CN109632071B - 一种基于时频特征产生水声环境噪声数据的方法及装置 - Google Patents
一种基于时频特征产生水声环境噪声数据的方法及装置 Download PDFInfo
- Publication number
- CN109632071B CN109632071B CN201811338438.5A CN201811338438A CN109632071B CN 109632071 B CN109632071 B CN 109632071B CN 201811338438 A CN201811338438 A CN 201811338438A CN 109632071 B CN109632071 B CN 109632071B
- Authority
- CN
- China
- Prior art keywords
- noise
- frequency
- module
- data
- characteristic
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
- G01H3/04—Frequency
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
- G01H3/10—Amplitude; Power
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
针对水下航行器研制与试验过程中对快速产生大规模水声环境噪声逼真模拟数据的需求以及已有方法实用性不强的问题,本发明公开了一种基于时频特征产生水声环境噪声数据的方法及装置,该方法通过分析实测噪声数据样本的时间相关特性及统计分布特性,提取模拟噪声应具备的时频特征,然后经过特征标准化、模型参数辨识等处理得到模拟噪声数据生成模型,最后采用白噪声序列激励该模型产生所需的模拟噪声数据。本发明能够不重复地产生指定长度、与任意实测样本特征接近的水声环境噪声数据,且实施简便、应用灵活,具有较好的工程实用性。
Description
技术领域
本发明涉及水下环境噪声特性模拟的技术领域,特别是指一种基于时频特征产生水声环境噪声数据的方法及装置。
背景技术
水声环境噪声数据在水下航行器的研制与试验过程中具有十分重要的作用。为了提高水下航行器在水下声场中的信号检测性能,经常需要利用水声环境噪声数据辅助确定算法参数;为了考核装备在非标准复杂工况下的战技指标,有时需要基于水声环境噪声数据实现试验方案的优化设计。
比较典型的水声环境噪声建模方法有如下两种:
a)记录实测噪声作为数据模型:工程中直接使用实测水声环境噪声数据作为模型直接使用,其优点是可逼真还原特定测量区域内的水声环境噪声特性,且无需复杂的建模计算;缺点是在使用过程中需反复回放实测水声环境噪声数据,数据与特定测量区域的环境关联性较强,一旦超出特定使用范围,噪声模型置信度急剧降低,且数据可操作性较低,模型通用性差;
b)数学建模:使用数学方法完成环境噪声特性建模,其优点是建模针对性强,可根据不同水声环境准确建立噪声模型,模型重用性强,所产生的模拟数据无需反复测量、重复播放;缺点是建模难度高,数据计算量大,对于实时性要求高的***应用起来有一定难度,只有经充分研究所建立的模型才具有工程实用价值。
近几十年来,业内对水声环境噪声的认识水平不断提高,先后涌现出多种表征模型。针对水下自然环境研究的需求,近年来对各种已有的典型模型进行了***研究。总体来看,多数模型重在揭示环境噪声的形成机理及变化规律,由于涉及到风、雨、温度、深度等因素,难以对众多的模型参数进行全面、准确地赋值,不合理的取值假设将降低模拟噪声的逼真度,工程实用性受到很大限制。因此,建立符合水声环境噪声时频特性的模型,可靠稳定且高效地生成逼真度较高的噪声数据,同时克服重复回放实测数据的缺点是亟待解决的问题。
发明内容
本发明提供了一种基于时频特征产生水声环境噪声数据的方法及装置,为了解决现有技术中水声环境噪声模拟对众多参数不能进行全面、准确地赋值,工程实用性受到很大限制的问题。
为了解决上述技术问题,本发明的实施例采用如下技术方案:
一种基于时频特征产生水声环境噪声数据的方法,具体包括如下步骤:
步骤1:根据应用需求,获取目标水域在特定季节、深度、海况条件下的环境噪声实测数据样本,记录测量***的接收灵敏度M及放大倍数G;
步骤2:利用统计理论分析实测数据样本的分布特性,确定分布模型及其参数;
步骤3:采用功率谱方法分析实测数据样本的幅频特性,形成噪声频谱图;
步骤4:在噪声频谱图上的噪声模拟频带内选取几何特征点与特定信息点作为特征点;所述几何特征点包括边界点、极值点、拐点三种,所述特定信息点是与应用相关但不能被几何特征点涵盖的其他信息点,每个特征点包括一个频率值和一个谱级值;
步骤5:按照频率递增的顺序将步骤4得到的N0个特征点组织形成原始特征向量L0,向量L0的每个元素包括对应的频率值、谱级值;
步骤6:求取原始特征向量L0中相邻两个频率元素的差值fi-fi-1,i=1,2,…,N0-1,得到一个长度为N0-1的频率间隔向量ΔL;
步骤7:基于频率间隔向量ΔL计算出一个最大的频率单元Δfmax,确保频率间隔向量ΔL的每个元素都是Δfmax的整数倍;当频率间隔向量ΔL的每个元素均为整数时,则Δfmax即为其最大公约数;
步骤9:将原始特征向量L0中的各个谱级元素由对数表示转换为线性表示,即将分贝值转换为幅度值,并映射到标准特征向量L1中频率最接近的元素处,其余频率元素处的幅值初始化为0;
步骤10:针对模拟频带内标准特征向量L1中与原始特征向量L0映射剩余的元素,在由成功映射的N0个元素划分形成的N0-1个区间内分别进行线性插值以确定其幅值;
步骤11:将标准特征向量L1中耐奎斯特频率以下的元素的幅值对称映射到耐奎斯特频率以上,完成对标准特征向量L1的赋值;
步骤12:根据步骤11赋值完成的标准特征向量L1,采用频率采样法设计FIR数字滤波器,得到长度为N的滤波器系数向量,如果N>NF则对称地截取中间部分的NF个元素;
步骤13:根据步骤2确定的模型及参数,采用伪随机数仿真方法生成与实测数据样本具有相同数值分布特性的白噪声序列;
步骤14:用步骤11得到的数字滤波器处理步骤13所得到的白噪声序列,得到与实测数据样本谱级特征相近的色噪声序列;
步骤15:利用步骤1记录的接收灵敏度M及放大倍数G将色噪声序列的动态范围还原到原始声场,得到模拟的噪声数据。
优选地,步骤4中,在噪声模拟频带内选取特征点时,采用双向扩展构造方法选取略宽的模拟频带。
其中,步骤4中,所述极值点的选取方法为:实测数据样本噪声谱级曲线上幅度同时大于或小于左右两个相邻频点且差值超过设定的分贝数则认定为极大或极小值点。
进一步地,步骤4中,在噪声模拟频带内选取特征点时,从最大谱级点开始,以一定的级差进行离散抽样,用得到的抽样点补充几何特征点。
优选地,步骤9~步骤10中,在确定标准特征向量L1中各元素的幅度值时,如果步骤3得到的噪声频谱图的频率分辨率不低于标准特征向量L1的频率分辨率Δfmax,通过直接搜索谱级曲线上的对应频点来对标准特征向量L1的相关元素进行幅度赋值。
其中,步骤2中,若噪声模拟的兴趣频带只占样本数据的测量频带很小的一部分,则对样本进行预滤波处理,并适当扩展兴趣频带作为模拟频带;对于时域的序列分布特性,若应用需求不关心则直接假设为高斯分布。
进一步地,步骤4中,应用需求关心但不能被几何特征点涵盖的重要特征信息点通过“X倍频程点”、“YdB点”或“ZkHz点”方式描述。
优选地,步骤6中,采用添加0Hz点作为特征向量的第一个元素,即将频率间隔向量的元素个数扩充为N0个。
进一步地,步骤10中,若步骤3得到的谱级曲线的频率分辨率不低于标准特征向量的频率分辨率,在处理实时性可接受的情况下,通过直接搜索谱级曲线上的对应点来对标准特征向量的相关元素进行幅度赋值。
为了解决上述技术问题,本发明还提供了一种基于时频特征产生水声环境噪声数据的装置,主要由实测数据样本获取模块、数据样本转换模块、统计特征提取模块、噪声谱分析模块、幅频特征提取模块、白噪声数据生成模块、特征控制参数设计模块、数字滤波模块、性能评估与反馈模块、模拟数据输出模块及图形化人机交互模块构成;
所述实测数据样本获取模块用于从噪声数据库和噪声采集设备获取待模拟的噪声样本原始数据;
所述数据样本转换模块用于根据应用***制定的数据协议,将实测数据样本获取模块得到的原始数据转换为标准格式,供统计特征提取模块、噪声谱分析模块使用;
所述统计特征提取模块用于分析实测噪声与模拟噪声数据的统计特性,给出数据服从的统计分布模型及其参数,作为白噪声数据生成模块、性能评估与反馈模块的输入信息;
所述噪声谱分析模块用于计算实测噪声与模拟噪声数据的功率谱,为幅频特征提取模块、性能评估与反馈模块提供输入;
所述幅频特征提取模块用于分析实测数据的幅频特性,给出原始特征向量;
所述白噪声数据生成模块用于生成分布特性与统计特征提取模块确定的规律相符合的随机数;
所述特征控制参数设计模块用于计算得到满足模拟噪声幅频特征控制需求的数字滤波器系数;
所述数字滤波模块用于完成模拟噪声幅频特征控制,还用于完成实测样本预处理中的滤波任务;
所述性能评估与反馈模块用于根据统计特征提取模块、噪声谱分析模块给出的结果,计算模拟噪声与实测样本的特征差异,为模型参数优化调整提供决策依据;
所述模拟数据输出模块用于向图形化人机交互模块、应用***输出模拟噪声数据;
所述图形化人机交互模块用于提供数据获取、分析、计算、输出的人机控制接口及应用信息显示界面。
本发明的有益效果为:本发明提供了一种基于时频特征产生水声环境噪声数据的方法及装置,基于实测噪声数据样本时频特征实时产生水声环境噪声数据的方法来实现。本发明以长期测量的数据积累为基础,将从实测样本中提取的特征信息完整纳入环境噪声生成模型,获得逼真度较高的数学模型,同时该方法能够不重复地快速生成指定长度的环境噪声模拟数据,可满足***实时性计算要求。
附图说明
图1为本发明提供的一种基于时频特征产生水声环境噪声数据的方法原理;
图2为本发明提供的一种基于时频特征产生水声环境噪声数据的装置组成图;
图3为本发明实施例产生的水声环境噪声数据;
图4为本发明实施例产生的水声环境噪声数据功率谱。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
参照附图1,本发明实施例提供了一种基于时频特征产生水声环境噪声数据的方法,具体步骤为:
步骤1:根据应用需求,获取目标水域在特定季节、深度、海况条件下的环境噪声实测数据样本,记录测量***的接收灵敏度M及放大倍数G;
步骤2:利用统计理论分析实测样本的分布特性,确定分布模型及其参数;
步骤3:采用功率谱技术分析实测样本的幅频特性,形成噪声频谱图;
步骤4:在噪声频谱图上的噪声模拟频带内选取几何特征点与特定信息点作为特征点:几何特征点包括边界点、极值点、拐点三种,特定信息点是与应用相关但不能被几何特征点涵盖的其他信息点,每个特征点包括一个频率值和一个谱级值;
步骤5:按照频率递增的顺序将步骤4得到的N0个特征点组织形成原始特征向量L0,向量的每个元素包括对应的频率值、谱级值;
步骤6:求取原始特征向量L0中相邻两个频率元素的差值fi-fi-1,i=1,2,…,N0-1,得到一个长度为N0-1的频率间隔向量ΔL;
步骤7:基于上一步得到的频率间隔向量ΔL计算出一个最大的频率单元Δfmax,确保频率间隔向量ΔL的每个元素都是Δfmax的整数倍(如果频率间隔向量ΔL的每个元素均为整数,则Δfmax即为其最大公约数);
步骤9:将原始特征向量L0中的各个谱级元素由对数表示(分贝值)转换为线性表示(幅度值),并映射到标准特征向量L1中频率最接近的元素处,其余频率元素处的幅值初始化为0;
步骤10:针对模拟频带内标准特征向量L1中与原始特征向量L0映射剩余的元素,在由成功映射的N0个元素划分形成的N0-1个区间内分别进行线性插值以确定其幅值;
步骤11:将标准特征向量L1中耐奎斯特频率以下的元素的幅值对称映射到耐奎斯特频率以上,完成对标准特征向量L1的赋值;
步骤12:根据步骤11赋值完成的标准特征向量L1,采用频率采样法设计FIR数字滤波器,得到长度为N的滤波器系数向量,如果N>NF则对称地截取中间部分的NF个元素;
步骤13:根据步骤2确定的模型及参数,采用伪随机数仿真技术生成与实测样本具有相同数值分布特性的白噪声序列;
步骤14:用步骤11得到的数字滤波器处理步骤13所得到的白噪声序列,得到与实测样本谱级特征相近的色噪声序列;
步骤15:利用步骤1记录的接收灵敏度M及放大倍数G将色噪声序列的动态范围还原到原始声场,得到模拟的噪声数据。
作为本发明的一种改进,上述步骤4在噪声模拟频带内选取特征点时,采用双向扩展构造方法选取略宽的模拟频带;
作为本发明的另一种改进,上述步骤4中极值点的选取方法为:实测样本噪声谱级曲线上幅度同时大于或小于左右两个相邻频点且差值超过设定的分贝数则认定为极大或极小值点;
作为本发明的另一种改进,上述步骤4中在噪声模拟频带内选取特征点时,可从最大谱级点开始,以一定的级差进行离散抽样,用得到的抽样点补充几何特征点;
作为本发明的另一种改进,上述步骤9~步骤10在确定标准特征向量L1中各元素的幅度值时,如果步骤3得到的噪声频谱图的频率分辨率不低于标准特征向量L1的频率分辨率Δfmax,通过直接搜索谱级曲线上的对应频点来对标准特征向量的相关元素进行幅度赋值。
对于步骤1,实测样本一般可通过访问已有的噪声数据库获得,但也可能需要选择性地实时测量以弥补样本容量的不足。
步骤2中利用统计理论分析确定分布模型可采用如高斯分布模型等经典统计分析方法,具体可根据数据特征确定此处不再赘述;对于步骤2,若噪声模拟的兴趣频带只占样本数据的测量频带很小的一部分,为了减轻兴趣频带外噪声成分的影响可对样本进行预滤波处理,但为了避免数字滤波在兴趣频带边界处产生较大误差,应适当扩展兴趣频带作为模拟频带;对于时域的序列分布特性,若应用不关心则可直接假设为高斯分布。
步骤4中的特定信息点通常可由技术人员根据项目需求选取,例如选取***工作频点;另外,在噪声模拟频带内选取特征点时:让模拟频带比实际感兴趣的频带略宽(双向扩展)。
对于步骤4,应用需求关心但不能被几何特征点涵盖的重要信息点可能通过多种方式描述,例如:“X倍频程点”、“YdB点”、“ZkHz点”等。与步骤2同理,技术实现的兴趣频带应向应用关注的兴趣频带两端稍作延展,以控制噪声模拟滤波器的非理想边界特性在应用关注的兴趣频带端点处产生的模拟误差。
对于步骤6,也可添加0Hz点作为特征向量的第一个元素(即将频率间隔向量的元素个数扩充为N0),从而可保证步骤9中原始特征向量向标准特征向量映射时不产生频率对准误差。
对于步骤7,受计算机有限字长效应的影响并考虑计算效率因素,对于某些特殊的频率间隔向量可能只能或只宜得到Δfmax的近似值,近似误差的容忍性可通过比较步骤9映射得到的特征点与步骤3中实测样本谱级曲线上的对应特征点进行分析。一般来说,水声环境噪声以连续谱为主,谱级随频率平稳、缓慢变化,Δfmax的数值误差(小数点后若干位)导致的模拟误差可以忽略。
对于步骤10,若步骤3得到的谱级曲线的频率分辨率不低于标准特征向量的频率分辨率,在处理实时性可接受的情况下也可通过直接搜索谱级曲线上的对应点来对标准特征向量的相关元素进行幅度赋值。
综上所述,本发明利用可变的实测数据训练不变的模型结构以获得最优模型参数的自适应过程,能够有效保证噪声模拟的逼真性。同时具有工程应用灵活,便于实现,计算的效率及实时性高的特点。
下面通过一个具体实施例对该发明提出的方法进行进一步说明。表1是根据某次对某湖泊水声环境噪声测量数据得到的谱分析结果,它给出了500Hz~40kHz范围内四个不同深度下各个1/3倍频程点的实测噪声谱级。
采用表1提供的特征点,用该发明提出的方法生成深度50m处的水声环境模拟噪声,得到如图3所示(采样率200kHz)的时域数据,对应的噪声谱级如图4所示(图4中还给出了表1要求的特征点以便于比较)。
表1实测噪声样本谱级特征
从图4中可以看出,模拟噪声的谱级体现出了随频率升高而衰减的变化规律(低频端的上升曲线段源于对兴趣频带的带通滤波预处理),且在特征频点处的谱级与实测噪声样本的分析值接近,具有较高的模拟逼真度。由于在确定模拟频带时没有扩展兴趣频带,在模拟频带边界处误差相对较大。如需进一步降低模拟误差,除了扩展兴趣频带作为模拟频带外,还可通过增加样本特征点、减小幅度取样级差、提高滤波器阶数等手段实现。其他深度处的验证情况与50m处类似,此处不再赘述。
为了解决上述技术问题,本发明实施例还提供了一种基于时频特征产生水声环境噪声数据的装置,该方案主要由实测数据样本获取模块、数据样本转换模块、统计特征提取模块、噪声谱分析模块、幅频特征提取模块、白噪声数据生成模块、特征控制参数设计模块、数字滤波模块、性能评估与反馈模块、模拟数据输出模块及图形化人机交互模块构成。各模块的具体功能及交互关系为:
实测数据样本获取模块:负责从噪声数据库、噪声采集设备等获取待模拟的噪声样本原始数据;
数据样本转换模块:负责根据应用***制定的数据协议,将实测样本获取模块得到的原始数据转换为标准格式,供统计特征提取模块、噪声谱分析模块使用;
统计特征提取模块:负责分析噪声(实测、模拟)数据的统计特性,给出数据服从的统计分布模型及其参数,作为白噪声数据生成模块、性能评估与反馈模块的输入信息;
噪声谱分析模块:负责计算噪声(实测、模拟)数据的功率谱,为幅频特征提取模块、性能评估与反馈模块提供输入;
幅频特征提取模块:负责采用步骤4提出的方法,分析实测数据的幅频特性,给出原始特征向量;
白噪声数据生成模块:负责生成分布特性与统计特征提取模块确定的规律相符合的随机数;
特征控制参数设计模块:负责完成步骤5~12规定的处理及计算,得到满足模拟噪声幅频特征控制需求的数字滤波器系数;
数字滤波模块:负责实现模拟噪声幅频特征控制,还用于完成实测样本预处理中的滤波任务;
性能评估与反馈模块:负责根据统计特征提取模块、噪声谱分析模块给出的结果,计算模拟噪声与实测样本的特征差异,为模型参数优化调整提供决策依据;
模拟数据输出模块:负责向图形化人机交互模块、应用***输出模拟噪声数据;
图形化人机交互模块:负责提供数据获取、分析、计算、输出等处理的人机控制接口及应用信息显示界面。
在本说明书的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
当然,本发明还可以有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可以根据本发明作出各种相应的改变和变形,但这些改变和变形都应属于本发明的权利要求的保护范围。
Claims (10)
1.一种基于时频特征产生水声环境噪声数据的方法,其特征在于,具体包括如下步骤:
步骤1:根据应用需求,获取目标水域在特定季节、深度、海况条件下的环境噪声实测数据样本,记录测量***的接收灵敏度M及放大倍数G;
步骤2:利用统计理论分析实测数据样本的分布特性,确定分布模型及其参数;
步骤3:采用功率谱方法分析实测数据样本的幅频特性,形成噪声频谱图;
步骤4:在噪声频谱图上的噪声模拟频带内选取几何特征点与特定信息点作为特征点;所述几何特征点包括边界点、极值点、拐点三种,所述特定信息点是与应用相关但不能被几何特征点涵盖的其他信息点,每个特征点包括一个频率值和一个谱级值;
步骤5:按照频率递增的顺序将步骤4得到的N0个特征点组织形成原始特征向量L0,向量L0的每个元素包括对应的频率值、谱级值;
步骤6:求取原始特征向量L0中相邻两个频率元素的差值fi-fi-1,i=1,2,…,N0-1,得到一个长度为N0-1的频率间隔向量ΔL;
步骤7:基于频率间隔向量ΔL计算出一个最大的频率单元Δfmax,确保频率间隔向量ΔL的每个元素都是Δfmax的整数倍;当频率间隔向量ΔL的每个元素均为整数时,则Δfmax即为其最大公约数;
步骤9:将原始特征向量L0中的各个谱级元素由对数表示转换为线性表示,即将分贝值转换为幅度值,并映射到标准特征向量L1中频率最接近的元素处,其余频率元素处的幅值初始化为0;
步骤10:针对模拟频带内标准特征向量L1中与原始特征向量L0映射剩余的元素,在由成功映射的N0个元素划分形成的N0-1个区间内分别进行线性插值以确定其幅值;
步骤11:将标准特征向量L1中耐奎斯特频率以下的元素的幅值对称映射到耐奎斯特频率以上,完成对标准特征向量L1的赋值;
步骤12:根据步骤11赋值完成的标准特征向量L1,采用频率采样法设计FIR数字滤波器,得到长度为N的滤波器系数向量,如果N>NF则对称地截取中间部分的NF个元素;
步骤13:根据步骤2确定的模型及参数,采用伪随机数仿真方法生成与实测数据样本具有相同数值分布特性的白噪声序列;
步骤14:用步骤11得到的数字滤波器处理步骤13所得到的白噪声序列,得到与实测数据样本谱级特征相近的色噪声序列;
步骤15:利用步骤1记录的接收灵敏度M及放大倍数G将色噪声序列的动态范围还原到原始声场,得到模拟的噪声数据。
2.根据权利要求1所述的基于时频特征产生水声环境噪声数据的方法,其特征在于,步骤4中,在噪声模拟频带内选取特征点时,采用双向扩展构造方法选取略宽的模拟频带。
3.根据权利要求1所述的基于时频特征产生水声环境噪声数据的方法,其特征在于,步骤4中,所述极值点的选取方法为:实测数据样本噪声谱级曲线上幅度同时大于或小于左右两个相邻频点且差值超过设定的分贝数则认定为极大或极小值点。
4.根据权利要求1所述的基于时频特征产生水声环境噪声数据的方法,其特征在于,步骤4中,在噪声模拟频带内选取特征点时,从最大谱级点开始,以一定的级差进行离散抽样,用得到的抽样点补充几何特征点。
5.根据权利要求3所述的基于时频特征产生水声环境噪声数据的方法,其特征在于,步骤9~步骤10中,在确定标准特征向量L1中各元素的幅度值时,如果步骤3得到的噪声频谱图的频率分辨率不低于标准特征向量L1的频率分辨率Δfmax,通过直接搜索谱级曲线上的对应频点来对标准特征向量L1的相关元素进行幅度赋值。
6.根据权利要求1所述的基于时频特征产生水声环境噪声数据的方法,其特征在于,步骤2中,若噪声模拟的兴趣频带只占样本数据的测量频带很小的一部分,则对样本进行预滤波处理,并适当扩展兴趣频带作为模拟频带;对于时域的序列分布特性,若应用需求不关心则直接假设为高斯分布。
7.根据权利要求1所述的基于时频特征产生水声环境噪声数据的方法,其特征在于,步骤4中,应用需求关心但不能被几何特征点涵盖的重要特征信息点通过“X倍频程点”、“YdB点”或“ZkHz点”方式描述。
8.根据权利要求1所述的基于时频特征产生水声环境噪声数据的方法,其特征在于,步骤6中,采用添加0Hz点作为特征向量的第一个元素,即将频率间隔向量的元素个数扩充为N0个。
9.根据权利要求1所述的基于时频特征产生水声环境噪声数据的方法,其特征在于,步骤10中,若步骤3得到的谱级曲线的频率分辨率不低于标准特征向量的频率分辨率,在处理实时性可接受的情况下,通过直接搜索谱级曲线上的对应点来对标准特征向量的相关元素进行幅度赋值。
10.基于时频特征产生水声环境噪声数据的装置,其特征在于,主要由实测数据样本获取模块、数据样本转换模块、统计特征提取模块、噪声谱分析模块、幅频特征提取模块、白噪声数据生成模块、特征控制参数设计模块、数字滤波模块、性能评估与反馈模块、模拟数据输出模块及图形化人机交互模块构成;
所述实测数据样本获取模块用于从噪声数据库和噪声采集设备获取待模拟的噪声样本原始数据;
所述数据样本转换模块用于根据应用***制定的数据协议,将实测数据样本获取模块得到的原始数据转换为标准格式,供统计特征提取模块、噪声谱分析模块使用;
所述统计特征提取模块用于分析实测噪声与模拟噪声数据的统计特性,给出数据服从的统计分布模型及其参数,作为白噪声数据生成模块、性能评估与反馈模块的输入信息;
所述噪声谱分析模块用于计算实测噪声与模拟噪声数据的功率谱,为幅频特征提取模块、性能评估与反馈模块提供输入;
所述幅频特征提取模块用于分析实测数据的幅频特性,给出原始特征向量;
所述白噪声数据生成模块用于生成分布特性与统计特征提取模块确定的规律相符合的随机数;
所述特征控制参数设计模块用于计算得到满足模拟噪声幅频特征控制需求的数字滤波器系数;
所述数字滤波模块用于完成模拟噪声幅频特征控制,还用于完成实测样本预处理中的滤波任务;
所述性能评估与反馈模块用于根据统计特征提取模块、噪声谱分析模块给出的结果,计算模拟噪声与实测样本的特征差异,为模型参数优化调整提供决策依据;
所述模拟数据输出模块用于向图形化人机交互模块、应用***输出模拟噪声数据;
所述图形化人机交互模块用于提供数据获取、分析、计算、输出的人机控制接口及应用信息显示界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811338438.5A CN109632071B (zh) | 2018-11-08 | 2018-11-08 | 一种基于时频特征产生水声环境噪声数据的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811338438.5A CN109632071B (zh) | 2018-11-08 | 2018-11-08 | 一种基于时频特征产生水声环境噪声数据的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109632071A CN109632071A (zh) | 2019-04-16 |
CN109632071B true CN109632071B (zh) | 2020-11-20 |
Family
ID=66067723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811338438.5A Active CN109632071B (zh) | 2018-11-08 | 2018-11-08 | 一种基于时频特征产生水声环境噪声数据的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109632071B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110081964A (zh) * | 2019-04-25 | 2019-08-02 | 西北工业大学 | 基于稀疏谱拟合的水下声源位置及功率谱联合估计方法 |
CN110515085B (zh) * | 2019-07-31 | 2021-09-14 | Oppo广东移动通信有限公司 | 超声波处理方法、装置、电子设备及计算机可读介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2648110B2 (ja) * | 1994-11-30 | 1997-08-27 | 防衛庁技術研究本部長 | 信号検出方法及び装置 |
JP4572681B2 (ja) * | 2004-12-24 | 2010-11-04 | 横浜ゴム株式会社 | 音響特性測定方法 |
ATE535787T1 (de) * | 2008-07-08 | 2011-12-15 | Brueel & Kjaer Sound & Vibration Measurement As | Verfahren zur rekonstruktion eines akustischen feldes |
CN102662167A (zh) * | 2012-04-11 | 2012-09-12 | 西北工业大学 | 一种水下目标辐射噪声信号的特征提取方法 |
CN107462317B (zh) * | 2016-06-02 | 2019-07-09 | 中国科学院声学研究所 | 一种复杂场景下的水面目标辐射噪声模拟方法 |
-
2018
- 2018-11-08 CN CN201811338438.5A patent/CN109632071B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109632071A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275148B (zh) | 一种海杂波幅度分布参数估计方法及*** | |
CN104485117B (zh) | 一种录音设备检测的方法及其*** | |
CN109559758B (zh) | 一种基于深度学习的将纹理图像转换成触觉信号的方法 | |
CN109632071B (zh) | 一种基于时频特征产生水声环境噪声数据的方法及装置 | |
CN105374367A (zh) | 异常帧检测方法和装置 | |
JP2009042716A (ja) | 周期信号処理方法、周期信号変換方法および周期信号処理装置ならびに周期信号の分析方法 | |
CN113486574A (zh) | 基于历史数据以及机器学习的声速剖面补全方法及装置 | |
CN111031463A (zh) | 麦克风阵列性能评测方法、装置、设备和介质 | |
CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
CN102055434A (zh) | 一种应用于惯性器件中数字滤波器的设计方法 | |
EP4177885A1 (en) | Quantifying signal purity by means of machine learning | |
CN115983165A (zh) | Lms自适应滤波器的性能测试方法和性能测试装置 | |
CN112837670B (zh) | 语音合成方法、装置及电子设备 | |
CN109212512A (zh) | 一种具有空间相关性的水声阵列海洋环境噪声仿真方法 | |
Eichas et al. | Virtual analog modeling of guitar amplifiers with Wiener-Hammerstein models | |
Chen | Vector time-varying autoregressive (TVAR) models and their application to downburst wind speeds | |
US20230136220A1 (en) | Quantifying Signal Purity by means of Machine Learning | |
Hanna et al. | Speech recognition using Hilbert-Huang transform based features | |
Roth | Digital Fourier Analysis | |
Sarabia et al. | Spatial LibriSpeech: An Augmented Dataset for Spatial Audio Learning | |
CN104034970A (zh) | 一种基于电脑声卡的声级测量方法 | |
CN112992182A (zh) | 车辆风噪水平测试***及其测试方法 | |
CN108734191B (zh) | 深度学习应用于压缩感知重建的数据训练方法 | |
CN102103852B (zh) | 一种音频评分方法、装置及卡拉ok播放器 | |
CN111551785A (zh) | 基于无迹卡尔曼滤波的频率与谐波检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |