陳 功, 王平波, 鮑玉軍, 許清泉, 楊 輝, 陳宗濤

?

希爾伯特-黃變換在微弱被動瞬態(tài)魚聲信號中的檢測

陳 功1, 2, 王平波3, 鮑玉軍1, 許清泉1, 楊 輝1, 陳宗濤1

(1. 常州工學(xué)院, 江蘇常州 213022; 2. 廈門大學(xué), 福建廈門 361005; 3. 海軍工程大學(xué), 湖北武漢 430033)

為了在海洋環(huán)境中準(zhǔn)確獲取魚類在攝食、產(chǎn)卵和爭斗過程中發(fā)出的短促、瞬時的信號, 采用希爾伯特-黃變換算法實現(xiàn)微弱被動瞬態(tài)魚聲信號的檢測。該算法首先將瞬態(tài)魚聲信號實現(xiàn)固有模態(tài)信號的分解, 其次將經(jīng)驗值高階階數(shù)的固有模態(tài)信號求和重構(gòu)即可實現(xiàn)信號能量幅度檢測; 在固有模態(tài)信號的分解的基礎(chǔ)上, 計算求和重構(gòu)信號的希爾伯特能量譜, 即可實現(xiàn)瞬時能量密度級的檢測。通過不同信噪比和檢測器的比較研究, 結(jié)果表明基于希爾伯特-黃變換算法的兩種檢測方法能有效提高微弱被動瞬態(tài)魚聲信號的檢測性能。

被動瞬態(tài)魚聲; 希爾伯特-黃變換; 信噪比; 檢測器

魚類在水下環(huán)境中發(fā)出的噪聲可以分為兩種, 一種是在交配季節(jié)連續(xù)性重復(fù)地發(fā)出的求偶聲信號, 另一種是在攝食、產(chǎn)卵和爭斗過程中, 所發(fā)出的短促、瞬態(tài)的被動魚聲信號。連續(xù)發(fā)出的魚聲信號可以采用常規(guī)的信號處理方法用于檢測和識別, 這些信號處理技術(shù)通常包括帶通濾波技術(shù)、時頻變換以及混合神經(jīng)網(wǎng)絡(luò)算法[1-9]。由于瞬態(tài)信號維持時間短, 一般都在毫秒級, 產(chǎn)生頻率較少, 時域中通常表現(xiàn)為一兩個尖刺, 且不具備重復(fù)性, 如果信噪比太小的話很難從被測信號中直接檢測; 此外海洋背景比較復(fù)雜, 環(huán)境噪聲影響嚴(yán)重, 因此被動瞬態(tài)魚聲信號的檢測比較困難?？紤]到信號頻率成分多樣且時變, 不適用于傳統(tǒng)的傅里葉變換方法; 而短時傅里葉變換、Wignner-Ville分布和小波變換可用于處理瞬態(tài)信號, 其中短時傅里葉變換適合研究平穩(wěn)信號, 而瞬態(tài)信號具有強烈的非平穩(wěn)性且頻率變換快, 因此該方法不可能在時、頻域同時獲得較高分辨率。Wignner-Ville分布在分析瞬時信號時會產(chǎn)生“交叉項”[10]。小波變換在處理非平穩(wěn)信號領(lǐng)域具有優(yōu)越性, 但分析結(jié)果取決于小波基函數(shù)的選取。

希爾伯特-黃變換(Hilbert-Huang Transform, HHT)[11-12]適合處理非平穩(wěn)、非線性信號, 其不受傅立葉分析的局限, 能夠精確地表達信號的時域和頻域分布, 是一種更具有自適應(yīng)性的時頻局部分析方法。本文利用HHT的濾波特性, 提出了一種基于HHT信號重構(gòu)思想的被動瞬態(tài)魚聲信號檢測方法。該算法首先將瞬態(tài)魚聲信號實現(xiàn)固有模態(tài)信號的分解, 其次將經(jīng)驗值高階階數(shù)的固有模態(tài)信號求和重構(gòu)即可實現(xiàn)信號能量幅度檢測; 在固有模態(tài)信號的分解的基礎(chǔ)上, 計算求和重構(gòu)信號的希爾伯特能量譜, 實現(xiàn)瞬時能量密度級的檢測。

實驗結(jié)果表明, 基于信號重構(gòu)的信號瞬態(tài)能量幅度檢測方法, 提高了信號的信噪比、檢測概率和準(zhǔn)確度, 說明基于 Hilbert 黃變換經(jīng)驗?zāi)B(tài)分解的瞬態(tài)信號檢測性能優(yōu)于傳統(tǒng)能量檢測算法; 采用Hilbert能量譜和能量密度級的瞬態(tài)信號檢測同樣也可以大幅度提高瞬態(tài)信號的檢測性能, 但是該方法相對于經(jīng)驗?zāi)B(tài)分解檢測算法, 其復(fù)雜度和執(zhí)行時間較高。

1 瞬態(tài)被動魚聲信號

圖1和圖2為食蚊魚()和食人魚()的求偶時發(fā)出的連續(xù)性重復(fù)被動魚聲信號以及巖豆娘魚()和似鯉異吻象鼻魚()攝食時發(fā)出的瞬態(tài)被動魚聲信號(魚聲數(shù)據(jù)來自于https: // www.soundeffects.ch), 圖中幅值進行了歸一化, 其采樣頻率為44.1 kHz, 圖中可以看出連續(xù)性重復(fù)信號持續(xù)時間分布從100到400 ms, 而瞬態(tài)信號則表現(xiàn)為幾毫秒時間的1~2個尖刺脈沖信號, 即周期性地發(fā)出聲信號, 間隔時間長且短促, 非平穩(wěn)性非常強。

2 Hilbert-Huang 變換分析方法

2.1 經(jīng)驗?zāi)B(tài)分解

針對信號局部均值和時間特征尺度與瞬時頻率關(guān)系的研究, Huang引入了經(jīng)驗?zāi)B(tài)分解法(Empirical Mode Deco-m-position, EMD), 該法將一個瞬態(tài)信號分解成一系列固有模態(tài)信號(Intrinsic Mode Function, IMF)。

EMD分解的主要步驟為:

(c) 采用三次樣條插值計算由局部極大值點構(gòu)造的上包絡(luò)曲線和局部極小值點構(gòu)造的下包絡(luò)曲線, 求平均;

EMD的分解和重構(gòu)實質(zhì)上是篩分過程, 該方法其從特征時間尺度開始, 將瞬態(tài)信號中分離特征時間尺度逐漸增加的模態(tài)逐漸分離。

2.2 EMD 信號重構(gòu)瞬態(tài)信號檢測原理

相對于所采集的含噪的瞬態(tài)被動魚聲信號, 背景噪聲呈現(xiàn)高頻特性, 而EMD分解是根據(jù)時間尺度, 將局部時間尺度小的高頻分量分解在低階IMF中, 將局部時間尺度大的低頻信號分量分解在高階IMF中。根據(jù)EMD的這一特性, 對采樣信號進行EMD分解, 然后對經(jīng)驗值的高階IMF求和重構(gòu)得到, 計算即可實現(xiàn)信號能量的檢測。

2.3 基于能量密度級的瞬態(tài)信號檢測

瞬時能量密度級是時間的函數(shù), 是用來考察能量波動程度的量度。當(dāng)有信號到達時, 樣本會有很明顯的能量波動, 因此將 Hilbert 譜的能量特性應(yīng)用于瞬態(tài)信號檢測, 其具體過程為對采樣信號進行EMD分解, 對經(jīng)驗值的高階IMF求和重構(gòu)得到, 然后計算Hilbert 能量譜, 求瞬時能量密度級做能量密度級檢測。

3 實驗仿真

3.1 瞬時魚聲信號的EMD分解的時頻域圖

下面給出–10 dB信噪比條件下基于HHT的瞬態(tài)信號檢測實例。瞬態(tài)信號模型的EMD分解結(jié)果, 如圖3 所示, 共分解出9階IMF和一個表示趨勢的殘余項, 圖中給出前9階。

通過仿真實驗發(fā)現(xiàn), 重構(gòu)的階數(shù)與信號長度有關(guān), 本文中一般在第3~4階時, IMF開始出現(xiàn)信號, 以下采用第4階至最后一階的IMF實現(xiàn)信號重構(gòu), 即得重構(gòu)信號。

重構(gòu)信號如圖4所示, 將其與圖中加噪聲后的信號比較, 圖中的原始信號幾乎完全淹沒在噪聲背景中, 而圖中的重構(gòu)信號中, 被動瞬態(tài)魚聲信號比較清晰。經(jīng)試驗研究發(fā)現(xiàn)基于EMD分解的重構(gòu)信號可以提高信號的信噪比, 且能提高瞬態(tài)信號的檢測性能。

將前9階IMF分別作傅里葉變換, 研究其頻譜分布。圖5中, IMF1 類似高通濾波器, 且頻帶較寬, 大部分噪聲能量被濾到這一階內(nèi)。IMF2 到 IMF9 都是帶通濾波器, 通帶相互有重疊。因此該變換類似于多種濾波器的疊加濾波。

3.2 EMD檢測被動魚聲瞬態(tài)信號

圖6給出了不同信噪比瞬態(tài)信號和重構(gòu)信號能量包絡(luò)比較圖。圖中信噪比–20 dB時并未能檢測到瞬時魚聲信號; –10 dB時噪聲能量變化范圍由原來的0.002下降到0.001左右, 減小了約50%, 含噪瞬態(tài)信號特征不明顯, EMD重構(gòu)后能檢測到瞬時魚聲信號; 0dB時噪聲能量變化范圍由原來的0.001下降到幾乎為0, 信號的能量同樣有所下降, 由原來的0.003降至0.001, 減小了66%, 但是與噪聲相比能量下降相對較小, 因此明顯提高了瞬態(tài)信號的幅值。

仿真實驗表明, 基于信號重構(gòu)思想的瞬態(tài)信號檢測, 提高了信號的信噪比, 檢測概率和準(zhǔn)確度都有明顯改善, 基于Hilbert 黃變換的瞬態(tài)信號檢測性能優(yōu)于傳統(tǒng)能量檢測算法。

3.3 基于能量密度級的瞬態(tài)信號檢測

仿真條件同上, 不同信噪比瞬態(tài)信號和重構(gòu)信號比較圖如圖7所示。由圖可見, 在 680~700點附近有較大的能量存在。沿著頻率方向求積分, 得到能量密度級的時域圖。

圖7–10 dB瞬態(tài)信號組圖中, 瞬時能量波動范圍為0.023, 噪聲為0.015, 信號與噪聲相對值為1.53,圖7(b)–10 dB重構(gòu)信號組圖中, 信號能量波動范圍為0.011, 噪聲能量為0.004, 信號與噪聲相對值為2.75。因此, 基于Hilbert能量譜和能量密度級的瞬態(tài)信號檢測也可以大大提高瞬態(tài)信號的檢測性能, 但是該方法相對于EMD檢測法來說算法的復(fù)雜度和執(zhí)行時間有所提高。

4 結(jié)論

本文基于HHT的基本原理, 針對攝食、產(chǎn)卵和爭斗過程中, 所發(fā)出的短促、瞬態(tài)的魚聲信號, 提出了基于HHT信號高階重構(gòu)和希爾伯特能量譜的被動瞬態(tài)魚聲信號檢測方法。該方法利用 HHT 的不同階數(shù)的濾波特性, 通過EMD分解出的IMF完成信號重構(gòu)并由能量檢測器實現(xiàn)魚聲瞬態(tài)信號檢測, 此外通過將重構(gòu)信號實現(xiàn)希爾伯特能量譜也可以實現(xiàn)瞬時能量密度級魚聲瞬態(tài)信號的檢測。實驗結(jié)果表明, 重構(gòu)信號相比于原始信號相對于傳統(tǒng)的能量檢測器性能有所提高, EMD經(jīng)驗?zāi)B(tài)分解存在端點效應(yīng)帶來的誤差, 有待進一步研究分析。

[1] Wood M L, Casaretto G, Horgan A D. Discriminating between fish sounds a wavelet approach[J]. Bioacoustics, 2002, 12: 337-339.

[2] Stolkin R, Radhakrishnan S, Sutin A, et al. Passive acoustic detection of modulated underwater sounds from biological and anthropogenic sources[C]//IEEE. Proceeding of Oceans. Vancouver: IEEE, 2007: 1-8.

[3] 任新敏, 高大治, 姚玉玲. 大黃魚的發(fā)聲及信號特性研究[J]. 大連水產(chǎn)學(xué)院學(xué)報, 2007, 22(2): 123-128. Ren Xinmin, Gao Dazhi, Yao Yuling. Occurrence and characteristic of sound in large yellow croaker[J]. Journal of Dalian Fisheries University, 2007, 22(2): 123-128.

[4] 王巍巍. 魚類聲信號的分析及特征提取研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2008. Wang Weiwei. Research of analysis and characteristics extraction on fish sound[D]. Harbin: Harbin Engineering University, 2008.

[5] 劉貞文, 許肖梅, 覃柳懷. 大黃魚發(fā)聲信號特性研

究[J]. 聲學(xué)技術(shù), 2010, 29(6): 342-343.Liu Zhenwen, Xu Xiaomei, Qin Liuhuai. Sound characteristics of the large yellow croaker[J]. Technical Acoustics, 2010, 29(6): 342-343.

[6] Rountree R A, Gilmore R G, Goudey C A, et al. Listening to Fish: Applications of passive acoustics to fisheries science[J]. Fisheries, 2006, 31(9): 433-446.

[7] 陳功, 常睿, 于海平, 等. 稀疏分解特征在魚聲端點檢測中的應(yīng)用[J]. 熱帶海洋學(xué)報, 2015, 34(4): 48-53. Chen Gong, Chang Rui, Yu Haiping, et al. Research on detection of weak passive fish acoustic by sparse decomposition feature[J]. Journal of Tropical Oceanography, 2015, 34(4): 48-53.

[8] 陳功, 常睿, 于海平, 等. 基于正弦函數(shù)基原子庫微弱魚聲信號稀疏檢測[J]. 中國測試, 2015, 41(6): 108- 112. Chen Gong, Chang Rui, Yu Haiping, et al. Sparse detection for weak passive fish acoustic signal based on sine wavelets[J]. China Measurement & Test, 2015, 41(6): 108-112.

[9] 陳功, 王平波, 龐韜, 等. 基于被動聲學(xué)技術(shù)的海洋生物測量研究狀況[J]. 漁業(yè)現(xiàn)代化, 2015, 41(6): 37- 42. Chen Gong, Wang Pingbo, Pang Tao, et al. Research progress of marine organisms based on passive acoustics technology[J]. Fishery Modernization, 2015, 41(6): 37-42.

[10] 薛飛. 基于希爾伯特黃變換的水聲瞬態(tài)信號檢測方法研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2009. Xue Fei. Research on the method of underwater acoustic transient signal detection based on Hilbert Huang Transform[D]. Harbin: Harbin Engineering University, 2009.

[11] Bouzid A, Ellouze N. Maximum error indiscrete EMD decomposition of periodic signals[C]//IEEE.15th International Conference on Digital Signal Processing.Cardiff: IEEE, 2007: 563-566.

[12] Kopsinis Y, Mclaughlin S. Enhanced empirical mode decomposition using a novel sifting-based interpolation points detection[C]. IEEE.14th Workshop on Statistical Signal Processing. Madison: IEEE. 2007: 725-729.

Research on the detection of weak transient passive fish acoustic signals based on Hilbert–Huang Transform

CHEN Gong1, 2, WANG Ping-bo2, BAO Yu-jun1, XU Qing-quan1, YANG Hui1, CHEN Zong-tao1

(1. Changzhou Institute of Technology, Changzhou 213022, China; 2. Xiamen University, Xiamen 361005, China; 3. Naval University of Engineering, Wuhan 430033, China)

To acquire transient passive fish acoustic signals during feeding and spawning, Hilbert–Huang Transform is introduced to detect weak signals. Firstly, Hilbert-Huang Transform analyzes the transient signals in the time-frequency domain by empirical mode decomposition. Energy detection is then realized by Hilbert–Huang Transform reconstruction from empirical high-level orders. In addition, Hilbert spectral analysis is proposed to detect transient signals and compared with a traditional energy method under a different signal-to-noise ratio (SNR). Finally, the feasibility and validity of the method are verified by processing experimental data.

passive transient fish acoustics; Hilbert–Huang Transform; signal-to-noise ratio (SNR); energy detector

(本文編輯: 劉珊珊)

Feb. 6, 2016

[National Natural Science Foundation of China, No.21305089; the Natural Science Foundation of Jiangsu Province, No.BK20130245; Key Laboratory of Underwater Acoustic Communication and Marine Information Technology (Xiamen University), Ministry of Education; Natural Science Foundation of Changzhou Institute of Technology, No.YN1513]

P756.6

A

1000-3096(2016)10-0091-06

10.11759/hykx20160106004

2016-01-06;

2016-07-09

國家自然科學(xué)基金(21305089); 江蘇省自然科學(xué)基金青年基金(BK20130245); 水聲通信與海洋信息技術(shù)教育部重點實驗室(廈門大學(xué)); 常州工學(xué)院自然科學(xué)基金(YN1513)

陳功(1979-), 男, 江蘇常州人, 博士, 副教授, 主要從事信號與信息處理的研究, E-mail: realchengong@sina.com