基于小波分析的車輛噪聲特征提取方法研究

馬志剛

（山西農業(yè)大學 現(xiàn)代教育技術學院，山西 太谷030801）

基于小波分析的車輛噪聲特征提取方法研究

馬志剛

（山西農業(yè)大學 現(xiàn)代教育技術學院，山西 太谷030801）

特征提取是聲目標識別的關鍵。由于車輛噪聲信號的非平穩(wěn)特性，傳統(tǒng)特征提取方法有很大局限性。介紹小波分析方法在車輛噪聲信號特征提取中的應用，仿真結果證明該方法的有效性。

車輛噪聲；特征提取；小波分析；Mallat

在典型的聲目標識別系統(tǒng)中，特征提取和選擇處于信號預處理和分類識別兩環(huán)節(jié)之間,其品質的優(yōu)劣極大影響后續(xù)分類器的設計和性能,它也是模式識別三大核心問題之一[1]。

1 聲信號特征提取

傳感器采集得到的數(shù)據(jù)量通常很大。直接使用這些數(shù)據(jù)難以分類識別目標。因此需對原始數(shù)據(jù)進行變換，得到最能反映分類本質的特征。這個獲得分類本質特征的過程就是特征提取和選擇[2]。車輛噪聲是一種多聲源噪聲，發(fā)動機、變速器、傳動軸、車身或輪胎等都會產生噪聲。因此，車輛噪聲信號是一種隨機信號。在隨機的動力學參量數(shù)據(jù)處理中，完整描述需從幅域、時域和頻域進行全面分析并提取特征。常見的聲目標特征提取方法有：時域特征分析方法、頻域特征分析方法、參數(shù)化模型分析方法、時－頻特征分析方法、現(xiàn)代信號處理方法、非線性特征分析方法等[3-6]。而小波分析方法是一種典型的時－頻特征分析方法，廣泛應用于信號分析領域。

2 基于小波分析的車輛噪聲特征提取

2.1 小波分析理論

小波分析的實質是對原始信號濾波的過程。將信號投影到一組相互正交的小波函數(shù)構成的子空間，形成信號在不同尺度上的展開。從頻譜分析的角度看，小波變換是將信號分解為低頻和高頻兩部分，在下一層的分解中，又將低頻部分再分解為更低頻和更高頻兩部分，依此類推，進而完成更深層次的小波分解[6]。小波變換是先對某一類稱為基本小波（基波）或母小波（Mother Wavelet）的函數(shù)ψ（t）作位移變化b，然后在不同尺度a下與待分析信號f（t）做內積運算。

式中，a為伸縮因子或尺度因子，工程中a＜0無實際意義；b為平移因子。

式（1）稱為小波函數(shù)族或依賴于a，b的連續(xù)小波。

假定f（t）∈L2（R）是一個能量有限信號，其小波變換定義為f（t）與小波函數(shù)族ψab（t）的內積，即

2.2 小波特征提取算法

小波分解各尺度空間內平滑信號和細節(jié)信號能提供原始信號的時頻局域信息，特別是能提供不同頻段上信號的構成信息。若把不同分解尺度上信號的能量求出來，則可以將這些能量值按尺度順序排列形成特征向量以供識別。這就是基于小波變換提取多尺度空間能量特征的基本原理[7]。

信號x（t）在L2（R）空間上的范數(shù)||x||2的平方定義為

因此，信號在時域的能量等于其在L2（R）空間上范數(shù)||x||2的平方。對于一個可容許的小波函數(shù)ψ（t），有

從而建立小波系數(shù)與能量在時域上的等價關系。

設小波系數(shù)Wj,k對應的能量為Ej,k，則有

式中，j為尺度（伸縮）因子，k為位移（平移）因子。

2.3 小波特征提取步驟

由于離散序列x（n）小波分解后的小波系數(shù)矩陣維數(shù)很高，而利用小波能量所構造的特征向量的維數(shù)較低，從而原始的高維空間轉變成低維的特征空間，有效識別分類聲信號。由上述分析可知，每個特征都代表一組小波系數(shù)，反映離散信號的時域與頻域信息，而且不同尺度下的小波系數(shù)還描述一定頻域范圍的信號特征，從上述能量計算過程,即特征的提取過程來看，這種結構的特征向量具有魯棒性，即具有較高的穩(wěn)定性[6]。

3 車輛噪聲特征提取的仿真分析

仿真實驗中，小波分解采用Mallat二進小波快速算法，分別對M109型坦克和Leopard 2型軍用車輛兩種典型車輛噪聲信號進行小波分解，并計算所有尺度空間的小波系數(shù)歸一化能量。這兩種實驗數(shù)據(jù)經1：10降采樣后采樣率為2 kHz，現(xiàn)截取1 024個數(shù)據(jù)點進行分析。采用db6小波，小波分解最大級數(shù)為8。表1和表2分別是這兩種信號對應頻段的小波（歸一化）能量特征，圖1是這兩種信號提取的小波 （歸一化）能量特征分布條形圖。上述分析均在Visual C++6.0下實現(xiàn)。

由表1～表2和圖1看出，這兩種車輛的噪聲信號在能量分布上有很大差異，前者能量主要分布在30～130 Hz，而后者能量則主要分布在60～500 Hz，這樣就可以區(qū)分其種噪聲信號。因此，使用小波能量方法對車輛噪聲信號進行特征提取是非常有效的。

圖1 噪聲信號能量分布圖

?

?

4 結論

小波分析具有時頻局部化特性，因此非常適用于非平穩(wěn)信號的分析處理。根據(jù)小波分解系數(shù)與信號各頻帶能量之間的對應關系，采用小波分析方法提取聲目標信號特征，可從中提取出各尺度的能量特征作為信號特征，并以此分類[8-9]。由于不同類型聲信號的頻率成分不同而使能量分布有很大差異，因此利用能量作為分類識別的特征是可行的。

[1]孫即祥.模式識別中的特征提取與計算機視覺不變量[M].北京：國防工業(yè)出版社，2001.

[2]劉貫領.聲目標識別方法研究[D].南京：南京理工大學，2003.

[3]陳 丹.戰(zhàn)場被動聲多目標識別方法研究[D].西安：西北工業(yè)大學，2005.

[4]Heberley Jeffrey.Advanced acoustic sensor technologies[R].AD Report,2001.

[5]李在庭，高德勇.直升機聲信號特征提取和識別技術[J].兵工學報，1996,17 （1）：55-59.

[6]周冬生.肺音信號的特征提取與模式識別[D].濟南：山東大學，2005.

[7]張靜遠，張 冰，蔣興舟.基于小波變換的特征提取方法分析[J].信號處理,2000,16（2）:156-162.

[8]楊亦春，張文慧，程 翔，等.聲引信目標信號過零率分布研究[J].南京理工大學學報，2000，24（3）：249-252.

[9]陳春玉.目標識別技術的現(xiàn)狀與發(fā)展[J].聲學技術，1999，18（4）：185-188.

Research of feature extraction of vehicle noise based on wavelet analysis

MA Zhi-gang
（College of Modern Educational Technology,Shanxi Agricultural University,Taigu030801,China）

Feature extraction is the key of acoustic target recognition.Because the acoustic signal is non-stationary,the traditional feature extraction methods have large limitations.A wavelet analysis method used for feature extraction is introduced in this paper.Simulation result proves that this method is effective.

vehicle noise;feature extraction;wavelet analysis；Mallat

TP391

A

1674－6236（2010）01-0001-02

2009-07-13 稿件編號：200907042

國家自然科學基金項目（50675213）；山西農業(yè)大學科技創(chuàng)新基金（2009007）

馬志剛（1982—），男，山西文水人，碩士研究生，助教。研究方向：電子信息科學與技術、目標識別。