基于聲源定位的信息傳輸異常點智能識別算法研究

柳秀山 蔡君 張琴 程駿

摘 ?要： 為了解決傳統方法識別聲音信息異常點時存在精確度低的問題，研究基于聲源定位的信息傳輸異常點智能識別算法，采用改進模糊C均值聚類算法得到可能性C均值聚類算法，采用此聲源定位算法計算異常聲源聚類中心，當聚類符合限制條件時，輸出的聚類中心為異常聲源定位結果;以該結果為前提，依據短時幅度與短時過動態門限率變量判斷聲音信息異常點的起始端與終止端，識別出聲音信息傳輸異常點。實驗結果表明，所提算法對識別聲音信息傳輸異常點的丟包率誤差最大在3.45～3.7之間，說明所提算法對丟包率存在一定的抵抗能力。

關鍵詞： 聲源定位; 可能性C均值; 聚類算法; 信息傳輸; 異常點識別; 智能識別算法

中圖分類號： TN141.2?34; TP393 ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）12?0033?04

Abstract： An information transmission abnormal point intelligent identification algorithm based on sound source localization is researched to solve the low accuracy problem existing during identification of sound information abnormal points by using traditional methods. The improved fuzzy C?means clustering algorithm is used to obtain the possibility C?means clustering algorithm. The sound source localization algorithm is adopted to calculate the clustering centers of abnormal sound sources. When the clustering meets the restriction conditions， the output clustering centers are considered as the localization results of abnormal sound sources. Taking the results as the prerequisites， the start terminal and end terminal of sound information abnormal points are judged according to the short?term amplitude and short?term over?dynamic threshold rate variables， so as to identify the abnormal points of sound information transmission. The experimental results show that the proposed algorithm′s maximum packet loss rate error for identification of sound information transmission abnormal points is between 3.45 and 3.7， which shows that the proposed algorithm has a certain resistance to packet loss rate.

Keywords： sound source localization; possibility C?means; clustering algorithm; information transmission; abnormal point identification; intelligent identification algorithm

0 ?引 ?言

公共場所中聲音包含大量關鍵性信息，往往比視頻信息更能傳遞直接內容。近年來聲音信息研究廣泛應用在各個領域，如視頻監控、案件偵破等[1]。識別聲音信息傳輸異常點是利用聲音信息解決問題的關鍵。專家對聲音信息傳輸過程中的異常點的識別已有一定研究。采用高分辨率譜推斷聲音信息異常點的方法效果較好，但使用范圍有限，只適合窄帶寬平穩聲音信號的異常識別[2];采用波束成形算法識別聲音信息異常點可以看成是對聲音信息進行加權求和與修改權值的過程，該方法需要大量運算步驟，以聲音傳輸的噪聲信息為前提才能獲取有效的聲音異常點識別結果，執行步驟繁瑣導致該方法可行性降低。本文針對聲音信息異常點識別的需求與現有方法的缺點，提出基于聲源定位的信息傳輸異常點識別算法。經驗證，本文算法識別聲音信息異常點的精確高、性能優，為場所異常聲音信息識別提供有效手段。

1 ?信息傳輸異常點智能識別算法

首先采用聲源定位算法判斷場所中異常聲音信息位置[3]，其次標記具體定位中異常聲音信息的端點，即可完成聲音信息傳輸異常點智能識別。

1.1 ?基于可能性C均值的聲源定位算法

1.1.1 ?可能性C均值聚類算法

詳細介紹可能性C均值聚類算法。針對模糊C均值聚類算法運算過程中，限制隸屬度為1時對噪聲和野值點反應敏感的情況[4]，改進該算法，放寬隸屬度的限制條件，得到可能性C均值聚類算法。

式中：[aij∈0，1]表示聲音信息數據樣本[xj]劃分類[i]的可能性數值，且符合[0

定義聲音信息異常點監測范圍內的聲源數量為[D]，那么聚類中心數量為[D]，[C]值與[D]值相同，得出以下結果：[gk]表示第[k]個聚類中心位置;[xi]，[aik]分別表示第[i]個監測點的位置、第[i]個監測點劃分第[k]個聲源的可能性數值。迭代后得到可能性劃分值與聚類中心，第[i]個監測點的位置公式為：

1.1.2 ?聲音信息傳輸異常點定位

當[Bi]值與節點測量值成正比，說明此節點同被監測聲源間的長度較小，那么理論上講該節點計算聚類中心的權重較大。

采用可能性C均值聚類聲源定位算法識別聲音信息傳輸異常點的過程如下：

1） 還原參數，聚類數量[C=D]，還原迭代次數與迭代次數最大值分別為[a=1]，[amax]，聚類終止的閾值為0.01。另外，還原[aik]與[gk]，計算[?i]。

2） 采用式（4）與式（1）計算聚類中心與目標函數值，且[a=a+1]。

3） 當聚類符合[Jt-Jt-1<γ]，[a>amax]條件之一時，終止運算;相反情況，循環執行過程2）與過程4）。

4） 得到的聚類中心[G=g1，g2，…，gD]，即異常聲音信息點的聲源定位結果。

1.2 ?異常聲音信息的端點檢測

根據異常聲音信息傳輸定位結果，進一步檢測異常聲音信息的端點[6]，標記異常聲音信息的起始端與終止端，得到聲音信息傳輸異常點。

聲音信息的異常點相比正常聲音信息而言，具有能量大、聲強高的特點[7]，因此，檢測聲音信息傳輸異常點需依據短時幅度與短時過動態門限率兩個變量實現，其優勢為[8]：

1） 短時幅度變量運算簡單，簡化聲音信息識別過程[9];

2） 短時過動態門限率可降低噪聲對異常點識別的干擾。

計算短時幅度的方法為：

歸納聲音信息端點檢測算法的流程為：

1） 預加重聲音信息后，采用漢明窗實施分幀操作[10]，獲取音頻幀，表示為[xin]，其中，音頻幀序號與幀中采樣點序號分別為[i]，[n]。

2） 標定短時幅度閾值[Ath]，基于監測設備采集的初始聲音信息的無效性[11]，將1～150幀聲音信息作為短時幅度計算對象，定義獲取的均值為[Aave]，計算聲音信息與[Aave]的乘積，即[Ath]的值。

3） 標定短時過動態門限率[ZCRth]，同理，將151～300幀聲音信息作為短時過動態門限率計算對象[12]，獲取均值表示成[ZCRave]，計算聲音信息與[ZCRave]的乘積，即為[ZCRth]值。

2 ?實驗分析

2.1 ?實驗環境設置

為驗證本文基于聲源定位的聲音信息傳輸異常點智能識別算法的有效性，展開仿真測試。實驗設置情況為：選取120 m×120 m的區域，并布置聲音信息監測網絡，設置K個聲源。表1為實驗參數設置。

表1 ?實驗參數設置情況

2.2 ?端點檢測結果分析

在實驗環境設置數段鳴笛聲，截取其中兩端時間結果進行分析，圖1為兩段鳴笛聲的數字信號，本文算法檢測聲音信息端點的結果如圖2、圖3所示。

圖1 ?聲音數字信號

分析圖2與圖3中的聲音信息檢測結果可知，每段鳴笛聲音信息兩端具有明顯的虛線進行分割標記，劃分出目標聲音段，說明本文算法能夠獲取有效的聲音信息端點，獲取精準的聲音信息異常點。

2.3 ?丟包率與誤差的關系分析

理想化情況下得到下述結論，聲音信息實際傳輸過程中容易受到節點故障、信道擁擠等因素干擾，出現丟包情況。為此，實驗研究本文算法識別誤差與丟包率間的關系，結果如圖4所示。

圖2 ?聲音信息短時幅度

圖3 ?聲音信息短時過門限率

圖4 ?本文算法的丟包率與識別誤差的關系

分析圖4能夠看出：聲音信息噪聲標準差為0.8時，隨著丟包率的增加，本文算法識別聲音信息傳輸異常點的均方根誤差表現平穩，保持在0.025～0.04之間;聲音信息噪聲標準差為1.6時，本文算法識別聲音信息傳輸異常點的均方根誤差表現仍然平穩，但是誤差值有所增加，在2.3～2.45之間;聲音信息噪聲標準差增加至2.4時，本文算法識別均方根誤差增加至3.45～3.7。說明本文算法對丟包率存在一定的抵抗能力，在識別聲音信息傳輸異常點過程中基本不受丟包率的影響。

3 ?結 ?語

本文基于聲源定位算法智能識別聲音信息傳輸異常點，首先采用基于可能性C均值的聲源定位算法獲取異常聲音信息的位置，其次檢測異常聲音信息端點，識別出聲音信息傳輸的異常點。經驗證，本文算法識別精度較高，其優勢在于獲取異常聲音位置后進行異常聲音端點識別，此做法一方面減少對無用聲音信息的運算，另一方面提升聲音信息異常點識別精度，本文算法的提出為聲音信息異常點識別提供了嶄新手段。

參考文獻

[1] 劉韻婷，井元偉，張嗣瀛.基于量化信息的無線傳感器網絡多聲源定位研究[J].電子科技大學學報，2017，46（4）：530?533.

LIU Yunting， JING Yuanwei， ZHANG Siying. Multi?acoustic source localization based on quantized data for wireless sensor networks [J]. Journal of University of Electronic Science and Technology of China， 2017， 46（4）： 530?533.

[2] 戴春妮.基于聚類特征自適應機制的無線傳感網異常節點檢測算法[J].微電子學與計算機，2017，34（4）：76?82.

DAI Chunni. Anomaly node searching algorithm of wireless sensor networks based on adaptive mechanism of clustering feature [J]. Microelectronics & computer， 2017， 34（4）： 76?82.

[3] 方文浩，邢占元，文祥計，等.基于智能手機TDOA估計的被動聲源定位方法與系統實現[J].儀器儀表學報，2016，37（4）：952?960.

FANG Wenhao， XING Zhanyuan， WEN Xiangji， et al. Passive acoustic source target positioning method based on smart phone platform TDOA estimation and system implementation [J]. Chinese journal of scientific instrument， 2016， 37（4）： 952?960.

[4] 于國棟，宋永志，王春陽，等.兩種不同的聲源定位算法研究[J].聲學技術，2016，35（5）：467?471.

YU Guodong， SONG Yongzhi， WANG Chunyang， et al. Research on two different sound source localization algorithms [J]. Technical acoustics， 2016， 35（5）： 467?471.

[5] JIN Y， XIA K. Intelligent location and recognition mechanism of abnormal point of medical image based on reliable transmission in medial CT scanner local big data networks [J]. Journal of medical imaging & health informatics， 2018， 8（3）： 609?617.

[6] 李倩倩，陽凡林，張凱.不確定海洋環境中基于貝葉斯理論的多聲源定位算法[J].海洋學報，2018，40（1）：39?46.

LI Qianqian， YANG Fanlin， ZHANG Kai. Multiple source localization using Bayesian theory in an uncertain environment [J]. Acta oceanologica sinica， 2018， 40（1）： 39?46.

[7] ZHANG H， XU G L， YIN W， et al. Numerical investigation on the transmission loss of skin panels based on the intelligent PSO?CGA algorithm [J]. IEEE access， 2018， 6（99）： 26121?26130.

[8] 閆青麗，陳建峰.分布式聲源定位系統節點最優布局方法及性能研究[J].電子學報，2018，46（5）：1186?1193.

YAN Qingli， CHEN Jianfeng. Node placement optimization for distributed acoustic source localization system and performance study [J]. Acta electronica sinica， 2018， 46（5）： 1186?1193.

[9] 高曙德，狄國榮，蘇永剛，等.ELF電磁儀遠程控制和數據傳輸及編譯的實現[J].地震工程學報，2016，38（3）：471?477.

GAO Shude， DI Guorong， SU Yonggang， et al. The implementation of remote control and data transmission and compiling of the extremely low frequency electromagnetic instrument [J]. China earthquake engineering journal， 2016， 38（3）： 471?477.

[10] 李宇翀，魏東，羅興國，等.基于多元增量分析的全網絡在線異常檢測方法[J].上海交通大學學報，2016，50（9）：1368?1375.

LI Yuchong， WEI Dong， LUO Xingguo， et al. Online network?wide anomaly detection algorithm based on multivariate incremental component analysis [J]. Journal of Shanghai Jiaotong University， 2016， 50（9）： 1368?1375.

[11] 楊娜.大數據分析下信息異常傳輸路徑實時校正仿真[J].計算機仿真，2018，35（5）：195?198.

YANG Na. Real?time correction simulation of abnormal transmission path under big data analysis [J]. Computer simulation， 2018， 35（5）： 195?198.

[12] 戴春妮.基于聚類特征自適應機制的無線傳感網異常節點檢測算法[J].微電子學與計算機，2017，34（4）：76?82.

DAI Chunni. Anomaly node searching algorithm of wireless sensor networks based on adaptive mechanism of clustering feature [J]. Microelectronics & computer， 2017， 34（4）： 76?82.

[13] 薛鑫.大型數據庫中異常信息檢測仿真研究[J].計算機仿真，2017，34（8）：399?402.

XUE Xin. Simulation research on anomaly detection in large databases [J]. Computer simulation， 2017， 34（8）： 399?402.