一种新的四元阵列融合声源识别方法

发布时间：2021-01-18 08:46

　　针对声源识别中观测模型线性化误差,信号特征参数提取依赖于经验分析阈值判断而造成信息丢失的问题,从信号观测模型、预处理、特征提取与分类识别、半实物仿真试验等方面,提出了一种新的四元阵列融合声源识别方法。首先在系统坐标系下建立了四元阵列有色噪声环境下的观测模型;其次基于经验模态分解（empirical mode decomposition, EMD）理论,给出了四元阵列EMD融合算法,有效抑制了高频信号的干扰;再次基于梅尔频率倒谱系数-动态时间规整（Mel-frequency cepstrum coefficient-dynamic time warping, MFCC-DTW）方法,设计了阵列信号特征提取与分类识别算法;最后通过半实物仿真试验,并与相关研究基础对比,分别验证了提出的EMD融合算法及阵列信号特征提取与分类识别算法的有效性。 

【文章来源】：科学技术与工程. 2020,20(28)北大核心

【文章页数】：6 页

【部分图文】：

声传感器阵列布置结构图

声传感器阵列对声目标信号检测图

上述阵列声信号EMD融合算法考虑了环境有色噪声对系统的干扰,针对阵列观测非线性、非高斯观测模型,利用目标信号的频谱特征提取基本模式分量(intrinsic mode function, IMF),理论上不仅抑制了高频噪声的干扰程度,而且能够有效地保持原始声源目标信息特征,使得信号不失真。2 阵列信号特征提取与分类识别

【参考文献】：
期刊论文
[1]基于改进小波包去噪与梅尔倒谱系数的低信噪比交通环境声音识别[J]. 王若平,李仁仁,陈达亮,王东,房宇.  科学技术与工程. 2019(36)
[2]基于短时能量和梅尔倒谱系数的车型音频识别[J]. 赵宏旭,杨文帅.  科学技术与工程. 2018(18)
[3]基于短时处理和经验模态分解的地面战场目标被动声识别[J]. 孙国强,樊新海,张传清.  测试技术学报. 2017(05)
[4]基于改进EEMD及能量特征的战场目标识别方法[J]. 邸忆,顾晓辉,车龙,刘亚雷.  电子测量与仪器学报. 2017(06)
[5]低空目标被动声识别关键技术研究[J]. 雷鸣,乔柯.  计算机与数字工程. 2017(04)
[6]三维旋转声阵列定向静态试验研究[J]. 刘亚雷,于艳美,孟春宁.  科学技术与工程. 2016(31)
[7]基于EMD的阵列观测声信号预处理算法研究[J]. 刘亚雷,于艳美,孟春宁.  现代电子技术. 2016(10)
[8]基于粒子群神经网络的声目标识别系统设计研究[J]. 刘亚雷,于艳美,孟春宁.  电气自动化. 2016(02)
[9]多传声器小波多尺度信息融合滤波算法[J]. 吕艳新,顾晓辉.  仪器仪表学报. 2012(04)
[10]基于长短时特征融合的语音情感识别方法[J]. 韩文静,李海峰,韩纪庆.  清华大学学报(自然科学版). 2008(S1)



本文编号：2984647