馬志剛

（山西農(nóng)業(yè)大學(xué) 現(xiàn)代教育技術(shù)學(xué)院，山西 太谷030801）

基于小波分析的車輛噪聲特征提取方法研究

馬志剛

（山西農(nóng)業(yè)大學(xué) 現(xiàn)代教育技術(shù)學(xué)院，山西 太谷030801）

特征提取是聲目標(biāo)識(shí)別的關(guān)鍵。由于車輛噪聲信號(hào)的非平穩(wěn)特性，傳統(tǒng)特征提取方法有很大局限性。介紹小波分析方法在車輛噪聲信號(hào)特征提取中的應(yīng)用，仿真結(jié)果證明該方法的有效性。

車輛噪聲；特征提?。恍〔ǚ治?；Mallat

在典型的聲目標(biāo)識(shí)別系統(tǒng)中，特征提取和選擇處于信號(hào)預(yù)處理和分類識(shí)別兩環(huán)節(jié)之間,其品質(zhì)的優(yōu)劣極大影響后續(xù)分類器的設(shè)計(jì)和性能,它也是模式識(shí)別三大核心問(wèn)題之一[1]。

1 聲信號(hào)特征提取

傳感器采集得到的數(shù)據(jù)量通常很大。直接使用這些數(shù)據(jù)難以分類識(shí)別目標(biāo)。因此需對(duì)原始數(shù)據(jù)進(jìn)行變換，得到最能反映分類本質(zhì)的特征。這個(gè)獲得分類本質(zhì)特征的過(guò)程就是特征提取和選擇[2]。車輛噪聲是一種多聲源噪聲，發(fā)動(dòng)機(jī)、變速器、傳動(dòng)軸、車身或輪胎等都會(huì)產(chǎn)生噪聲。因此，車輛噪聲信號(hào)是一種隨機(jī)信號(hào)。在隨機(jī)的動(dòng)力學(xué)參量數(shù)據(jù)處理中，完整描述需從幅域、時(shí)域和頻域進(jìn)行全面分析并提取特征。常見(jiàn)的聲目標(biāo)特征提取方法有：時(shí)域特征分析方法、頻域特征分析方法、參數(shù)化模型分析方法、時(shí)－頻特征分析方法、現(xiàn)代信號(hào)處理方法、非線性特征分析方法等[3-6]。而小波分析方法是一種典型的時(shí)－頻特征分析方法，廣泛應(yīng)用于信號(hào)分析領(lǐng)域。

2 基于小波分析的車輛噪聲特征提取

2.1 小波分析理論

小波分析的實(shí)質(zhì)是對(duì)原始信號(hào)濾波的過(guò)程。將信號(hào)投影到一組相互正交的小波函數(shù)構(gòu)成的子空間，形成信號(hào)在不同尺度上的展開(kāi)。從頻譜分析的角度看，小波變換是將信號(hào)分解為低頻和高頻兩部分，在下一層的分解中，又將低頻部分再分解為更低頻和更高頻兩部分，依此類推，進(jìn)而完成更深層次的小波分解[6]。小波變換是先對(duì)某一類稱為基本小波（基波）或母小波（Mother Wavelet）的函數(shù)ψ（t）作位移變化b，然后在不同尺度a下與待分析信號(hào)f（t）做內(nèi)積運(yùn)算。

式中，a為伸縮因子或尺度因子，工程中a＜0無(wú)實(shí)際意義；b為平移因子。

式（1）稱為小波函數(shù)族或依賴于a，b的連續(xù)小波。

假定f（t）∈L2（R）是一個(gè)能量有限信號(hào)，其小波變換定義為f（t）與小波函數(shù)族ψab（t）的內(nèi)積，即

2.2 小波特征提取算法

小波分解各尺度空間內(nèi)平滑信號(hào)和細(xì)節(jié)信號(hào)能提供原始信號(hào)的時(shí)頻局域信息，特別是能提供不同頻段上信號(hào)的構(gòu)成信息。若把不同分解尺度上信號(hào)的能量求出來(lái)，則可以將這些能量值按尺度順序排列形成特征向量以供識(shí)別。這就是基于小波變換提取多尺度空間能量特征的基本原理[7]。

信號(hào)x（t）在L2（R）空間上的范數(shù)||x||2的平方定義為

因此，信號(hào)在時(shí)域的能量等于其在L2（R）空間上范數(shù)||x||2的平方。對(duì)于一個(gè)可容許的小波函數(shù)ψ（t），有

從而建立小波系數(shù)與能量在時(shí)域上的等價(jià)關(guān)系。

設(shè)小波系數(shù)Wj,k對(duì)應(yīng)的能量為Ej,k，則有

式中，j為尺度（伸縮）因子，k為位移（平移）因子。

2.3 小波特征提取步驟

由于離散序列x（n）小波分解后的小波系數(shù)矩陣維數(shù)很高，而利用小波能量所構(gòu)造的特征向量的維數(shù)較低，從而原始的高維空間轉(zhuǎn)變成低維的特征空間，有效識(shí)別分類聲信號(hào)。由上述分析可知，每個(gè)特征都代表一組小波系數(shù)，反映離散信號(hào)的時(shí)域與頻域信息，而且不同尺度下的小波系數(shù)還描述一定頻域范圍的信號(hào)特征，從上述能量計(jì)算過(guò)程,即特征的提取過(guò)程來(lái)看，這種結(jié)構(gòu)的特征向量具有魯棒性，即具有較高的穩(wěn)定性[6]。

3 車輛噪聲特征提取的仿真分析

仿真實(shí)驗(yàn)中，小波分解采用Mallat二進(jìn)小波快速算法，分別對(duì)M109型坦克和Leopard 2型軍用車輛兩種典型車輛噪聲信號(hào)進(jìn)行小波分解，并計(jì)算所有尺度空間的小波系數(shù)歸一化能量。這兩種實(shí)驗(yàn)數(shù)據(jù)經(jīng)1：10降采樣后采樣率為2 kHz，現(xiàn)截取1 024個(gè)數(shù)據(jù)點(diǎn)進(jìn)行分析。采用db6小波，小波分解最大級(jí)數(shù)為8。表1和表2分別是這兩種信號(hào)對(duì)應(yīng)頻段的小波（歸一化）能量特征，圖1是這兩種信號(hào)提取的小波 （歸一化）能量特征分布條形圖。上述分析均在Visual C++6.0下實(shí)現(xiàn)。

由表1～表2和圖1看出，這兩種車輛的噪聲信號(hào)在能量分布上有很大差異，前者能量主要分布在30～130 Hz，而后者能量則主要分布在60～500 Hz，這樣就可以區(qū)分其種噪聲信號(hào)。因此，使用小波能量方法對(duì)車輛噪聲信號(hào)進(jìn)行特征提取是非常有效的。

圖1 噪聲信號(hào)能量分布圖

?

?

4 結(jié)論

小波分析具有時(shí)頻局部化特性，因此非常適用于非平穩(wěn)信號(hào)的分析處理。根據(jù)小波分解系數(shù)與信號(hào)各頻帶能量之間的對(duì)應(yīng)關(guān)系，采用小波分析方法提取聲目標(biāo)信號(hào)特征，可從中提取出各尺度的能量特征作為信號(hào)特征，并以此分類[8-9]。由于不同類型聲信號(hào)的頻率成分不同而使能量分布有很大差異，因此利用能量作為分類識(shí)別的特征是可行的。

[1]孫即祥.模式識(shí)別中的特征提取與計(jì)算機(jī)視覺(jué)不變量[M].北京：國(guó)防工業(yè)出版社，2001.

[2]劉貫領(lǐng).聲目標(biāo)識(shí)別方法研究[D].南京：南京理工大學(xué)，2003.

[3]陳 丹.戰(zhàn)場(chǎng)被動(dòng)聲多目標(biāo)識(shí)別方法研究[D].西安：西北工業(yè)大學(xué)，2005.

[4]Heberley Jeffrey.Advanced acoustic sensor technologies[R].AD Report,2001.

[5]李在庭，高德勇.直升機(jī)聲信號(hào)特征提取和識(shí)別技術(shù)[J].兵工學(xué)報(bào)，1996,17 （1）：55-59.

[6]周冬生.肺音信號(hào)的特征提取與模式識(shí)別[D].濟(jì)南：山東大學(xué)，2005.

[7]張靜遠(yuǎn)，張 冰，蔣興舟.基于小波變換的特征提取方法分析[J].信號(hào)處理,2000,16（2）:156-162.

[8]楊亦春，張文慧，程 翔，等.聲引信目標(biāo)信號(hào)過(guò)零率分布研究[J].南京理工大學(xué)學(xué)報(bào)，2000，24（3）：249-252.

[9]陳春玉.目標(biāo)識(shí)別技術(shù)的現(xiàn)狀與發(fā)展[J].聲學(xué)技術(shù)，1999，18（4）：185-188.

Research of feature extraction of vehicle noise based on wavelet analysis

MA Zhi-gang
（College of Modern Educational Technology,Shanxi Agricultural University,Taigu030801,China）

Feature extraction is the key of acoustic target recognition.Because the acoustic signal is non-stationary,the traditional feature extraction methods have large limitations.A wavelet analysis method used for feature extraction is introduced in this paper.Simulation result proves that this method is effective.

vehicle noise;feature extraction;wavelet analysis；Mallat

TP391

A

1674－6236（2010）01-0001-02

2009-07-13 稿件編號(hào)：200907042

國(guó)家自然科學(xué)基金項(xiàng)目（50675213）；山西農(nóng)業(yè)大學(xué)科技創(chuàng)新基金（2009007）

馬志剛（1982—），男，山西文水人，碩士研究生，助教。研究方向：電子信息科學(xué)與技術(shù)、目標(biāo)識(shí)別。