黃 凱， 鄭瑤辰， 鄧兆祥,

(1.重慶大學(xué) 機(jī)械與運(yùn)載工程學(xué)院，重慶 400044；2.中國汽車工程研究院股份有限公司，重慶 401122；3.汽車振動(dòng)噪聲與安全技術(shù)國家重點(diǎn)實(shí)驗(yàn)室,重慶 401122)

異響(squeak & rattle)是標(biāo)志汽車品質(zhì)的重要性能，嚴(yán)重影響駕乘體驗(yàn)，已經(jīng)成為汽車新產(chǎn)品開發(fā)必須同步的重要性能之一?，F(xiàn)階段汽車異響性能開發(fā)大部分依賴樣車調(diào)校，異響診斷是完成樣車異響調(diào)校的關(guān)鍵環(huán)節(jié)，目前的異響診斷主要通過主觀判斷，高度依賴研發(fā)人員的工程經(jīng)驗(yàn)，存在耗時(shí)長、不準(zhǔn)確、易錯(cuò)判、易漏判的問題；而在我國汽車工業(yè)界，異響性能開發(fā)或者異響控制工作尚處于起步階段，極度缺乏有經(jīng)驗(yàn)的異響性能研發(fā)人員，因此，發(fā)展異響診斷新技術(shù)、實(shí)現(xiàn)異響問題的快速準(zhǔn)確診斷，顯得尤為重要和迫切。

敲擊異響(rattle)是由于相鄰零部件之間的間距不足，在環(huán)境振動(dòng)激勵(lì)下產(chǎn)生的法向相對(duì)位移大于間隙，從而發(fā)生敲擊，并通過結(jié)構(gòu)、空氣等傳播路徑傳出聲音。敲擊的聲音信號(hào)屬于非平穩(wěn)信號(hào)，其統(tǒng)計(jì)特征隨時(shí)間有較大變化。敲擊發(fā)生的頻度與力度，與環(huán)境激勵(lì)和局部結(jié)構(gòu)的間隙、慣性、彈性、接觸剛度等物理性質(zhì)有關(guān)，每次敲擊形成的脈沖響應(yīng)聲音必然由若干次衰減諧波合成，其頻率和衰減率取決于敲擊脈沖力所激發(fā)起的局部結(jié)構(gòu)固有模態(tài)?？梢院唵握J(rèn)為，敲擊異響是由敲擊源的性質(zhì)(頻度、力度等)和傳聲結(jié)構(gòu)(物理性質(zhì)、結(jié)構(gòu)特性等)共同作用形成的，而敲擊異響信號(hào)的本質(zhì)特征則包含在傳聲結(jié)構(gòu)之中，從而通過分析比較敲擊異響信號(hào)的特征，可以判斷或者診斷異響的來源。提取汽車敲擊異響噪聲特性至關(guān)重要，異響信號(hào)的特征是非穩(wěn)態(tài)的，因此一般采用短時(shí)傅里葉變化、小波變換等適于瞬變信號(hào)的方法來提取其特征，而異響信號(hào)的特征一般選用聲品質(zhì)的尖銳度、響度、粗糙度、波動(dòng)度來判別[1]，還有的采用了信號(hào)能量和熵作為特征量[2]，但這些特征量只能區(qū)分是否存在異響信號(hào)或?qū)Ξ愴懙膰?yán)重程度進(jìn)行區(qū)分，難以區(qū)分不同來源或類別的異響。因此，本文選擇能夠詳細(xì)刻劃信號(hào)復(fù)雜特征的梅爾倒譜系數(shù)(Mel frequency cepstrum coefficient, MFCC)作為異響特征量，正如MFCC用于識(shí)別說話人，可以判別不同人喉道、口腔、鼻腔等與發(fā)聲相關(guān)的人體構(gòu)造細(xì)微差異而引起的語音細(xì)微差別[3]，把MFCC用于汽車異響識(shí)別，必有區(qū)別異響來源的潛力。

MFCC作為一種有效的信號(hào)特征，具有優(yōu)秀的表征能力，廣泛應(yīng)用于音頻分類領(lǐng)域[4-7]，在MFCC計(jì)算過程中，同態(tài)處理實(shí)倒譜計(jì)算反應(yīng)了傳聲結(jié)構(gòu)的特征，而不是激勵(lì)的特征，因此適合表征敲擊異響的來源特征。高斯混合模型(Gaussian mixture mode, GMM)是只有一個(gè)狀態(tài)的連續(xù)分布的隱馬爾可夫模型[8-9]，本質(zhì)是由多個(gè)高維高斯分布加權(quán)平均得到的概率密度函數(shù)，適合描述多維特征向量的聯(lián)合概率分布特征。通過測試聲音信號(hào)的MFCC向量集與目標(biāo)GMM的似然函數(shù)值，可以判斷測試聲音信號(hào)的傳聲結(jié)構(gòu)與目標(biāo)傳聲結(jié)構(gòu)是否一致。因此，本文針對(duì)汽車典型敲擊異響信號(hào)，包括座椅頭枕導(dǎo)桿敲擊聲和安全帶卷收器敲擊聲，嘗試采用MFCC特征量和GMM識(shí)別模型，基于最大似然判別，進(jìn)行敲擊異響診斷。

1 基于MFCC的異響識(shí)別方法

1.1 適用于異響識(shí)別的MFCC特征向量

MFCC原先用于說話人識(shí)別技術(shù)[10]，其表示的物理意義是聲道的譜包絡(luò)信息，它包含了傳聲結(jié)構(gòu)的特點(diǎn)。首先提取聲音信號(hào)的頻域信息，將其轉(zhuǎn)化到與人耳聽覺相符的Mel域上。因?yàn)轭l域信號(hào)有很多冗余，經(jīng)過Mel三角濾波器組的同時(shí)可以對(duì)頻域信息進(jìn)行精簡，每一個(gè)頻段用一個(gè)值來表示。說話人的聲道的譜包絡(luò)在頻帶內(nèi)緩變，然而敲擊異響的譜包絡(luò)在頻帶內(nèi)的波動(dòng)較大，所以應(yīng)該采用更多的Mel三角濾波器個(gè)數(shù)才能更準(zhǔn)確地描述敲擊異響的譜包絡(luò)信息。然后對(duì)濾波器對(duì)應(yīng)頻段的能量值取對(duì)數(shù)，之后進(jìn)行離散余弦變換(DCT)，輸出預(yù)設(shè)個(gè)數(shù)的系數(shù)(即MFCC維數(shù))，一般低于Mel三角濾波器的個(gè)數(shù)。當(dāng)DCT輸出系數(shù)的個(gè)數(shù)設(shè)置越大，越能表征頻譜的高頻信息，然而計(jì)算MFCC的目的是為了得到頻譜的包絡(luò)信息，即較低頻信息，因此DCT輸出系數(shù)個(gè)數(shù)不應(yīng)過大，最后得到頻譜的包絡(luò)信息即辨別傳聲結(jié)構(gòu)的重要信息。嘗試將MFCC作為汽車敲擊異響的特征參數(shù)，作為后續(xù)構(gòu)建GMM的特征。

MFCC提取過程如圖1所示。

圖1 MFCC提取過程Fig.1 Extraction process of MFCC

人耳對(duì)于聲頻在1 000 Hz以下呈線性，1 000 Hz以上呈非線性，在語音處理中，采用Mel刻度來描述。其公式如下

(1)

式中:FMel是以Mel為單位的感知頻率；f是以Hz為單位的實(shí)際頻率。

具體步驟如下。

(1) 原始語音信號(hào)經(jīng)過預(yù)加重、分幀、加窗，幀長一般取20～30 ms，再用FFT轉(zhuǎn)化為頻域信號(hào)X(i,k), 并計(jì)算其短時(shí)能量譜E(i,k)=[X(i,k)]2。

(2) 在敲擊聲的頻譜范圍內(nèi)設(shè)置若干Mel濾波器Hm(k),0≤m≤M0,M0為濾波器個(gè)數(shù)，每個(gè)Mel濾波器的中心頻率為f(m),每個(gè)Mel濾波器具有三角濾波特性，在Mel頻率范圍內(nèi)，這些濾波器是等帶寬的。每個(gè)帶通濾波器的傳遞函數(shù)為

(2)

其中f(m)可以定義為

(3)

(3) 計(jì)算Mel濾波器濾波后的頻譜。每一幀信號(hào)通過Mel濾波器后的頻譜能量為信號(hào)譜能量E(i,k)與Mel三角濾波器頻譜響應(yīng)Hm(k)乘積和

(4)

得到的S(i,m)代表著第i幀語音在Mel域的第m個(gè)頻帶上的能量總和，即使用M0個(gè)元素表示語音在Mel域上的能量譜信息。

離散余弦變換(DCT)的公式如下

1≤j≤Y

(5)

式中:Y為DCT輸出的系數(shù)個(gè)數(shù)，即MFCC的維數(shù);S(i,m)代表著經(jīng)過Mel三角濾波器后，第i幀語音在Mel域上第m個(gè)頻帶上的能量總和;M0為三角濾波器個(gè)數(shù)。經(jīng)過DCT計(jì)算，相當(dāng)于對(duì)S(i,m)進(jìn)行實(shí)倒譜運(yùn)算，而Y個(gè)輸出則用于描述S(i,m)的譜包絡(luò)，即傳聲結(jié)構(gòu)的特點(diǎn)。

常見的MFCC維數(shù)為5～15[11]，并在原來MFCC的基礎(chǔ)上加上對(duì)應(yīng)幀的能量，便于在之后的算法中聚類。并考慮再加上一階差分與二階差分及其對(duì)應(yīng)的差分能量系數(shù)，形成最終的3(Y+1)維特征向量，以此提高敲擊異響的識(shí)別性能。一階差分和二階差分特征參數(shù)計(jì)算公式如下

(6)

(7)

式中:dC(j)表示一階差分倒譜特征；DC(j)表示二階差分倒譜特征。最后對(duì)特征向量進(jìn)行歸一化處理。

1.2 高斯混合模型(GMM)及其估計(jì)算法

實(shí)測汽車異響信號(hào)一般都屬于非平穩(wěn)隨機(jī)信號(hào)，對(duì)其計(jì)算提取MFCC特征向量，就得到按時(shí)間順序排列的特征向量序列。本質(zhì)上，MFCC是一個(gè)多維隨機(jī)向量，由多個(gè)隨機(jī)變量組成，針對(duì)每幀異響信號(hào)計(jì)算提取的MFCC特征向量，就是它的一次樣本實(shí)現(xiàn)，針對(duì)整個(gè)異響信號(hào)計(jì)算提取的MFCC特征向量序列，就是它的一個(gè)樣本集。為了完整準(zhǔn)確的刻畫所測異響信號(hào)的特征，選擇高斯混合模型(GMM)來描述其特征向量的概率分布，并利用計(jì)算提取的MFCC特征向量序列或樣本集來遞推估計(jì)GMM模型參數(shù)。

對(duì)于利用樣本集構(gòu)建未知概率分布的問題，GMM[12]是常見的一種解決該問題的手段。GMM本質(zhì)是一個(gè)多維概率密度函數(shù)，由多個(gè)多維高斯分布的概率密度函數(shù)加權(quán)組合而成。在樣本集經(jīng)過聚類算法被分為若干類后，每一類的權(quán)重、均值向量、協(xié)方差矩陣組成GMM的參數(shù)集。其中高斯分量的權(quán)重表示其高斯分量的先驗(yàn)概率，所有高斯分量的權(quán)重之和為1；均值向量表示每一類中樣本子集的中心位置；協(xié)方差矩陣表示每一類樣本子集中特征向量在不同維度上相關(guān)性。由于經(jīng)過DCT計(jì)算得到的MFCC中各個(gè)元素之間相互獨(dú)立，因此本文在后續(xù)計(jì)算過程中設(shè)定協(xié)方差矩陣為對(duì)角陣。在確定初始GMM后，經(jīng)過EM算法訓(xùn)練，可以得到使樣本集似然函數(shù)最大的GMM參數(shù)集。

汽車零部件敲擊異響GMM識(shí)別流程圖如圖2所示。

圖2 敲擊聲識(shí)別原理Fig.2 Principles of rattle noise recognition

其中一個(gè)完整的高斯模型λ是有混合權(quán)重w，均值向量μ，協(xié)方差矩陣Σ組成。

M階GMM的概率密度函數(shù)如下

(8)

(9)

其中EM估計(jì)法利用k-means聚類算法[13]對(duì)樣本集分類后，初始化GMM參數(shù)集，通過模型訓(xùn)練估計(jì)GMM參數(shù)，常用的方法為最大似然函數(shù)估計(jì)[14]。設(shè)敲擊異響信號(hào)特征向量序列為X={x1,x2,…xT}，GMM的似然函數(shù)可表示為

(10)

1.3 異響判別

在識(shí)別階段，測試聲音信號(hào)的特征向量集為O={o1,o2,…,oT}，在目標(biāo)GMM模型上計(jì)算相應(yīng)的似然函數(shù)得分，計(jì)算時(shí)一般對(duì)評(píng)分取對(duì)數(shù)，其公式如下所示

(11)

式中，λtar為目標(biāo)敲擊異響的GMM參數(shù)集。

測試聲音信號(hào)特征向量集的分布越接近目標(biāo)敲擊異響模型的分布，似然度得分將越高。因此，將同種敲擊聲樣本的最小似然函數(shù)得分與除此之外的聲音樣本的最大似然函數(shù)得分平均得到閾值。將計(jì)算得到的測試信號(hào)似然函數(shù)得分與預(yù)設(shè)的似然度得分閾值比較，若測試聲音的得分大于閾值，則接受測試聲音信號(hào)為目標(biāo)敲擊異響的聲音信號(hào)，否則將拒絕該信號(hào)。

2 汽車零部件異響實(shí)測信號(hào)

采用B&K設(shè)備采集2種敲擊異響的聲音，環(huán)境為半消聲實(shí)驗(yàn)室，兩種敲擊分別為座椅頭枕導(dǎo)桿敲擊、安全帶卷收器敲擊。將試驗(yàn)對(duì)象用固定裝置固定在振動(dòng)臺(tái)上，振動(dòng)臺(tái)使用電磁激勵(lì)裝置激勵(lì)，激勵(lì)源為多個(gè)振動(dòng)路譜。每種敲擊異響聲音信號(hào)采集62段音頻，以.wav格式保存，其中采樣率為48 kHz，每段采樣時(shí)間為5 s，隨機(jī)取的12段作為訓(xùn)練樣本，另外50段作為測試樣本，為減少數(shù)據(jù)冗余，采用20 480 Hz重采樣。由于電磁激勵(lì)裝置進(jìn)行工作時(shí)，存在一定的背景噪音，因此使用高通濾波處理。軟件分析平臺(tái)為Microsoft Windows10 64bit下的MATLAB R2016a版本。采用零部件振動(dòng)試驗(yàn)臺(tái)如圖3所示。共有3種路譜激勵(lì)，其振動(dòng)激勵(lì)的功率譜，座椅頭枕導(dǎo)桿敲擊聲音時(shí)域和頻域圖如圖4～6所示。安全帶卷收器敲擊試驗(yàn)圖如圖7。共2種路譜激勵(lì)，其振動(dòng)激勵(lì)的功率譜，安全帶卷收器敲擊時(shí)域圖和頻域圖如圖8，圖9，圖10所示。

圖3 頭枕導(dǎo)桿敲擊試驗(yàn)Fig.3 Head restraint tapping test

圖4 座椅振動(dòng)激勵(lì)功率譜密度圖Fig.4 Seat vibration excitation power spectral density diagram

(a)

(b)圖5 座椅頭枕導(dǎo)桿敲擊異響聲音的時(shí)域細(xì)節(jié)部分和時(shí)域圖Fig.5 Time-domain detail part and time-domain diagram of seat headrest guide bar rattle sound

(a)

(b)圖6 座椅頭枕導(dǎo)桿敲擊異響聲音時(shí)頻譜圖和頻譜圖Fig.6 Spectral chart and spectrogram when the seat headrest guide bar rattle sound

圖7 安全帶卷收器敲擊試驗(yàn)圖Fig.7 Retractor rattle test chart

圖8 安全帶卷收器振動(dòng)激勵(lì)功率譜密度Fig.8 Power spectral density of vibration excitation of seat belt retractor

(a)

(b)圖9 安全帶卷收器敲擊異響聲音的時(shí)域細(xì)節(jié)部分和時(shí)域圖Fig.9 Time domain detail part and time domain diagram of seat belt retractor rattle sound

(a)

(b)圖10 安全帶卷收器敲擊異響聲音的時(shí)頻譜圖和頻譜圖Fig.10 Time spectrum diagram and spectrum diagram of seat belt retractor rattle sound

從圖9看，安全帶卷收器敲擊屬于衰減信號(hào)，并在5 s的時(shí)間內(nèi)多次產(chǎn)生；從圖10(a)看，安全帶卷收器敲擊屬于時(shí)變非平穩(wěn)信號(hào)，從頻譜圖10(b)看，其頻譜的波動(dòng)性很大。

3 實(shí)測異響信號(hào)的識(shí)別效果及MFCC特征

3.1 Mel三角濾波器個(gè)數(shù)和DCT輸出系數(shù)的個(gè)數(shù)對(duì)識(shí)別結(jié)果的影響

Mel三角濾波器的個(gè)數(shù)代表著用于描述Mel域能量譜的元素個(gè)數(shù)，而DCT輸出系數(shù)的個(gè)數(shù)代表著Mel域能量譜低頻成分的多少，或者譜包絡(luò)的頻率成分。兩者對(duì)MFCC表征特征的能力有較大影響。而汽車異響和說話人說話的傳聲結(jié)構(gòu)存在很大的差異，因此這2個(gè)因素不能直接從說話人識(shí)別算法中的經(jīng)驗(yàn)范圍選取，需要研究其對(duì)識(shí)別結(jié)果的影響。由于敲擊異響的頻譜相對(duì)于說話人的頻譜波動(dòng)性較大，理論上應(yīng)取更多的Mel三角帶通濾波器個(gè)數(shù)，才能準(zhǔn)確描述敲擊異響的譜包絡(luò)信息。

試驗(yàn)條件：樣本為座椅頭枕導(dǎo)桿敲擊聲音，訓(xùn)練時(shí)長為30 s，三角帶通濾波器的個(gè)數(shù)分別為50、60、70、80，DCT輸出系數(shù)個(gè)數(shù)分別為10、11、12、13，GMM的階數(shù)為18，得到的識(shí)別結(jié)果如表1所示。

表1 識(shí)別結(jié)果Tab.1 Identification results

橫向比較表1的識(shí)別結(jié)果時(shí)，當(dāng)DCT輸出系數(shù)個(gè)數(shù)增大時(shí)，識(shí)別率變大，但當(dāng)輸出系數(shù)個(gè)數(shù)達(dá)到13時(shí)，識(shí)別率有所下降。豎向比較表1的識(shí)別結(jié)果時(shí)，當(dāng)三角帶通濾波器個(gè)數(shù)增大時(shí)，識(shí)別率也增大，但當(dāng)濾波器個(gè)數(shù)達(dá)到80個(gè)時(shí)，識(shí)別率下降。當(dāng)DCT輸出系數(shù)個(gè)數(shù)為12，三角帶通濾波器個(gè)數(shù)為70時(shí)，識(shí)別率達(dá)到了最高，為90%；相對(duì)于說話人識(shí)別中一般取的24個(gè)濾波器[16-17]，敲擊異響確實(shí)需要取更多的濾波器個(gè)數(shù)，才能更準(zhǔn)確的描述敲擊異響的頻譜包絡(luò)信息。此時(shí)系統(tǒng)的閾值為18.2，即有45段音頻的似然得分超過18.2，系統(tǒng)認(rèn)為其有異響敲擊。

3.2 訓(xùn)練時(shí)長、GMM階數(shù)和MFCC維數(shù)對(duì)識(shí)別結(jié)果的影響

文章還研究了不同的特征維數(shù)，不同階數(shù)的GMM和訓(xùn)練時(shí)長對(duì)識(shí)別率的影響，最后得到在70個(gè)Mel三角濾波器，39維特征向量(12個(gè)DCT輸出系數(shù)再加上對(duì)應(yīng)幀的能量，及其一階差分、二階差分)，36階GMM的情況下，50 s訓(xùn)練時(shí)長的情況下，識(shí)別率最高，達(dá)到了100%，此時(shí)的似然得分閾值為25.4，而50個(gè)測試樣本中最小的似然得分為27.6，故能全部識(shí)別。最后嘗試將此模型參數(shù)用于安全帶卷收器敲擊異響的GMM建模中。相關(guān)結(jié)果如表2所示。

表2 不同特征向量維數(shù)對(duì)識(shí)別結(jié)果的影響(訓(xùn)練時(shí)間50 s)Tab.2 MFCC recognition results of different dimensions (50 s)

3.3 不同汽車敲擊異響的識(shí)別結(jié)果及其MFCC特征

說話人識(shí)別的本質(zhì)就是識(shí)別不同說話人的傳聲結(jié)構(gòu)，而不同的汽車零部件敲擊異響其傳聲結(jié)構(gòu)也不同，因此文章嘗試?yán)谜f話人識(shí)別技術(shù)識(shí)別不同的汽車零部件敲擊異響。

試驗(yàn)條件：兩種敲擊聲分別為座椅頭枕導(dǎo)桿敲擊、安全帶卷收器敲擊。從3.2節(jié)得知座椅頭枕導(dǎo)桿敲擊的聲音識(shí)別率達(dá)到了100%，此時(shí)的試驗(yàn)參數(shù)為 39維特征向量，36階GMM，50 s訓(xùn)練時(shí)長，因此以此來識(shí)別不同的敲擊異響。

訓(xùn)練的數(shù)據(jù)為該種敲擊異響聲音，測試的數(shù)據(jù)分為兩組，一組是同種敲擊異響的聲音，另外一組是除該種聲音外的另外一種敲擊異響聲音。比如座椅頭枕導(dǎo)桿敲擊異響對(duì)應(yīng)不同種敲擊異響的拒絕率，是以座椅頭枕導(dǎo)桿敲擊異響的GMM模型，去識(shí)別另外一種不同種的敲擊異響，即安全帶卷收器敲擊異響聲音的識(shí)別率。相關(guān)結(jié)果如表3所示。

表3 不同敲擊聲識(shí)別結(jié)果(39維特征向量、36階GMM、訓(xùn)練時(shí)間50 s)Tab.3 Percussion recognition results of different rattle (39-dim MFCC, 36-order GMM,50 s)

從表3可以看出，當(dāng)一種敲擊聲作為訓(xùn)練模型，去識(shí)別同種敲擊聲時(shí)，識(shí)別率均能達(dá)到100%，當(dāng)去識(shí)別不同種敲擊時(shí)，拒絕率都能達(dá)到100%。座椅頭枕導(dǎo)桿敲擊模型的閾值為25.4，即當(dāng)該模型去識(shí)別同種敲擊異響時(shí)，得到的似然得分都大于25.4；去識(shí)別不同種敲擊異響時(shí)，最大的似然得分為-16.5，遠(yuǎn)小于25.4，能夠全部拒絕。安全帶卷收器敲擊模型的閾值為26.5，識(shí)別同種敲擊異響時(shí)，測試樣本中最小的似然得分為28.1，能夠全部識(shí)別出同種異響；識(shí)別不同種異響時(shí)，最大的似然得分為-18.9，遠(yuǎn)小于26.5，能全部拒絕。綜上表明，當(dāng)似然得分越小時(shí)，表明測試樣本聲音信號(hào)與該種敲擊異響的相似度越低，當(dāng)?shù)陀谝欢ǔ潭葧r(shí)可以認(rèn)定為不同種異響。

該試驗(yàn)研究結(jié)果表明，說話人識(shí)別技術(shù)可以準(zhǔn)確識(shí)別同種敲擊異響，并拒絕不同種敲擊異響，而且識(shí)別不同種異響時(shí)，其似然得分遠(yuǎn)小于閾值。由于訓(xùn)練樣本和測試樣本都是隨機(jī)選取，而試驗(yàn)對(duì)象和激勵(lì)的功率譜密度均存在無數(shù)個(gè)，說明將說話人識(shí)別技術(shù)應(yīng)用于不同敲擊異響識(shí)別時(shí)，不受試驗(yàn)對(duì)象和激勵(lì)影響，具有良好的識(shí)別傳聲結(jié)構(gòu)的能力。其中座椅頭枕導(dǎo)桿敲擊和安全帶卷收器敲擊MFCC特征(39維特征向量、訓(xùn)練時(shí)間50 s)如圖11所示。

(a) 座椅導(dǎo)桿敲擊

(b) 卷收器敲擊圖11 座椅頭枕導(dǎo)桿敲擊和安全帶卷收器敲擊MFCC特征直方統(tǒng)計(jì)圖Fig.11 Histogram of MFCC characteristics of seat head restraint guide rod percussion and seat belt retractor percussion

其中座椅導(dǎo)桿的MFCC特征分布主要集中在特征值大小0.4～0.7之間，特征在MFCC維數(shù)2、特征值大小為0.1，MFCC維數(shù)為7、特征大小為1，MFCC維數(shù)為37、特征值大小為0.1時(shí)，特征分別特別集中。卷收器的MFCC特征分布主要集中在特征值大小0.6～0.8之間，特征在MFCC維數(shù)1、特征值大小為0.1，MFCC維數(shù)為8、特征值大小為1，特征分布特別集中。因此可以看出座椅導(dǎo)桿敲擊的MFCC特征明顯與卷收器的不同，故以MFCC為特征向量集，能夠有效區(qū)分不同種異響。

試驗(yàn)還進(jìn)行過一組實(shí)車試驗(yàn)，但該模型并沒能辨認(rèn)出異響。其原因是由于記錄音頻之中還混雜著風(fēng)噪、路噪、發(fā)動(dòng)機(jī)噪等其他背景噪音，信噪比較低。因此如果要能真正的進(jìn)入工程實(shí)用階段，則必須要考慮降噪問題。

4 結(jié) 論

(1) 文章選用了座椅頭枕導(dǎo)桿和安全帶卷收器的敲擊異響聲音作為研究對(duì)象，通過對(duì)不同的Mel三角濾波器個(gè)數(shù)、DCT輸出系數(shù)、特征向量維數(shù)、GMM階數(shù)和訓(xùn)練時(shí)長研究，最后得出70個(gè)三角濾波器，12個(gè)DCT輸出系數(shù)，39維MFCC，36階GMM，50 s訓(xùn)練時(shí)長的GMM識(shí)別模型，能夠滿足實(shí)際識(shí)別不同種敲擊異響聲的識(shí)別要求。

(2) 相對(duì)于說話人識(shí)別，敲擊異響的三角濾波器個(gè)數(shù)和DCT輸出系數(shù)個(gè)數(shù)要增多，才能準(zhǔn)確地描述敲擊異響的譜包絡(luò)信息，得到較高的識(shí)別率。

(3) 當(dāng)應(yīng)用說話人識(shí)別技術(shù)于同種敲擊異響時(shí)，其似然得分能夠大于系統(tǒng)的閾值，識(shí)別率為100%，而當(dāng)去識(shí)別不同種敲擊異響時(shí)，其似然得分遠(yuǎn)小于閾值，能夠全部拒絕。