针对多种声特征的声目标识别技术研究

Research on the Technology of the Sound-target Identifying for Multiform Sound Characteristic

Cui Lei

（Staff Room of Equipment Technology，The 2nd Department，PLA"s Artillery Command Academy，Zhangjiakou 075100，China）

摘要： 探讨了目前以功率谱特征分析为主的声目标识别技术的基础理论、经典算法；并提出了相对传统的取样积分方法等其他声信号处理方法在声目标识别技术中的补充性应用的实现途径，以弥补单一的声目标识别算法的不足。

Abstract： The article discusses some basal theory and classical arithmetic, which are based on the power specialty of the sound to identify the sound-target nowadays. It also refers some complementary methods on the sound-target identifying. These methods include the sampling integral and other traditional ways. These methods are to solve the disadvantage of the single arithmetic.

关键词： 声目标识别 特征分析 算法

Key words： sound-target identify; characteristic analyze; arithmetic

中图分类号：TP39 文献标识码：A文章编号：1006-4311（2011）14-0198-02

0引言

目标识别指在包括军事领域在内的各领域中，根据需求对一些事物进行认知和探测的过程，目的在通过这些特征的分析，判断目标性质及状态，为一些行动提供参考。常见的目标识别方法是采集目标视觉特征，即图像。但图像获取要求目标在采集者的视觉范围内。在很多情况下，如此接近目标会存在安全性差，反应时间短等问题。尤其是在军事领域，经常存在超视距或非可视条件的目标识别任务，这种情况下往往提取目标的热特征和电磁特征，但这些特征相对容易被控制，如电磁特征，在目标保持无线电静默的时候，就难提取其电磁特征。声目标识别是一种传统但非常有效的识别方式，各种设备在运行过程中所产生的声音是独特的，例如车辆发动机的声音、机体结构摩擦产生的噪声，都可以作为判断其性质的依据，因此声特征的提取是声目标识别的关键环节。本文就目前应用较广泛的基于声能量特征——如AR功率谱特征和小波包尺度能量特征——的提取和分类模式进行研究，并探讨了基于传统声特征的分析方法如何运用到当前的声目标识别体系中。

1目标声特征

声目标识别对象是目标产生的噪声，广义的噪声是相对于有信息量的声信号而言的，即经过所包含有用信息的指数之和相对低的声音信号。研究表明，声信号是非平稳和非线性的，如何提取特征才能够区分各类目标固有特性，是要解决的关键问题。不同的目标声特征不同，这是由各种目标的机械特性决定的。就声信号的产生方式，即可以被利用的声信号的种类而言，可以分为主动噪声和近场辐射噪声。

1.1 主动噪声主动噪声是目标在运行过程中必然要产生的一种声信号，属于高斯噪声，但是可以控制的。如车辆的发动机运行时产生的声音，这是发动机运转的必然结果，在发动机无故障情况下，该声音不含任何对车辆有用的信息，是可以通过关闭发动机来消除的。主动噪声的最大特点是信号强度大，传播距离远，能量大，容易被捕获和进行分析。针对海上目标的传统的声特征提取就是采集其主动噪声，这一办法也是当前地面目标声特征提取的主流思路，局限性比较大。

1.2 近场辐射噪声目标的机械运转产生的噪声称为近场辐射噪声。如车辆轮胎摩擦路面噪声，称为空气噪声；发动机振动、其他辐射声压作用到车身，引起车身振动产生辐射声信号，称为结构噪声。空气噪声和结构噪声共同构成近场辐射噪声。它是目标机械运动的必然结果，无法消除，但它相对于主动噪声能量小、频谱简单、往往埋在自然界噪声中。2005年南京大学提出“以目标摩擦周围介质产生的噪声”为声特征目标的构想得到了实践论证，证明可以利用近场噪声的必然性来开辟声目标识别的新思路。

2功率谱特征分析

主动噪声的产生原因决定了它的功率相对自然界的加性噪声功率大，声信号的功率谱反映了声信号能量随频率的分布情况，经建立多种目标的主动噪声功率谱统计分析，可以发现由于目标性质不同功率谱也不同，对于同一种目标功率谱是基本相同的。于是，功率谱的特征分析往往作为主动噪声的特征分析法。功率谱特征分析又包括AR功率谱分析和小波包分析两种方法。

2.1 AR功率谱特征分析AR 模型是谱分析所采用的一种参数化模型，是一种高分辨率谱方法，其优势在于利用少量的采样点值，从而提高了识别效率。

对所采集到的目标声信号，属于高斯噪声，符合正态随即分布，在一定的观察时间内为宽平稳随机时间序列X（n），用AR模型表示其为：X（n）=ξ（n）-∑■■a■x（n-i），a■为AR模型线性预测系数，p为预测阶数，ξ（n）为残差。这个模型将一个时间序列的现在值表示成过去值与激励值的加权和，将此运用到声信号分析中，可得出该信号的功率谱函数为：

R（t）=■

σ■■为残差的方差，Δt为采样间隔。从上式中可以看出，AR谱只与线性预测系数a■有关，a■几乎能表达采样序列及其功率谱中的全部信息。由参数a■即可得到唯一的功率谱估计。在对主动噪声信号的分析中，按功率谱峰由大到小依次出现次序取五点，其对应频率作为声目标特征值，提取信号相关时延作为辅助特征，就得到了声目标的AR功率谱，之后再与声目标AR谱数据库比对，就可以判断声目标的性质了。

2.2 小波包特征分析小波包特征分析来源于声信号处理中的小波变换法。处理信号时，将信号分解成低频的粗略部分与高频的细节部分，然后只对低频部分再做第二次分解，而不对高频部分分解，并保留声目标的主动噪声中已知或可以确定存在的频谱范围的分解结果，而将其他结果滤除，再将保留的分解结果重复分解，直到保留的结果全部在主动噪声的主要频谱范围内。每次分解结果的层级关系称为小波包的系数。

定义某频段声信号的能量系数为对应的小波包系数的平方和，则第k层m个小波能量系数为：E■=∑■■C■■，m=（0，1…2k+1），n为第m个小波包内系数个数。则信号的小波包能量系数总量为E■=∑■E■。再设各个小波包能量系数的相对值为Y■=■，将这个相对值定义为小波包能量系数的特征向量T，T=[Y0，Y1，Y2…Y2k+1]。向量代表同一类型的声目标的主动噪声在不同频率上的能量分布的基本规律。同一声目标随着目标主动噪声的强弱变化，最终得到的功率谱是不同的，但其分布的变化过程必然符合小波包特征分析所得的特征向量的规律。

和AR功率谱特征分析类似，小波包特征分析的结果也要通过目标特征数据库比对来判断目标的性质。相对于快速分析的AR功率谱特征分析方法，小波包特征分析方法更强调去除自然界的加性噪声而得到更准确的声信号特征，但是实现速度明显小于AR功率谱特征分析方法。

3幅度-频率谱特征分析

声信号除了具有功率随频率分布不同这一特性外，还有幅度随频率分布不同的特性，称为幅频特性。与功率谱不同的是，幅频特性的区别程度不大。如同样的发动机运转时，它们的幅频特性基本相同，直观反映是听觉效果相同。但当其载体的运动速度不同时，幅频特性也就出现了变化，即多普勒效应。因此幅频特性相对于功率特性而言，可在一定程度上针对目标的近场辐射噪声进行识别，以最低程度地判断目标是自然物体还是机械物体。

3.1 取样积分算法基本思想取样积分算法最早用于去除周期信号的随即噪声，是幅频特性分析的重要方法。其基本思想是，假设存在一个有噪声的线性声信号，其周期为T，则在第k时刻和第T+k时刻，信号的幅度值Ak和AT+k是存在线性关系的，即AT+k=ξAk。如果不存在噪声，则Ak+AT+k=（ξ+1）Ak，这个结果显然也是线性的。但是如果存在加性随机噪声，我们则认为在第k时刻和第T+k时刻，信号的幅度值是Ak+nk和AT+k+nT+k，相加结果也变成了（ξ+1）Ak+（nk+nT+k），其中nk和nT+k是非线性的，整个结果也是非线性的。

但是由于噪声是随机的，在概率上存在nT+k≈-nk的情况，它们的相加结果接近或者等于0，那么（ξ+1）Ak+（nk+nT+k）也就可能等于（ξ+1）Ak，也就是说将随机噪声去掉了，得到了原始的有用信号。为了得到nT+k≈-nk，需要将线性信号累加，以从增大样本数量上获得这个概率事件，即进行k、T+k…nT+k时刻的信号的叠加，从而得到声特征信号。

3.2 取样积分在近场辐射噪声目标识别中的应用

3.2.1 声特征提取方法从取样积分的算法可以看出，能够被取样叠加争取概率事件的信号必须是周期或线性信号。在声目标识别中运用该方法，识别对象必须符合线性。近场辐射噪声在一个微分范围内是线性的。例如车辆行进间车体与空气摩擦的噪声，直生机旋翼扰动气流的噪声、队列行进踩压路面的噪声等等，在一个不长的距离上、目标不频繁加减速、空气密度无急促变化的情况下，这个噪声是线性的，可以用取样积分方法进行识别。识别过程中的加性随机噪声是车辆行进间周围自然界的噪声。自然界的噪声是高斯噪声，符合正态分布，增加了不同时刻噪声互相取反的概率，因此比较适合运用取样积分方法提取声特征，基本算法符合（ξ+1）Ak+（nk+nT+k）。需要注意的问题有三点，一是取样点尽可能少，防止取样到了非线性区域；二是经过积分得到的是叠加信号，必须取其均方根值还原为接近原始的信号；三是还原后得到信号应当进行傅立叶变换（FFT）获得幅频特性才能用于声特征比对。

3.2.2 声特征提取过程的实例假设存在一个盘旋的飞行目标，其近场噪声针对盘旋半径外的一点是类正弦信号，直接采集可得如图3的波形图。定义信号时域长度为T，周期为t，幅度为A，噪声信号为n，取样点为k，最终要得到的信号为A（k）可得取样积分过程为：A■=■。这个过程中假设了任一周期中k点信号幅度相等，如果不相等而存在At+k=ξAk，则分母应为∑■■ξ■。最终得到图4的时域特性。再对其进行FFT，得到幅频特性如图5。可以看出信号强度主要集中在1kHz到1.5kHz之间并有两个强频一个弱频，根据此特征则可进行目标比对，以判断是什么飞行器。

4结语

传统的目标识别由于目标本身对特征的控制和自然因素的影响而出现了局限性，将目标噪声作为识别特征就突显了必要性。声目标识别并不是“另辟蹊径”，而是目标识别技术的发展过程中的必然要求和必要途径。其中功率谱的特征分析直接面向目标本身的声特性，具有直接、快速的优点；幅频特征分析则针对目标本身无法回避的近场辐射噪声，是被动噪声探测中一个比较新的领域。这种受海上目标识别方法的启发、针对目标声特性的识别手段，无疑将成为其他的目标识别手段的有效补充，这种补充在各行业，尤其是军事领域有重要意义。

参考文献：

[1]杜功焕等.声学基础[M].南京:南京大学出版社，2001.

[2]陈孝桢等.三种代表性电声测量系统的分析比较[J].电声技术，2001，（7）：51-53.

[3]熊济时等.汽车和舰船近场辐射噪声的比较[J].噪声与震动控制，2010，（3）：91-93.

推荐访问： 技术研究 识别 特征 多种 目标

---