一種新的四元陣列融合聲源識別方法

劉亞雷， 顧曉輝， 甘 寧

(1.中國人民武裝警察部隊海警學(xué)院艦艇指揮系， 寧波 315801； 2.南京理工大學(xué)智能彈藥技術(shù)國防重點學(xué)科重點實驗室， 南京 210094)

目前，海警部隊在探測海上目標方面主要依靠搭載的雷達、光電等設(shè)備，探測附近海域內(nèi)船舶、島嶼等目標的方位信息。近年來中國海洋局勢緊張，海警部隊執(zhí)行遂行多樣化的任務(wù)也變得日益繁重，如在海上預(yù)警、搜救、維權(quán)執(zhí)法等任務(wù)中，現(xiàn)有的雷達等無線電探測設(shè)備對近范圍內(nèi)、小體積移動目標存在探測盲區(qū)，而光電設(shè)備不僅存在探測距離的限制，而且還受到海上環(huán)境的影響，在低可見度、低信噪比下難以完成維權(quán)執(zhí)法過程中相應(yīng)的取證任務(wù)。聲識別在不透光的環(huán)境里具有不可替代的優(yōu)勢。目前國外聲識別技術(shù)已發(fā)展到第三代，如美國的“被動聲識別定位系統(tǒng)”(PALS) 和瑞典的“索拉斯6”(Soras6) 全自動被動聲識別系統(tǒng)均能在2～45 s內(nèi)判定目標，可同時處理200個目標，20 km內(nèi)最大探測誤差為2%[1]。聲識別具有不受地形、地物的影響，不受光線限制，具有可全天候工作、成本低、功耗低的特征。從理論上分析，其屬于被動聲識別的一類，也稱為被動式聲雷達[2]，被動聲目標識別通常經(jīng)過聲信號采集、預(yù)處理、特征提取、分類識別等步驟。國內(nèi)外學(xué)者關(guān)于信號的預(yù)處理技術(shù)及特征提取主要集中在時域[3]、頻域[4]、時頻域[5]三個方面，其中以小波變換為基礎(chǔ)的多種時頻域信號預(yù)處理技術(shù)得到廣泛應(yīng)用[6-7]，此外，結(jié)合典型環(huán)境特征，針對非線性、非平穩(wěn)信號，文獻[8-9]提出了一種基于經(jīng)驗?zāi)B(tài)分解理論的聲信號預(yù)處理方法。在信號的特征提取上主要有快速傅里葉變換分析、線性預(yù)測編碼[10]、能量譜分析[11]、多頻段譜分析[12]、基頻分析法[13]，對于分類識別方法的研究主要集中在神經(jīng)網(wǎng)絡(luò)[14]、特征參數(shù)匹配[15]、隱馬爾可夫模型[16]，上述方法在對于信號的預(yù)處理上存在模型線性化誤差，將實際的環(huán)境噪聲假設(shè)為高斯白噪聲，對于特征信號的提取依賴于經(jīng)驗分析閾值判斷而造成信息丟失，針對上述問題，科研人員分析了空氣場目標聲信號與語音信號的特征，得到了上述兩類信號具有相似性的特性，因此，借鑒語音信號特征參數(shù)的提取方法來分析空氣場聲目標信息，并到達識別、定位甚至跟蹤的目的成為近年來領(lǐng)域內(nèi)的研究熱點。

現(xiàn)結(jié)合海上多干擾、多噪聲環(huán)境，為了提升海警部隊維權(quán)執(zhí)法的快速反應(yīng)能力，完善海上取證的閉環(huán)過程，豐富執(zhí)行海上預(yù)警、搜救等任務(wù)的手段，提出了一種基于梅爾頻率倒譜系數(shù)-動態(tài)時間規(guī)整(Mel-frequency cepstrum coefficient-dynamic time warping, MFCC-DTW)的四元陣列聲源識別方法，方法中四元聲傳感器成圓形均勻布置，陣列半徑為0.5 m，各個傳感器采用分布式方式獨立采集聲源信號，在系統(tǒng)坐標系下建立四元陣列有色噪聲環(huán)境下的聲源觀測模型，給出四元陣列經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition, EMD)融合分布式算法，有效抑制多通道下高頻信號的干擾，基于MFCC-DTW方法，設(shè)計陣列信號特征提取與分類識別，并利用半實物仿真試驗驗證本文提出的EMD融合算法及陣列信號特征提取與分類識別算法的有效性。

1 陣列聲信號EMD預(yù)處理

1.1 陣列觀測模型

圖1 聲傳感器陣列布置結(jié)構(gòu)圖Fig.1 The layout of acoustic array’s sensor array

如圖2所示，基于系統(tǒng)坐標系下，在k時刻陣列檢測聲源目標模型為

Z(k)=hk-1(Xk)+ξ(k)

(1)

式(1)中：

Z(k+1)=hk(Xk+1)+D(k+1)ξ(k)+

V(k+1)

(2)

圖2 聲傳感器陣列對聲目標信號檢測圖Fig.2 The acoustic sensor array detects the acoustic signal

1.2 四元陣列EMD融合算法

如圖3所示為四元陣列聲信號EMD融合算法流程圖，其步驟如下：

(1)由式(2)得到陣列觀測信號Z(k)：基于EMD對Z(k)分解，獲得n個IMF分量，記為：IMF1,IMF2,…,IMFn。

(2)對IMF1,IMF2,…,IMFn分別逐次快速傅里葉變換(FFT)變換，獲取IMF的頻譜特征，如各個分量的主頻、頻帶范圍，頻譜功率等參數(shù)。

(3)基于目標聲譜特性，提取IMF分量閾值δimf。

上述陣列聲信號EMD融合算法考慮了環(huán)境有色噪聲對系統(tǒng)的干擾，針對陣列觀測非線性、非高斯觀測模型，利用目標信號的頻譜特征提取基本模式分量(intrinsic mode function, IMF)，理論上不僅抑制了高頻噪聲的干擾程度，而且能夠有效地保持原始聲源目標信息特征，使得信號不失真。

圖3 聲陣列EMD融合算法Fig.3 The EMD fusion algorithm of acoustic array

2 陣列信號特征提取與分類識別

2.1 MFCC陣列信號特征提取

MFCC屬于聲紋識別技術(shù)，文獻[1]證明了MFCC對于低空聲目標識別的有效性，本文結(jié)合海上實際環(huán)境及陣列聲信號特征，提出以下三點假設(shè)：①目標聲信號可用短時過零率、幅度特征、聲道共振峰來描述；②目標聲信號為空間點聲源，球形傳播，屬于媒質(zhì)振動傳播模式；③目標聲信號是有限帶寬的頻率聲信號。如圖4所示為本文基于上述假設(shè)的MFCC陣列信號特征提取算法。

圖4 MFCC陣列信號特征提取流程圖Fig.4 The array signal feature extraction flowchart for MFCC

(1)時域采樣(預(yù)加重)：此步驟主要是為了提升信號的高頻分辨率，其濾波器結(jié)構(gòu)函數(shù)(傳遞函數(shù))可設(shè)為H(z)=1-αz-1(α∈[0.9,1])，其中α為加重系數(shù)，本文后續(xù)半實物仿真取值α=1。

(3)FFT離散功率譜計算：具體計算公式為

(3)

(4)

(4)歸一化比例融合：首先對多元傳感器Eij(Δk)進行歸一化比例融合，具體計算如下：

(5)

(5)Mel濾波器：計算Eij(Δk)通過Mel濾波器的能量Si(j,Δk)：

(6)

式(6)中：HΔk(j)為梅爾濾波器在Δk時刻內(nèi)第j幀的傳遞函數(shù)。

(6)計算離散余弦變換(discrete cosine transform，DCT)倒譜：對Si(j,Δk)取對數(shù)，計算離散余弦變換得到一組系數(shù)，并去掉直流成分即可得到每幀MFCC參數(shù)。

(7)

式(7)中：n為陣列信號每幀需要的MFCC特征參數(shù)個數(shù)，后續(xù)半實物仿真取n=15。

2.2 陣列信號DTW分類識別

目標聲源信號具有的隨機性，每個聲源目標都具有不同的聲信號特征。此外，聲信號也受到環(huán)境因素的干擾，引起聲信號特征參數(shù)的變化，從而降低目標的識別率，因此，在目標信號分類識別過程中，首先要對陣列觀測信號進行時間規(guī)整，采用對輸入的陣列信號進行伸長或縮短直到與標準模式的長度一致手法，這個過程就稱為動態(tài)時間規(guī)整(DTW)。如圖5所示，為本文陣列信號DTW分類識別流程圖。

圖5 陣列信號DTW分類識別流程圖Fig.5 The array signal classification and recognition flowchart for DTW

計算訓(xùn)練樣本與測試樣本間的距離，即模板匹配，此過程為DTW 算法。本文中，測試樣本信號參數(shù)共有N幀矢量，取訓(xùn)練樣本信號M幀矢量，M

(8)

3 半實物仿真試驗

3.1 試驗基本條件

本文設(shè)計了四元陣列融合聲源識別半實物仿真試驗，如圖6為四元聲陣列試驗平臺，圖7為試驗布置示意圖，聲傳感器型號為HY205，靈敏度為50 mV/Pa，采樣頻率為62.5 kHz，聲陣列半徑為0.5 m。試驗中采集了3個不同型號的飛行器，飛行高度為200～300 m。每個樣本點2 048個，樣本時間為32.768 ms，在空中懸停、空中勻速運動、空中勻加速飛行等三種運動狀態(tài)下分別采集樣本數(shù)為30、40、50個作為樣本總量。采用本文提出的四元陣列信號EMD融合及陣列信號特征提取與分類識別算法，開展半實物仿真試驗。

圖6 可變結(jié)構(gòu)的聲陣列Fig.6 The acoustic array of variable structured

3.2 半實物陣列信號EMD融合處理

本文采集了飛行器在上述三種運動狀態(tài)下的陣列信號， 不失一般性，本節(jié)選取飛行器在勻速飛行狀態(tài)下的陣列信號進行融合處理。如圖8、圖9所示為信噪比SNR=10 dB下某類型飛行器勻速狀態(tài)下四路觀測信號及EMD融合處理結(jié)果。對比融合處理前后陣列信號波形圖可知，融合處理后信號有效抑制了高頻信號的干擾，剔除了信號中的“毛刺”現(xiàn)象，同時也保持了原始信號的波形圖，時域信號具有不失真性。

圖7 聲陣列試驗平臺Fig.7 The test platform of acoustic array

y1～y4為1#～4#傳感器信號圖8 飛行器勻速狀態(tài)下四路觀測信號Fig.8 The four observation signals of the aircraft at a constant speed

y1～y4為1#～4#傳感器信號圖9 飛行器勻速狀態(tài)下EMD融合處理結(jié)果Fig.9 The EMD fusion processing results of the aircraft at a constant speed

表1所示為SNR=10 dB 原始陣列信號與IMF重構(gòu)信號的數(shù)理統(tǒng)計表。本文從均值、標準差以及相對剩余能量值三個指標在時域上統(tǒng)計了陣列信號與重構(gòu)信號的特征。可知，均值參數(shù)的相對誤差在1%以內(nèi)，信號的標準差參數(shù)至少提高了11.74%，融合處理后信號的相對剩余能量值在93.26%以上，從數(shù)理統(tǒng)計特征上證明了融合處理信號保持了原始信號的時域特征，為后續(xù)特征參數(shù)提取及識別分類奠定了有效基礎(chǔ)。

3.3 半實物陣列信號特征提取與分類識別

本文在前文的研究基礎(chǔ)上，采用相同的聲目標識別硬件系統(tǒng)，硬件組成具體詳見文獻[17]，在半實物仿真中，分別采用本文的特征提取及分類識別方法與文獻[17]的方法進行對比，統(tǒng)計了兩種算法的一次識別周期、識別率、樣本數(shù)、訓(xùn)練數(shù)等信息，如表2所示。

表1 飛行器勻速狀態(tài)下IMF重構(gòu)信號的數(shù)理統(tǒng)計Table 1 The IMF mathematical statistics for reconstructed signals of the aircraft at a constant speed

由表2可知，同一類型飛行器在空中懸停、空中勻速運動、空中勻加速飛行等三種運動狀態(tài)下識別率不同，其中空中懸停狀態(tài)下飛行器的識別率最低，勻加速飛行狀態(tài)下飛行器的識別率最高，這主要是由于在聲源被動識別中，聲能是主要參數(shù)特征，且在勻加速飛行狀態(tài)下，目標聲信號的特征更加豐富、明顯。在相同樣本及目標初始觀測信號下，不同運動狀態(tài)的飛行器本文算法相對于文獻[17]算法，識別率提高了4%～17.5%，說明了本文算法在識別率上的優(yōu)越性。然而由于本文算法采用了EMD融合處理及MFCC-DTC特征提取及分類識別技術(shù)，在計算的復(fù)雜度上明顯增加，一次識別周期提升，計算量增加，隨著單片機集成技術(shù)的發(fā)展，此類問題能夠得到有效的解決。

4 結(jié)論

(1)在陣列觀測聲源信號預(yù)處理中，本文給出了一種基于EMD的四元陣列融合算法，通過對三種運動狀態(tài)下的飛行器陣列信號分析可知，融合處理后的信號在均值數(shù)理統(tǒng)計參數(shù)的相對誤差在1%以內(nèi)，信號的標準差參數(shù)至少提高了11.74%，相對剩余能量值在93.26%以上，證明了融合處理后信號保持了原始信號的時域特征，有效抑制了高頻信號的干擾，剔除了信號中的“毛刺”現(xiàn)象。

(2)本文基于MFCC-DTW方法，設(shè)計了陣列信號特征提取與分類識別算法，通過半實物仿真試驗，對三種運動狀態(tài)下的飛行器進行了分類識別，對于不同運動狀態(tài)下的聲目標識別率不同，目標聲能是主要參數(shù)特征，此外，在與前文的對比試驗中，本文提出的識別算法識別率提高了4%～17.5%，證明了本文算法在識別率上的優(yōu)越性，同時本文算法一次識別周期提升，計算量增加。

表2 三類飛行器在不同運動狀態(tài)下的識別對比Table 2 The identification comparison of three types for aircraft under different motion states