希爾伯特-黃變換在微弱被動瞬態(tài)魚聲信號中的檢測

陳 功, 王平波, 鮑玉軍, 許清泉, 楊 輝, 陳宗濤

?

希爾伯特-黃變換在微弱被動瞬態(tài)魚聲信號中的檢測

陳 功1, 2, 王平波3, 鮑玉軍1, 許清泉1, 楊 輝1, 陳宗濤1

(1. 常州工學院, 江蘇常州 213022; 2. 廈門大學, 福建廈門 361005; 3. 海軍工程大學, 湖北武漢 430033)

為了在海洋環(huán)境中準確獲取魚類在攝食、產卵和爭斗過程中發(fā)出的短促、瞬時的信號, 采用希爾伯特-黃變換算法實現(xiàn)微弱被動瞬態(tài)魚聲信號的檢測。該算法首先將瞬態(tài)魚聲信號實現(xiàn)固有模態(tài)信號的分解, 其次將經(jīng)驗值高階階數(shù)的固有模態(tài)信號求和重構即可實現(xiàn)信號能量幅度檢測; 在固有模態(tài)信號的分解的基礎上, 計算求和重構信號的希爾伯特能量譜, 即可實現(xiàn)瞬時能量密度級的檢測。通過不同信噪比和檢測器的比較研究, 結果表明基于希爾伯特-黃變換算法的兩種檢測方法能有效提高微弱被動瞬態(tài)魚聲信號的檢測性能。

被動瞬態(tài)魚聲; 希爾伯特-黃變換; 信噪比; 檢測器

魚類在水下環(huán)境中發(fā)出的噪聲可以分為兩種, 一種是在交配季節(jié)連續(xù)性重復地發(fā)出的求偶聲信號, 另一種是在攝食、產卵和爭斗過程中, 所發(fā)出的短促、瞬態(tài)的被動魚聲信號。連續(xù)發(fā)出的魚聲信號可以采用常規(guī)的信號處理方法用于檢測和識別, 這些信號處理技術通常包括帶通濾波技術、時頻變換以及混合神經(jīng)網(wǎng)絡算法[1-9]。由于瞬態(tài)信號維持時間短, 一般都在毫秒級, 產生頻率較少, 時域中通常表現(xiàn)為一兩個尖刺, 且不具備重復性, 如果信噪比太小的話很難從被測信號中直接檢測; 此外海洋背景比較復雜, 環(huán)境噪聲影響嚴重, 因此被動瞬態(tài)魚聲信號的檢測比較困難。考慮到信號頻率成分多樣且時變, 不適用于傳統(tǒng)的傅里葉變換方法; 而短時傅里葉變換、Wignner-Ville分布和小波變換可用于處理瞬態(tài)信號, 其中短時傅里葉變換適合研究平穩(wěn)信號, 而瞬態(tài)信號具有強烈的非平穩(wěn)性且頻率變換快, 因此該方法不可能在時、頻域同時獲得較高分辨率。Wignner-Ville分布在分析瞬時信號時會產生“交叉項”[10]。小波變換在處理非平穩(wěn)信號領域具有優(yōu)越性, 但分析結果取決于小波基函數(shù)的選取。

希爾伯特-黃變換(Hilbert-Huang Transform, HHT)[11-12]適合處理非平穩(wěn)、非線性信號, 其不受傅立葉分析的局限, 能夠精確地表達信號的時域和頻域分布, 是一種更具有自適應性的時頻局部分析方法。本文利用HHT的濾波特性, 提出了一種基于HHT信號重構思想的被動瞬態(tài)魚聲信號檢測方法。該算法首先將瞬態(tài)魚聲信號實現(xiàn)固有模態(tài)信號的分解, 其次將經(jīng)驗值高階階數(shù)的固有模態(tài)信號求和重構即可實現(xiàn)信號能量幅度檢測; 在固有模態(tài)信號的分解的基礎上, 計算求和重構信號的希爾伯特能量譜, 實現(xiàn)瞬時能量密度級的檢測。

實驗結果表明, 基于信號重構的信號瞬態(tài)能量幅度檢測方法, 提高了信號的信噪比、檢測概率和準確度, 說明基于 Hilbert 黃變換經(jīng)驗模態(tài)分解的瞬態(tài)信號檢測性能優(yōu)于傳統(tǒng)能量檢測算法; 采用Hilbert能量譜和能量密度級的瞬態(tài)信號檢測同樣也可以大幅度提高瞬態(tài)信號的檢測性能, 但是該方法相對于經(jīng)驗模態(tài)分解檢測算法, 其復雜度和執(zhí)行時間較高。

1 瞬態(tài)被動魚聲信號

圖1和圖2為食蚊魚()和食人魚()的求偶時發(fā)出的連續(xù)性重復被動魚聲信號以及巖豆娘魚()和似鯉異吻象鼻魚()攝食時發(fā)出的瞬態(tài)被動魚聲信號(魚聲數(shù)據(jù)來自于https: // www.soundeffects.ch), 圖中幅值進行了歸一化, 其采樣頻率為44.1 kHz, 圖中可以看出連續(xù)性重復信號持續(xù)時間分布從100到400 ms, 而瞬態(tài)信號則表現(xiàn)為幾毫秒時間的1~2個尖刺脈沖信號, 即周期性地發(fā)出聲信號, 間隔時間長且短促, 非平穩(wěn)性非常強。

2 Hilbert-Huang 變換分析方法

2.1 經(jīng)驗模態(tài)分解

針對信號局部均值和時間特征尺度與瞬時頻率關系的研究, Huang引入了經(jīng)驗模態(tài)分解法(Empirical Mode Deco-m-position, EMD), 該法將一個瞬態(tài)信號分解成一系列固有模態(tài)信號(Intrinsic Mode Function, IMF)。

EMD分解的主要步驟為:

(c) 采用三次樣條插值計算由局部極大值點構造的上包絡曲線和局部極小值點構造的下包絡曲線, 求平均;

EMD的分解和重構實質上是篩分過程, 該方法其從特征時間尺度開始, 將瞬態(tài)信號中分離特征時間尺度逐漸增加的模態(tài)逐漸分離。

2.2 EMD 信號重構瞬態(tài)信號檢測原理

相對于所采集的含噪的瞬態(tài)被動魚聲信號, 背景噪聲呈現(xiàn)高頻特性, 而EMD分解是根據(jù)時間尺度, 將局部時間尺度小的高頻分量分解在低階IMF中, 將局部時間尺度大的低頻信號分量分解在高階IMF中。根據(jù)EMD的這一特性, 對采樣信號進行EMD分解, 然后對經(jīng)驗值的高階IMF求和重構得到, 計算即可實現(xiàn)信號能量的檢測。

2.3 基于能量密度級的瞬態(tài)信號檢測

瞬時能量密度級是時間的函數(shù), 是用來考察能量波動程度的量度。當有信號到達時, 樣本會有很明顯的能量波動, 因此將 Hilbert 譜的能量特性應用于瞬態(tài)信號檢測, 其具體過程為對采樣信號進行EMD分解, 對經(jīng)驗值的高階IMF求和重構得到, 然后計算Hilbert 能量譜, 求瞬時能量密度級做能量密度級檢測。

3 實驗仿真

3.1 瞬時魚聲信號的EMD分解的時頻域圖

下面給出–10 dB信噪比條件下基于HHT的瞬態(tài)信號檢測實例。瞬態(tài)信號模型的EMD分解結果, 如圖3 所示, 共分解出9階IMF和一個表示趨勢的殘余項, 圖中給出前9階。

通過仿真實驗發(fā)現(xiàn), 重構的階數(shù)與信號長度有關, 本文中一般在第3~4階時, IMF開始出現(xiàn)信號, 以下采用第4階至最后一階的IMF實現(xiàn)信號重構, 即得重構信號。

重構信號如圖4所示, 將其與圖中加噪聲后的信號比較, 圖中的原始信號幾乎完全淹沒在噪聲背景中, 而圖中的重構信號中, 被動瞬態(tài)魚聲信號比較清晰。經(jīng)試驗研究發(fā)現(xiàn)基于EMD分解的重構信號可以提高信號的信噪比, 且能提高瞬態(tài)信號的檢測性能。

將前9階IMF分別作傅里葉變換, 研究其頻譜分布。圖5中, IMF1 類似高通濾波器, 且頻帶較寬, 大部分噪聲能量被濾到這一階內。IMF2 到 IMF9 都是帶通濾波器, 通帶相互有重疊。因此該變換類似于多種濾波器的疊加濾波。

3.2 EMD檢測被動魚聲瞬態(tài)信號

圖6給出了不同信噪比瞬態(tài)信號和重構信號能量包絡比較圖。圖中信噪比–20 dB時并未能檢測到瞬時魚聲信號; –10 dB時噪聲能量變化范圍由原來的0.002下降到0.001左右, 減小了約50%, 含噪瞬態(tài)信號特征不明顯, EMD重構后能檢測到瞬時魚聲信號; 0dB時噪聲能量變化范圍由原來的0.001下降到幾乎為0, 信號的能量同樣有所下降, 由原來的0.003降至0.001, 減小了66%, 但是與噪聲相比能量下降相對較小, 因此明顯提高了瞬態(tài)信號的幅值。

仿真實驗表明, 基于信號重構思想的瞬態(tài)信號檢測, 提高了信號的信噪比, 檢測概率和準確度都有明顯改善, 基于Hilbert 黃變換的瞬態(tài)信號檢測性能優(yōu)于傳統(tǒng)能量檢測算法。

3.3 基于能量密度級的瞬態(tài)信號檢測

仿真條件同上, 不同信噪比瞬態(tài)信號和重構信號比較圖如圖7所示。由圖可見, 在 680~700點附近有較大的能量存在。沿著頻率方向求積分, 得到能量密度級的時域圖。

圖7–10 dB瞬態(tài)信號組圖中, 瞬時能量波動范圍為0.023, 噪聲為0.015, 信號與噪聲相對值為1.53,圖7(b)–10 dB重構信號組圖中, 信號能量波動范圍為0.011, 噪聲能量為0.004, 信號與噪聲相對值為2.75。因此, 基于Hilbert能量譜和能量密度級的瞬態(tài)信號檢測也可以大大提高瞬態(tài)信號的檢測性能, 但是該方法相對于EMD檢測法來說算法的復雜度和執(zhí)行時間有所提高。

4 結論

本文基于HHT的基本原理, 針對攝食、產卵和爭斗過程中, 所發(fā)出的短促、瞬態(tài)的魚聲信號, 提出了基于HHT信號高階重構和希爾伯特能量譜的被動瞬態(tài)魚聲信號檢測方法。該方法利用 HHT 的不同階數(shù)的濾波特性, 通過EMD分解出的IMF完成信號重構并由能量檢測器實現(xiàn)魚聲瞬態(tài)信號檢測, 此外通過將重構信號實現(xiàn)希爾伯特能量譜也可以實現(xiàn)瞬時能量密度級魚聲瞬態(tài)信號的檢測。實驗結果表明, 重構信號相比于原始信號相對于傳統(tǒng)的能量檢測器性能有所提高, EMD經(jīng)驗模態(tài)分解存在端點效應帶來的誤差, 有待進一步研究分析。

[1] Wood M L, Casaretto G, Horgan A D. Discriminating between fish sounds a wavelet approach[J]. Bioacoustics, 2002, 12: 337-339.

[2] Stolkin R, Radhakrishnan S, Sutin A, et al. Passive acoustic detection of modulated underwater sounds from biological and anthropogenic sources[C]//IEEE. Proceeding of Oceans. Vancouver: IEEE, 2007: 1-8.

[3] 任新敏, 高大治, 姚玉玲. 大黃魚的發(fā)聲及信號特性研究[J]. 大連水產學院學報, 2007, 22(2): 123-128. Ren Xinmin, Gao Dazhi, Yao Yuling. Occurrence and characteristic of sound in large yellow croaker[J]. Journal of Dalian Fisheries University, 2007, 22(2): 123-128.

[4] 王巍巍. 魚類聲信號的分析及特征提取研究[D]. 哈爾濱: 哈爾濱工程大學, 2008. Wang Weiwei. Research of analysis and characteristics extraction on fish sound[D]. Harbin: Harbin Engineering University, 2008.

[5] 劉貞文, 許肖梅, 覃柳懷. 大黃魚發(fā)聲信號特性研

究[J]. 聲學技術, 2010, 29(6): 342-343.Liu Zhenwen, Xu Xiaomei, Qin Liuhuai. Sound characteristics of the large yellow croaker[J]. Technical Acoustics, 2010, 29(6): 342-343.

[6] Rountree R A, Gilmore R G, Goudey C A, et al. Listening to Fish: Applications of passive acoustics to fisheries science[J]. Fisheries, 2006, 31(9): 433-446.

[7] 陳功, 常睿, 于海平, 等. 稀疏分解特征在魚聲端點檢測中的應用[J]. 熱帶海洋學報, 2015, 34(4): 48-53. Chen Gong, Chang Rui, Yu Haiping, et al. Research on detection of weak passive fish acoustic by sparse decomposition feature[J]. Journal of Tropical Oceanography, 2015, 34(4): 48-53.

[8] 陳功, 常睿, 于海平, 等. 基于正弦函數(shù)基原子庫微弱魚聲信號稀疏檢測[J]. 中國測試, 2015, 41(6): 108- 112. Chen Gong, Chang Rui, Yu Haiping, et al. Sparse detection for weak passive fish acoustic signal based on sine wavelets[J]. China Measurement & Test, 2015, 41(6): 108-112.

[9] 陳功, 王平波, 龐韜, 等. 基于被動聲學技術的海洋生物測量研究狀況[J]. 漁業(yè)現(xiàn)代化, 2015, 41(6): 37- 42. Chen Gong, Wang Pingbo, Pang Tao, et al. Research progress of marine organisms based on passive acoustics technology[J]. Fishery Modernization, 2015, 41(6): 37-42.

[10] 薛飛. 基于希爾伯特黃變換的水聲瞬態(tài)信號檢測方法研究[D]. 哈爾濱: 哈爾濱工程大學, 2009. Xue Fei. Research on the method of underwater acoustic transient signal detection based on Hilbert Huang Transform[D]. Harbin: Harbin Engineering University, 2009.

[11] Bouzid A, Ellouze N. Maximum error indiscrete EMD decomposition of periodic signals[C]//IEEE.15th International Conference on Digital Signal Processing.Cardiff: IEEE, 2007: 563-566.

[12] Kopsinis Y, Mclaughlin S. Enhanced empirical mode decomposition using a novel sifting-based interpolation points detection[C]. IEEE.14th Workshop on Statistical Signal Processing. Madison: IEEE. 2007: 725-729.

Research on the detection of weak transient passive fish acoustic signals based on Hilbert–Huang Transform

CHEN Gong1, 2, WANG Ping-bo2, BAO Yu-jun1, XU Qing-quan1, YANG Hui1, CHEN Zong-tao1

(1. Changzhou Institute of Technology, Changzhou 213022, China; 2. Xiamen University, Xiamen 361005, China; 3. Naval University of Engineering, Wuhan 430033, China)

To acquire transient passive fish acoustic signals during feeding and spawning, Hilbert–Huang Transform is introduced to detect weak signals. Firstly, Hilbert-Huang Transform analyzes the transient signals in the time-frequency domain by empirical mode decomposition. Energy detection is then realized by Hilbert–Huang Transform reconstruction from empirical high-level orders. In addition, Hilbert spectral analysis is proposed to detect transient signals and compared with a traditional energy method under a different signal-to-noise ratio (SNR). Finally, the feasibility and validity of the method are verified by processing experimental data.

passive transient fish acoustics; Hilbert–Huang Transform; signal-to-noise ratio (SNR); energy detector

(本文編輯: 劉珊珊)

Feb. 6, 2016

[National Natural Science Foundation of China, No.21305089; the Natural Science Foundation of Jiangsu Province, No.BK20130245; Key Laboratory of Underwater Acoustic Communication and Marine Information Technology (Xiamen University), Ministry of Education; Natural Science Foundation of Changzhou Institute of Technology, No.YN1513]

P756.6

A

1000-3096(2016)10-0091-06

10.11759/hykx20160106004

2016-01-06;

2016-07-09

國家自然科學基金(21305089); 江蘇省自然科學基金青年基金(BK20130245); 水聲通信與海洋信息技術教育部重點實驗室(廈門大學); 常州工學院自然科學基金(YN1513)

陳功(1979-), 男, 江蘇常州人, 博士, 副教授, 主要從事信號與信息處理的研究, E-mail: realchengong@sina.com