基于小波包和HMM的战场声信号识别

发布时间：2019-10-18 15:07

【摘要】：针对战场声信号复杂多变的特点,提出了一种基于小波包特征参数(WPFC)和隐马尔科夫模型(HMM)相结合的战场声目标识别方法。该方法利用小波包对信号高、低频段能进行精细划分,从而得到更能反映战场声信号特征的小波包特征参数;并利用HMM具有很强的表征时变信号能力的优点,将HMM作为训练识别模型。仿真结果表明了此方法的准确性和可行性。
【图文】：

弹箭与制导学报第34卷时还能很好的描述战场声信号的瞬态特性。Coifman等人提出的小波包理论可以很好的满足这一需求［5］。图1MFCC参数提取过程在小波包参数的提取过程中，，可以借鉴语音信号特征参数MFCC的提取方法［6］。MFCC特征参数提取需要将信号经FFT后通过一组三角带通滤波器进行滤波，这两个过程完全可以用小波包代替，就得到新的特征参数WPFC。图2为WPFC提取过程。图2WPFC参数提取过程完整的WPFC参数计算过程如下。1．1对战场声信号预处理预处理过程包括预滤波、采样、A/D转换、预加重、分症加窗等几个步骤。预滤波的目的是抑制信号中超出采样频率fs/2的部分。预加重一般是在信号数字化之后，在参数分析之前用6dB/倍频程提升高频特性的预加重数字滤波器来实现，它是一阶的数字滤波器:H(z)=1－μz－1(2)其中μ=0．9375。分症加窗:此处的分帧是为了提高提取特征参数的精确度，而不是为了满足提取MFCC参数时的短时平稳假设。分帧一般采用交叠分段的方法，是为了使帧与帧之间平滑过渡，保持信号的连续性，帧移与帧长的比值一般取0～1/2，分帧可用移动的有限长度窗口进行加权的方法，文中采用汉明窗来实现:w(n)=0．54－0．46cos［2πn/(N－1)］，0≤n≤N－10，n={else(3)1．2小波包分解给定正交尺度函数φ(x)=μ0(x)和小波基函数ψ(x)=μ1(x)，其二尺度方程为［5］:μ2l=i

本文编号：2551146