3,以减少噪音的影响,首先通过低通和高通滤波器滤除带外噪声,然后,通过小波去噪技术去除叠加在信号中的噪声;
进一步地,利用端点检测模块4从去噪后的信号序列里摘取出所有的鲸豚类Click类叫声脉冲信号和传统声呐信号;端点检测方法可使用传统的语音信号短时能量端点检测算法,摘取出含有鲸豚类Click类叫声脉冲信号与传统声呐信号的特征帧16;
第二步:鲸豚类Click类叫声脉冲信号和传统声呐信号的短时傅里叶变换分析过程;
经过信号预处理子***13得出的鲸豚类Click类叫声脉冲信号与传统声呐信号的特征帧16,首先通过短时傅里叶变换预处理模块17进行短时傅里叶变换,计算得到短时傅里叶变换系数矩阵F(m,f)18;
其中x(n)为待分析信号,w(n)为窗函数,其可以沿信号时间轴移动,窗函数的移动距离由m确定,f代表表示频率,其中函数类型、窗函数宽度、移动步长等参数可以根据待分类信号的实际长度和采样率确定;例如,在信号采样率44100KHz的条件下,可选取汉明(hamming)窗对信号进行处理,窗宽为60个采样点,步长为10个采样点,FFT点数为1024;
进一步地,按照式(9)对F(m,f)取绝对值得到信号的短时傅里叶变换绝对值矩阵X(m,f)20;
X(m,f)=|F(m,f)| (16)
进一步地,对于每一个被窗函数w(n-m)截断的信号切片按照式(10)从X(m,f)中获得当前信号切片内的频谱信息xi(f),其中i表示当前信号切片的索引值;
xi(f)=X(mi,f) (17)
进一步地,求取每个xi(f)在频率f上的最大值mi(f),并计算xi(f)的半功率幅值如图4所示,按照式(11)确定f-xi(f)曲线中mi(f)左右两边的半功率频率点的频率坐标fli和fri 22;
进一步地,按照式(12)计算当前信号切片的估计瞬时频率fei 23,所有切片信号的fei构成了当前信号瞬时频率序列Fe 24;
fei=1/2*(fli+fri) (19)
进一步地,对每一个信号的瞬时频率序列Fe 24,使用移动平均滤波器(movingaverage filter)25对其进行平滑滤波,得到平滑的信号时频变化轮廓Se 27,移动平均滤波的长度l可根据信号的瞬时频率序列Fe的长度确定,例如,在信号采样率44100KHz的条件下,移动平均滤波的长度l可取为10;
第三步:鲸豚类Click类叫声脉冲信号和传统声呐信号的时频特征提取过程;
进一步地,基于最小二乘法,按照式(13)和式(14),使用n阶的多项式p(t)29对信号时频变化轮廓Se进行拟合,例如,多项式p(t)阶数n可取为5∶
p(t)=a0+a1t+...+an-1tn-1+antn (20)
式中,Se(i)表示时频变化轮廓Se中第i个信号切片所对应的值,即平滑滤波后瞬时频率值,ti表示第i个信号切片的中心在原信号中的位置,E代表残差;根据最小二乘法,求取式(13)中的系数a0,a1,...,an-1,an,使式(14)中的差E达到最小;同时,考虑信号起始段和终止段可能会因频谱泄露等原因而导致Se(i)存在异常值,可根据实际信号的切片个数,舍去时频变换轮廓Se左右两端的若干Se(i)值后,再进行多项式拟合;
进一步地,对每一个信号特征帧16,将p(t)的各阶多项式系数30a0,a1,...,an-1,an作为信号的时频变化特征,形成时频特征向量31A=[a0,a1,...,an-1,an];
第四步:分类器训练、测试和分类过程;
进一步地,使用BP神经网络作为信号时频特征分类器38,首先合理设定分类器参数33,设定分类器的初始结构,设定网络层数、输入层、隐含层节点数、输出层神经元个数、传递函数、训练方法和神经网络的初始权值等参数,例如多项式p(t)阶数n为5的条件下,可设置网络层数为3,输入层节点数为6,隐含层节点为4,输出层神经元为4,传递函数为Sigmoid函数,训练方法为梯度下降法,神经网络的初始权值为0至1之间的随机数等;进一步地,将分类特征向量送入分类器,根据分类器的输出结果进行分类决策,最后输出分类结果42。
Claims (5)
1.一种鲸豚类Click类叫声脉冲与传统声呐信号分类装置,其特征是,包括三个子***:信号预处理子***,信号时频特征提取子***和信号时频特征分类子***;其中,信号预处理子***包括:水听器、声音存储介质、声音去噪模块和端点检测模块;信号时频特征提取子***包括信号短时傅里叶变换预处理模块,信号时频轮廓提取模块,信号时频轮廓曲线拟合和信号时频特征提取模块,信号预处理子***可依托于DSP(Digital SignalProcessing)芯片、现场可编程门阵列FPGA(Field-Programmable Gate Array)芯片或进阶精简指令集机器ARM(Advanced RISC Machine)架构处理器硬件平台实现;时频特征分类子***包括信号时频特征输入模块,分类器训练模块,分类器分类模块和分类结果显示模块,时频特征分类子***可依托于DSP芯片、FPGA芯片或ARM架构处理器硬件平台实现;
水听器采集或者计算机存储介质存储的可能含有鲸豚类Click类叫声脉冲信号与传统声呐信号的声音,首先经过声音去噪模块得到去噪后的声音信号,经过端点检测模块,提取出含有鲸豚类Click类叫声脉冲信号与传统声呐信号的特征帧;进一步地,特征帧经过短时傅里叶变换,得到短时傅里叶变换系数矩阵;短时傅里叶变换系数矩阵所有系数取绝对值后,得到绝对值系数矩阵;绝对值矩阵首先经过信号时频轮廓提取模块,得到信号时频轮廓;进一步地,经过信号时频轮廓曲线拟合和信号时频特征提取模块,得到信号时频特征向量;进一步地,时频特征向量被送入先前已训练过的分类器分类模块后,分类器分类模块对特征向量进行分类,输出分类结果经分类结果显示模块显示。
2.如权利要求1所述的鲸豚类Click类叫声脉冲与传统声呐信号分类装置,其特征是,分类器采用BP(Back Propagation)神经网络分类器。
3.一种鲸豚类Click类叫声脉冲与传统声呐信号分类方法,其特征是,对每一个经过如权利要求1所述的信号预处理子***得到的信号特征帧,首先进行短时傅里叶变换,得到短时傅里叶变换系数矩阵F(m,f);
其中x(n)为信号特征帧,w(n)为窗函数,其可以沿信号时间轴移动,窗函数的移动距离由m确定,f代表表示频率,其中函数类型、窗函数宽度、移动步长等参数可以根据待分类信号的实际长度和采样率确定;
进一步地,按照式(2)对F(m,f)取绝对值得到信号的短时傅里叶变换绝对值矩阵X(m,f);
X(m,f)=|F(m,f)| (2)
进一步地,对于每一个被窗函数w(n-m)截断的信号切片按照式(3)从X(m,f)中获得当前信号切片内的频谱信息xi(f),其中i表示当前信号切片的索引值;
xi(f)=X(mi,f) (3)
进一步地,求取每个xi(f)在频率f上的最大值mi(f),并计算xi(f)的半功率幅值如图4所示,在按照式(4)确定f-xi(f)曲线中mi(f)左右两边的半功率频率点的频率坐标fli和fri;
进一步地,按照式(5)计算当前信号切片的估计瞬时频率fei,所有切片信号的fei构成了当前信号瞬时频率序列Fe;
fei=1/2*(fli+fri) (5)
进一步地,对每一个信号的瞬时频率序列Fe,使用移动平均滤波器对其进行平滑滤波,得到平滑的信号时频变化轮廓Se,移动平均滤波的长度l可根据信号的瞬时频率序列Fe的长度确定;
进一步地,基于最小二乘法,按照式(6)和式(7),使用n阶的多项式p(t)对信号时频变化轮廓Se进行拟合;
p(t)=a0+a1t+...+an-1tn-1+antn (6)
式中,Se(i)表示时频变化轮廓Se中第i个信号切片所对应的值,即平滑滤波后瞬时频率值,ti表示第i个信号切片的中心在原信号中的位置,E代表残差;根据最小二乘法,求取式(6)中的系数a0,a1,...,an-1,an,使式(7)中的残差E达到最小;同时,根据实际信号的切片个数,舍去时频变换轮廓Se左右两端的若干Se(i)值后,再进行多项式拟合;
进一步地,对每一个信号特征帧16,将p(t)的各阶多项式系数a0,a1,...,an-1,an作为信号的时频变化特征,形成时频特征向量A=[a0,a1,...,an-1,an];
将时频特征向量送入神经网络分类器进行分类,得到最终分类结果。
4.如权利要求3所述的鲸豚类Click类叫声脉冲与传统声呐信号分类方法,其特征是,使用BP神经网络作为信号时频特征分类器,首先设定分类器参数,设定分类器的初始结构,设定网络层数、输入层、隐含层节点数、输出层神经元个数、传递函数、训练方法和神经网络的初始权值等参数;BP神经网络训练方法为梯度下降法,根据分类器的输出结果进行分类决策,最后输出分类结果。
5.如权利要求3所述的鲸豚类Click类叫声脉冲与传统声呐信号分类方法,其特征是,一个实例中,多项式p(t)阶数n为5的条件下,设置网络层数为3,输入层节点数为6,隐含层节点为4,输出层神经元为4,传递函数为Sigmoid函数,神经网络的初始权值为0至1之间的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810393128.7A CN108680245A (zh) | 2018-04-27 | 2018-04-27 | 鲸豚类Click类叫声与传统声呐信号分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810393128.7A CN108680245A (zh) | 2018-04-27 | 2018-04-27 | 鲸豚类Click类叫声与传统声呐信号分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108680245A true CN108680245A (zh) | 2018-10-19 |
Family
ID=63801409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810393128.7A Pending CN108680245A (zh) | 2018-04-27 | 2018-04-27 | 鲸豚类Click类叫声与传统声呐信号分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108680245A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541969A (zh) * | 2018-10-24 | 2019-03-29 | 深圳市亿兆互联技术有限公司 | 基于lora的鲸类监控***及方法 |
CN110555457A (zh) * | 2019-07-24 | 2019-12-10 | 天津大学 | 发动机润滑油磨损信号特征处理***及方法 |
WO2020124902A1 (zh) * | 2018-12-19 | 2020-06-25 | 中国科学院自动化研究所 | 基于有监督学习听觉注意的语音提取方法、***、装置 |
CN111414832A (zh) * | 2020-03-16 | 2020-07-14 | 中国科学院水生生物研究所 | 一种基于鲸豚类低频水声信号的实时在线识别分类*** |
CN112185396A (zh) * | 2020-09-10 | 2021-01-05 | 国家***南海调查技术中心(国家***南海浮标中心) | 一种基于被动声学的海上风电场生物监测方法及*** |
CN112397090A (zh) * | 2020-11-09 | 2021-02-23 | 电子科技大学 | 一种基于fpga的实时声音分类方法及*** |
CN112702125A (zh) * | 2020-12-16 | 2021-04-23 | 天津大学 | 基于线性调频信号调制的仿鲸目叫声的通信信号识别方法 |
CN112712047A (zh) * | 2021-01-08 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种基于图像处理的海洋哺乳动物回声定位信号检测方法 |
CN112926409A (zh) * | 2021-02-03 | 2021-06-08 | 自然资源部第一海洋研究所 | 一种水生动物调频类型信号时频特征的人工辅助提取方法 |
CN113259016A (zh) * | 2021-04-23 | 2021-08-13 | 西北工业大学 | 一种基于海豚哨声参数模型的水声隐蔽通信方法 |
CN116660876A (zh) * | 2023-05-26 | 2023-08-29 | 吉林大学 | 一种中华白海豚回声定位信号自动检测和定位方法 |
CN116660876B (zh) * | 2023-05-26 | 2024-07-30 | 吉林大学 | 一种中华白海豚回声定位信号自动检测和定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1460450A1 (de) * | 2003-03-15 | 2004-09-22 | Atlas Elektronik Gmbh | Verfahren zur synthetischen Generierung von Sonardaten |
CN104217722A (zh) * | 2014-08-22 | 2014-12-17 | 哈尔滨工程大学 | 一种海豚哨声信号时频谱轮廓提取方法 |
CN106024006A (zh) * | 2016-04-29 | 2016-10-12 | 天津大学 | 基于小波变换的鲸类叫声信号去噪方法和装置 |
CN107731235A (zh) * | 2017-09-30 | 2018-02-23 | 天津大学 | 抹香鲸与长鳍领航鲸叫声脉冲特征提取和分类方法及装置 |
-
2018
- 2018-04-27 CN CN201810393128.7A patent/CN108680245A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1460450A1 (de) * | 2003-03-15 | 2004-09-22 | Atlas Elektronik Gmbh | Verfahren zur synthetischen Generierung von Sonardaten |
CN104217722A (zh) * | 2014-08-22 | 2014-12-17 | 哈尔滨工程大学 | 一种海豚哨声信号时频谱轮廓提取方法 |
CN106024006A (zh) * | 2016-04-29 | 2016-10-12 | 天津大学 | 基于小波变换的鲸类叫声信号去噪方法和装置 |
CN107731235A (zh) * | 2017-09-30 | 2018-02-23 | 天津大学 | 抹香鲸与长鳍领航鲸叫声脉冲特征提取和分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
郭龙祥等: "鲸豚类动物声信号的分析及识别", 《声学技术》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541969A (zh) * | 2018-10-24 | 2019-03-29 | 深圳市亿兆互联技术有限公司 | 基于lora的鲸类监控***及方法 |
WO2020124902A1 (zh) * | 2018-12-19 | 2020-06-25 | 中国科学院自动化研究所 | 基于有监督学习听觉注意的语音提取方法、***、装置 |
US10923136B2 (en) | 2018-12-19 | 2021-02-16 | Institute Of Automation, Chinese Academy Of Sciences | Speech extraction method, system, and device based on supervised learning auditory attention |
CN110555457A (zh) * | 2019-07-24 | 2019-12-10 | 天津大学 | 发动机润滑油磨损信号特征处理***及方法 |
CN111414832B (zh) * | 2020-03-16 | 2021-06-25 | 中国科学院水生生物研究所 | 一种基于鲸豚类低频水声信号的实时在线识别分类*** |
CN111414832A (zh) * | 2020-03-16 | 2020-07-14 | 中国科学院水生生物研究所 | 一种基于鲸豚类低频水声信号的实时在线识别分类*** |
CN112185396B (zh) * | 2020-09-10 | 2022-03-25 | 国家***南海调查技术中心(国家***南海浮标中心) | 一种基于被动声学的海上风电场生物监测方法及*** |
CN112185396A (zh) * | 2020-09-10 | 2021-01-05 | 国家***南海调查技术中心(国家***南海浮标中心) | 一种基于被动声学的海上风电场生物监测方法及*** |
CN112397090A (zh) * | 2020-11-09 | 2021-02-23 | 电子科技大学 | 一种基于fpga的实时声音分类方法及*** |
CN112702125A (zh) * | 2020-12-16 | 2021-04-23 | 天津大学 | 基于线性调频信号调制的仿鲸目叫声的通信信号识别方法 |
CN112702125B (zh) * | 2020-12-16 | 2022-06-03 | 天津大学 | 基于线性调频信号调制的仿鲸目叫声的通信信号识别方法 |
CN112712047A (zh) * | 2021-01-08 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种基于图像处理的海洋哺乳动物回声定位信号检测方法 |
CN112712047B (zh) * | 2021-01-08 | 2022-09-16 | 自然资源部第一海洋研究所 | 一种基于图像处理的海洋哺乳动物回声定位信号检测方法 |
CN112926409A (zh) * | 2021-02-03 | 2021-06-08 | 自然资源部第一海洋研究所 | 一种水生动物调频类型信号时频特征的人工辅助提取方法 |
CN112926409B (zh) * | 2021-02-03 | 2022-09-02 | 自然资源部第一海洋研究所 | 一种水生动物调频类型信号时频特征的人工辅助提取方法 |
CN113259016A (zh) * | 2021-04-23 | 2021-08-13 | 西北工业大学 | 一种基于海豚哨声参数模型的水声隐蔽通信方法 |
CN113259016B (zh) * | 2021-04-23 | 2022-09-13 | 西北工业大学 | 一种基于海豚哨声参数模型的水声隐蔽通信方法 |
CN116660876A (zh) * | 2023-05-26 | 2023-08-29 | 吉林大学 | 一种中华白海豚回声定位信号自动检测和定位方法 |
CN116660876B (zh) * | 2023-05-26 | 2024-07-30 | 吉林大学 | 一种中华白海豚回声定位信号自动检测和定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680245A (zh) | 鲸豚类Click类叫声与传统声呐信号分类方法及装置 | |
CN110245608B (zh) | 一种基于半张量积神经网络的水下目标识别方法 | |
CN110807365B (zh) | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 | |
CN107545890A (zh) | 一种声音事件识别方法 | |
CN112802484B (zh) | 一种混合音频下的大熊猫声音事件检测方法及*** | |
CN108922513B (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
CN109389058A (zh) | 海杂波与噪声信号分类方法及*** | |
CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
CN109545188A (zh) | 一种实时语音端点检测方法及装置 | |
CN105206270A (zh) | 一种组合pca和rbm的孤立数字语音识别分类***及方法 | |
CN111724770B (zh) | 一种基于深度卷积生成对抗网络的音频关键词识别方法 | |
CN110070883A (zh) | 语音增强方法 | |
CN106601230A (zh) | 基于连续混合高斯hmm模型的物流分拣地名语音识别方法、***及物流分拣*** | |
CN102419972B (zh) | 一种声音信号检测和识别的方法 | |
CN108630209A (zh) | 一种基于特征融合与深度置信网络的海洋生物识别方法 | |
CN106023986B (zh) | 一种基于声效模式检测的语音识别方法 | |
CN107731235A (zh) | 抹香鲸与长鳍领航鲸叫声脉冲特征提取和分类方法及装置 | |
CN114509811B (zh) | 一种基于深度学习的单台站后方位角估计方法与装置 | |
WO2019232833A1 (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
CN107886050A (zh) | 利用时频特征与随机森林的水下目标识别方法 | |
CN113111786A (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
CN108919241A (zh) | 一种基于恒虚警检测的水下信号时频端点参数估计方法 | |
CN115457980A (zh) | 一种无参考语音的自动化语音质量评估方法及*** | |
CN112151067B (zh) | 一种基于卷积神经网络的数字音频篡改被动检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |