一种雷声实时识别方法

卫克晶, 李浩然, 孙学金, 张传亮

(解放军理工大学 气象海洋学院， 江苏 南京 211101)



一种雷声实时识别方法

卫克晶, 李浩然, 孙学金, 张传亮

(解放军理工大学 气象海洋学院， 江苏 南京 211101)

针对传统雷声识别方法识别速度慢、稳定性不佳的问题，提出一种基于端点检测和特征提取的雷声快速识别方法。通过端点检测提取出异常声音，建立基于频谱信息的特征向量，求得异常声音信号的特征向量与实验得出的雷声标准特征向量之间的相关系数，用阈值法判别异常声音信号是否为雷声。多种干扰源和信噪比测试结果表明，该方法的识别速度快，识别效率高。

雷声识别； 端点检测； 特征提取； 相关系数； 信噪比

0 引 言

闪电通道的急剧升温膨胀产生爆炸式冲击波向外传播并转化为声波，即雷声[1]。自然界的雷声是很多声音报警系统的干扰源[2]。同时，根据雷声的到达时间差可以对闪电进行定位，并描绘出闪电发生、发展的三维通道[3]。

Schmidt[4]首次开展了雷声与声压变化的研究。20世纪60年代，Few[5]研究了雷声声源定位的问题，而后，Nakano等[6-7]在Few所做工作的基础上改善了定位结果。国内在这方面也开展了一些工作，章涵等[8]设计了一套雷声声源单站闪电通道三维定位系统，但是，并未考虑到雷声识别的问题。柴烨等[2]通过小波分析分辨出雷声及与之相近的撞击声。程飞[9]用小波分析的方法提取雷声的小波子带空间分布特征，通过BP神经网络对雷声进行识别。小波分析虽然是一种较好的时频分析方法，但是不同情况下，选取的小波基函数不同，特征提取方法也不同；BP神经网络虽然识别效果较好，但是存在训练速度慢，结果不稳定的问题。针对以上处理方法存在的问题，本文提出一种基于特征提取的雷声实时识别方法，能够提取不同噪音环境下的雷声及其特征，并进行快速识别。

1 声音信号的预处理

1.1 去均值

信号的均值相当于一个直流分量，去除均值，可避免在估计该信号的功率谱时，零频位置的谱峰影响附近的频谱曲线。长度为N信号x(t)的均值常由下式估计[9]:

(1)

2.2 双门限端点检测[10]

端点检测就是准确地找出雷声的起始点与终止点，这是雷声识别的关键环节。有效的端点检测不仅能消除噪音干扰，而且可以缩短声音信号的处理时间。

雷声的声音信号幅度高，可以利用短时能量来检测。短时能量的定义为：

(2)

在检测异常声音时，采用双门限端点检测算法，如图1所示。

该算法选取较低能量门限和较高能量门限相结合的方法(图1中低能量门限为背景噪音平均能量的2倍，高能量门限是多帧异常声音数据的平均能量)。超过高门限就确定该段声音为异常声音，低门限用于确定该声音真正的端点。提取出端点检测出的异常声音，并设定持续时间的阈值来除去瞬时噪声的影响。

2 异常声音识别

2.1 特征提取

目前，声音识别技术已经取得了长足的发展，但主要侧重于语音识别，对自然状态下的声音信号的研究还远远达不到语音识别的水平，主要依赖各种声音信号的统计特征。广泛采用的主要有：短时能量、短时过零率、Mel倒谱系数(MFCC)、线性预测编码(LPC)、知觉线性预测(PLP)、线性预测倒谱系数(LPCC)、小波变换(WT)、希尔伯特-黄变换(HHT)、频谱流量、语音持续时间、共振频率、基音频率等[11]。为了找到特征突出，可供实时、快速识别的方法，引入功率谱函数[11]。

功率谱函数可分为自功率谱函数和互功率谱函数，这里主要应用的是自功率谱函数。自相关函数间接给出了随机过程中的频率信息，根据自相关函数的傅里叶变换及其逆变换，并依据自相关函数的定义得到[12]：

(3)

式中：f(τ)为随机过程;Wt(f)为等效的单边谱密度函数;f为频率。

综上所述，计划生育政策的三种实行模式的轨迹是动态变化的，整体上呈现趋同化，具有一定的共通性和互补性。 基于此，计划生育政策的实行不应采用单一模式，而是根据社会和经济的发展需求进行回应性的选择。

在声音信号频谱分析中，功率谱密度不代表真正物理意义上的功率或能量，但可以看作是信号在单位频带内谐波分量的能量按频率分布的度量，即功率谱密度表征了一定频率谐波分量能量的相对大小。因此,可以利用功率谱对声音信号在一定频带范围内的能量分布进行分析[13]，根据雷声信号的特征建立基于频带能量的雷声信号特征向量。

2.2 声音识别

环境声音识别的研究大多沿用了语音识别技术，如神经网络、高斯混合模型(GMM)、支持向量机(SVM)、贝叶斯分类器等[9,14-15]。这些算法的应用都需要经过大量样本训练或大量计算，其算法复杂度高，识别时间较长，硬件实现困难。研究雷声识别，在于找到绝大部分雷声的共同点，从雷声的共性出发，找到识别雷声的方法，亦即只要将雷声与非雷声区分开即可。基于此，本文提出一种基于雷声特征向量相关度的雷声识别算法。

设2个序列分别为α(n)和β(n)，则两者的互相关系数为：

(4)

由于α(n)，β(n)是2个能量有限的确定性信号，它们各自能量乘积的开方是一个常数，式(4)除以α(n)，β(n)各自能量乘积的开方，进一步归一化处理后可得归一化相关系数[13]：

(5)

由Schwartz不等式，有：

(6)

分析式(5)可知，当α(n)=β(n)时，ραβ=1，2个信号完全相关，这时rαβ取得最大值；ραβ=1时，2个信号完全不相关，这时rαβ=0。因此α(n)和β(n)之间的相似程度可以用rαβ和ραβ来描述。基于此，设定相关系数阈值ρTh。当ραβ<ρTh时，表明该声音是非雷声；当ρxy>ρTh时，表明该声音是雷声。

3 实 验

3.1 特征向量和ρTh的确定

表1 雷声信号能量分布特征分析计算结果

表2 雷声样本特征向量与0的相关系数

由实验数据可知，雷声样本的相关系数最小0.823 3，最大0.986 6，平均0.898 7。因为不仅产生雷声的闪电有云闪和低闪之分，不同的传播距离上，雷声的频谱衰减也不一样。为了最大限度识别每个雷声信号，设定相关系数阈值ρTh为0.82。

3.2 有效性测试

自然状态下对雷声识别干扰较大的声音有昆虫声、风声、雨声、人的说话声等。表3列举了15个测试干扰音和5个测试雷声信号的特征向量与标准特征向量的相关系数。

实验结果表明，15种干扰声音特征向量与标准向量的相关系数均小于阈值，即这15种干扰声音全部可以识别出来。同时，爆炸声、枪响的特征向量与标准向量的相关系数仍然较高，有一定的概率出现误识别。通过分析这两种声音的功率谱可以发现，这3种声音信号的频域波形与标准雷声较为接近。为了提高区分度，也可以通过引入时域特征，提高特征向量的维数。

表3 测试信号特征向量与0的相关系数值

3.3 不同信噪比下的ρ值测试

一般来说，雷声的声强是较大的，但是经过远距离传播过后雷声明显减小，信噪比会变大。也就是说，对不同信噪比条件下雷声的识别能力决定了能检测到的最远雷声声源的距离。下面测试不同信噪比条件下雷声样本的特征向量与标准雷声特征向量之间的相关系数ρ，选取的是相对纯净(ρ=0.986 6)的雷声信号，叠加噪声为高斯白噪声，测试结果如图2所示。

由图2可以看出，在信噪比为-9 dB(最恶劣)的情况下，该方法仍能有效识别雷声。从相关系数ρ随信噪比变化趋势也可以看出，信噪比大于0.0 dB时，ρ较为稳定，一直在0.9以上；信噪比小于-9.0 dB时，ρ开始急剧下降，说明此时识别的效率开始降低。

4 结 语

本文以雷声作为研究对象，通过端点检测提取雷声，经过特征分析建立了雷声的特征向量，提出了一种快速识别雷声的方法，并通过实验确定雷声的标准特征向量和相关系数阈值。在不同信噪比环境下的测试表明该方法在保证识别精度的条件下，成本和计算复杂度低，易于硬件实现。下一步的工作应主要围绕以下几点展开：① 进一步提高端点检测的精度; ② 开展雷声的频域和时域特征的相关研究，并将雷声的时-频特征结合，提高雷声和干扰声相关系数的区分度。

致谢：感谢http://www.yinxiao.net/提供的音效资源。

[1] 欧阳玉花，袁 萍，贾向东，等．用信号处理技术及传播理论还原雷声频谱[J]．物理学报，2013，62(8)：08430- 3-1-084303-4．

[2] 柴 烨，张有光．基于小波分析的雷声信号特征提取[J]．计算机技术与应用，2007(5)：118-120．

[3] Few A A．Acoustic radiations from lightning[Z].Handbook of Atmospheric Electrodynamics．Florida：CRC Press，1995：1-31．

[4] Few A A. Power spectrum of thunder[J]. J Geophys Res, 1969(74): 6853-7063.

[5] Few A A．Lightning channel reconstruction from thunder measurement[J]．J Geophys Res，1970(75)：7515-7523．

[6] Mac Gorman D R．Lightning location in a storm with strong wind shear[D]．Ph D dissertation，Department of Space Physics and Astronomy，Rice University，Houston，Texas，1978．

[7] Nakano M．Characteristics of lightning channel in thunderclouds determined by thunder[J]．J Meteor Soc，1976(17)：111-113.

[8] 章 涵，王道洪，吕伟涛，等．基于雷声到达时间差的单站闪电通道三维定位系统[J]．高原气象，2012，31(1)：209-213．

[9] 程 飞．智能防雷控制系统的开发与研究[D]．济南：济南大学，2011．

[10] 朱淑琴，裘雪红．一种精确检测语音端点的方法[J]．计算机仿真，2004，22(3)：214-216．

[11] 赵 力．语音信号处理[M]．北京：机械工业出版社，2003．

[12] 纽 兰．随机振动与谱分析概论[M]．方同译．北京：机械工业出版社：1980．

[13] 李洪涛，卢文波．基于功率谱的爆破地震能量分析方法[J]．爆炸与冲击，2009，29(5)：492-495．

[14] 牛 滨，孔令志，罗森林，等．基于MFCC和GMM的个性音乐推荐模型[J]．北京理工大学学报，2009，29(4)：351-353．

[15] 肖健华.智能模式识别方法[M].广州：华南理工大学出版社，2006．

[16] 姚志祥，王椿镛，楼 海，等．利用基于围陷波波形相关的网格搜索法确定昆仑山断裂带结构参数[J]．地球物理学报，2010，53(5)：1167-1172．

A Method for Real-time Recognition of Thunder

WEIKe-jing,LIHao-ran,SUNXue-jin,ZHANGChuan-liang

(Institute of Meteorology and Oceanography, PLA University of Science and Technology, Nanjing 211101, China)

Due to the low recognition speed and poor stability of traditional method in thunder recognition, in this paper, a method for real-time recognition of thunder was put forward based on endpoint detection and feature extraction. Firstly, the abnormal acoustic signal was extracted by endpoint detection. Then, the eigenvector based on frequency spectrum was established and the related coefficient between the eigenvectors of the abnormal acoustic signal and standard thunder acoustic signal that was measured by experiment was obtained. Finally, the threshold method was introduced to identify whether the abnormal acoustic signal was thunder or not. The tests of interfering and noise superpositions showed that the method for identifying thunder is fast and highly efficient.

thunder recognition; endpoint detection; feature extraction; related coefficient; SNR

2014-04-17

国家自然科学基金资助项目(41205125)

卫克晶(1978-)，女，山西芮城人，讲师，主要研究方向为智能仪器仪表。Tel.:025-80830635； E-mail:wa691117@163.com

P 427.4+2

A

1006-7167(2015)03-0027-04