《基于声信号人耳听觉谱特征和SVME的水下目标识别C》由会员分享，可在线阅读，更多相关《基于声信号人耳听觉谱特征和SVME的水下目标识别C（6页珍藏版）》请在金锄头文库上搜索。
1、基于声信号人耳听觉谱特征和SVME的水下目标识别杨宏晖彭圆2曾向阳1摘要 利用人耳听觉谱特征模拟人耳听觉系统的特性，提取了水卜r标信号的人耳听觉谱特征，设计了基丁支持向量机自适 应增强集成算法用于水下目标的分类识别算法。仿真实验证明，人耳听觉谱特征可有效用于水下目标识别，支持向量机自适 应增强集成算法比单个优化的支持向量机分类器的正确识别率高5. 96%9. 60%。关键词 人耳听觉谱特征水下口标识别支持向量机集成1引言长期以来，为了提高水下目标识别的正确率，国 内外研究人员从不同的角度对水下目标辐射噪声原 始信号进行了分析和研究，提取了各种水下目标特 征。提取的水下目标特征主要有以下几类：时
2、域波形 特征、频域分析特征T、时频分析特征、非线性 特征内和听觉特征切。这些特征各有特点：时域波 形特征的主要特点是方法简单、实时性好。但水下目 标信号时域波形结构复杂，难以提取具有高分类信息 的波形结构特征o频域分析特征的特点是技术成 熟、方法简单，而且谱信息中包含明确的物理概念， 但适合处理线性、平稳信号I。时频分析方法提取 的特征可以更好地反映目标的时域和频域特征。但小 波分析算法较为复杂，存储量、运算量大，计算速度 慢，实时性差。而且小波分析适合处理非平稳信号， 处理非线性信号能力较弱。我国学者的研究表明： 舰船噪声有混沌现象，舰船噪声极限环有混沌行为， 舰船辐射噪声的非线性表明同类目
3、标具有相似性，不 同类目标具有可分性囚。但是在实际的随机噪声中， 不存在严格的分形信号，大多数水声信号只是在某种 尺度范围内具有分形特征。因此，分形与混沌方法仅 是识别特征的补充。众所周知，依靠人耳极其灵敏的听觉系统和长期 在实践中积累的经验来判断水下目标类型仍然是水 下目标识别的重要途径之一。目前模拟人耳听觉系统 进行水下目标识别的研究报道很少。国内外研究人员 提取了水下目标辐射噪声信号的听觉特征、语咅特征 及心理声学参数特征切。利用这些特征可以识别目 标的类型，甚至可以识别目标的材质。这类特征的主 要特点是适于处理非线性的水声信号，而且原理简 单，计算快速，具有较好的实时性。但这方面的研究
4、 工作还有待于进一步的深入。本文提出了根据人耳听觉模型提取水下目标信 号的人耳听觉谱特征的方法；并提出了支持向量机自 适应增强集成算法用于水下目标的分类识别。仿真实 验结果表明，本文提出的水下目标信号听觉谱特征提 取方法简单有效，运算速度快，人耳听觉谱特征可有 效用于水下目标识别，支持向量机自适应增强集成算 法比单个优化的支持向量机分类器的正确识别率高 5. 96%-9. 60%。2人耳听觉感知模型人耳可以听到频率在20比20 KHz范围内的 声咅。人耳听觉系统是一个咅频信号处理器，可以完 成对声信号的传输、转换以及综合处理的功能，最终 达到感知和识别目标的目的。人耳听觉系统有两个重 要的特性
5、说，一个是耳蜗对于声信号的分频特性；另 一个是人耳听觉掩蔽效应。2. 1耳蜗的分频特性当声咅经外耳传入中耳时，橙骨的运动引起耳蜗 内流体压强的变化，从而引起行波沿基底膜的传播。 不同频率的声音产生不同的行波，其峰值出现在基底 膜的不同位置上。频率较低时，基底膜振动的幅度峰 值出现在基底膜的顶部附近；相反，频率较高时，基 底膜振动的幅度峰值出现在基底膜的基部附近（靠近 橙骨）。如果信号是一个多频率信号，则产生的行波 将沿着基底膜在不同的位置产生最大幅度。在每一声 咅频率上，随着强度的增加，基底膜运动的幅度增大,并且带动更宽的部分振动。从这个意义上讲，耳蜗就 像一个频谱分析仪，基底膜可以看成是一组
6、频带重叠 的非线性带通滤波器，这组带通滤波器将整个频带划 分为若干个不等宽频带，称为临界频带。耳蜗的分频 能力，可以用一组带通滤波器来实现。2. 2人耳听觉掩蔽效应人耳听觉掩蔽效应是一个较为复杂的心理和生 理现象，人耳不仅在频域上有掩蔽效应，在时域上也 有掩蔽效应。人耳对声音的感觉主要是由于声音引起 基底膜不同部位的振动，所以一个较大声音引起一个 位置产生较大振动的同时，会使其前后位置产生相应 小的振动。如果另一个声音的频率对应于该位置且强 度较弱，则该声音听不到，这就是声音的频域掩蔽。 时域掩蔽效应是一个声音的人耳听觉感受被另一个 声音（同时或不同时进入人耳）影响的现象。掩蔽效 应是听觉系统
7、的一个重要特性，它表明了人的听觉系 统对频率和时间分辨力的有限性。为了描写这种掩蔽 的效果，Zwicker等引入了临界带宽的概念。一个纯 咅可以被以它为中心频率，且具有一定频率带宽的连 续噪声所掩蔽，如果在这一频带内噪声功率等于该纯 音的功率，这时该纯音处于刚能被听到的临界状态， 即称这一带宽为临界带宽。一个临界带宽可以用巴克 （Bark）来表示。在20 Hz-16/7-范围内的声音信号 可以分为24个Bark。临界频带与频率是非线性关系。3听觉谱特征提取根据生理声学和心理声学以及语音信号处理的 研究成果，我们提出一个基于人耳听觉感知模型的声 音信号听觉谱特征提取算法用于水下目标识别，听觉 谱
8、特征具体提取过程如图1所不。听觉谱Mi听觉谱转征提取朋理图这个人耳听觉感知模型也应用于语音信号处理 的感知线性预测算法回。文献7研究了感知线性预 测算法在水下目标识别中的应用o感知线性预测算法 将经过图1所示步骤得到的听觉谱信号再进行IDFT 变换得到信号短时自相关函数，接着用全极点模型来 逼近信号短时自相关函数（线性预测分析），特征向 量是全极点模型预测多项式的一组系数。本文提出的 基于听觉模型的听觉谱特征提取算法利用人耳听觉 感知模型直接计算声信号的听觉谱，用于描述水下目 标，具有原理更加简单，计算量小，计算速度更快的 特点，更易满足识别任务对时间的要求。具体实现过程如下：（1）对水下目标
9、信号进彳丁短时傅立叶变换，计算其 功率谱P（e）；（2）临界频带分析首先将He）进行频域到Bark域的转/2(e) = 6In (e /1200” + (/1200)2+1)(1)其中，e是以rad/s为单位的角频率；2是以 Bark为单位的Bark域频率。然后将Bark域的功率谱P（/2）与临界频带滤波 器组曲线严（相卷，临界频带滤波器组曲线如式（2） 所示。一0.5 0.50.5/22.5功率谱P（与临界频带滤波器组曲线!P（离 散卷积即可得到临界带听觉谱（Qt）:0=2.5（2）= x ps-忆）0（，/2=-1.32 丿k = 1,2,., 24（3）等响度级预处理心理声学研究成果表明
10、，在声强一定的情况下， 人耳对不同频率声音敏感程度不同，人耳对中高频较 为敏感，对3 KHz到5K&：声音最敏感，所以要对临 界频带分析所得到的谱进行等响度级变换。经过变换 后的响度级谱为：八2）= g）（%）（4）2和叭的关系可由式（1）得到，等响度级预处理 曲线如式（5）所示。56.8x10）/（/+6.3x10尸 竹）（co2 + 0.38 x 109 ）（6 + 9.58 x 1026）等响度级预处理以后的临界频带滤波器组频率 响应如图2所示。M2那响度级茨处理后的哝界顼帶注波!8姐频*哨应田* IM,1(4) 等响度转换经过以上处理后得到的谱为响度级谱。但响度级 并不是响度，响度级与
11、响度之间的关系是非线性的， 为了模仿这一关系，也为了压缩谱的幅度，进行如式 (6)所示的转换。输入：训练样本集:X = (x”yj|xe d,yj e-l, 1,/=1. 2,，”w0() = -,z=l,2,Kn (训练样本的初始加权系数) n输出：ffin (分类器集成)For t = 1,2,.,T 按照概率p(i)从X中抽取个样本构成新的训 练样本集X,每个样本被抽中概率p(i)的计算 公式是：川)=竺阳)根据X确定个体SVM分类器核函数参数 用*训练SVM得到分类器f,(X,),计算以兀)的加权分类错误率：勺=：=$(“，当经过这次处理后，可得到信号的24维听觉谱特 征。4自适应增强
12、SVME算法由于在水下目标识别问题中，样本获取难度大， 样本往往是有限的，因此一些基于传统统计学的学习 方法在对水下目标识别中的识别性能不尽人意。与传 统统计学相比，统计学习理论可以很好的解决有限样 本学习问题。支持向量机(Support Vector Machine, SVM)就是在这一理论基础上发展的一种新的通用学 习机，已经在人脸检测、手写数字识别、以及数据挖 掘等领域成功应用。然而，支持向量机在实际应用中仍然有以下不足 之处。首先，支持向量机的基本原理是解决两类识别 问题的，多类识别问题是通过支持向量机组合方法来 解决，然而分类性能没有提高。而且SVM在学习过程 中因为时间和空间运算的
13、高度复杂度，在运算过程中 采取了近似计算。因此，有时候SVM对实测数据的分 类结果与理论期望值有很大的差距。支持向量机集成(Support Vector Machine Ensemble, SVME)可以显著提高SVM分类器的分类性 能。针对小样本、M类水下目标识别问题，本文 设计了支持向量机分类器自适应增强集成算法，算法 如下。时，e(i) = w,(i)；当 f,(X(z)=y.时,e(i) = 0。如果 0.5或匂=1,结束循环；计算下一轮循环的样本加权权值：如果f,(Xf(0) = y,.则 M；+d(i)x,式中g = ,/(1,)；如果 f,(xf (0)工 X，则叫+1 (0 =
14、叫(i)；并进行归一化Wt+1(i) =EndReturn f19f2,.9ft,.9fT (个体分类器集)ffin = arg max工log (输出分类器集成) j=l,2,K ,M f：f(x)=j &算法在每次循环用不同的训练样本集训练一个 个体分类器。训练个体分类器的训练样本集是用随机 遍历抽样法，根据样本加权权值对原训练样本集进行 重抽样构成，样本的加权权值越大，被抽中的可能性 越大。由于在上一次循环中，赋予被错误分类的样本 较大的加权权值，赋予被正确分类的样本较小的加权 权值。因此，在每一次循环过程中，难分样本被抽取 的可能性大。这使得在循环递进过程中，个体分类器 的分类重点自适
15、应地放在分类效果差的样本上，个体 分类器分类性能逐渐增强。最后用加权多数投票法集 成个体分类器。SVM分类器自适应增强集成算法训练个体分类器 的训练样本集不同，个体分类器核函数参数不同，使 得个体分类器之间具有很大的差异性，个体分类器的 差异性增强了分类器集成算法的宽容能力。5实验及结果5.1实验数据集木文所用的水下目标信号的采样频率为 22050,每个样本的长度为4096点。水下目标分 为A、B、C、D共4类，样本总数为1920,每类480 个样本。由于受到实验数据采样频率(22050 Hz )的 限制，本文只在20 Hz 9500Hz频率范围内，即前 22个临界频带内提取了信号的听觉谱特征。5. 2实验及结果在分类实验中，将1920个水下目标样本划分为 9组训练样本集和测试样木集(测试集样木不包含训 练样本)。将SVM分类器集成算法和单个SVM分类器 分别对上述9组训练样本进行学习，然后统计两种算 法对测试样本集合的分类正确率，结果如表1所示。 为了避免样本选取的随机性对实验结果带来的误差， 9组实验分别进行20次，最终结果为20次实验结果 的平均值。表1分类实验结果样木训练样本 数目测试样本 数目平均正确分类率SVMESVM组1192
