基于EMD和2(1/2)维谱的直升机声信号特征提取

    1 引言

    近年来,利用战场运动目标辐射的噪声信号进行目标特征提取及识别技术越来越受到了人们的关注。通常,战场直升机声目标检测与识别过程雨声等),声学及空气动力学理论证明该混合噪声具有非线性和非平稳的特点[1]。目前,处理非平稳信号通常是从时频分析角度出发,将时域信号变换到时频联合域,通过时频联合分布来揭示信号的非平稳性及频率随时间的变化关系,常用的方法有:短时傅里叶变化(STFT)、小波变换和Cohen类时频表示等。然而,短时傅里叶变换容易受到窗函数的影;小波变换的时频分辨率不够高、且不具备自适应的能力。Cohen类时频表示会受到交叉项的影响[2];20世纪末N.E.Huang等人提出了一种新的信号处理方法,即经验模态分解(EMD)方法。该方法不需要很多先验信息、具有自适应的信号分解和降噪能力、能够较好地反映信号的本质特征,主要应用于非线性、非平稳信号的分析[2]。目前,已广泛应用于故障诊断、地震信号分析处理、海洋等领域。

    文献[3]利用EMD的方法提取出战场声目标的能量比特征,并由此得到了较高的识别率。相比于功率谱,高阶统计量具有诸如自动抑制高斯噪声、保留信号时延特性等独特性质,能够揭示更多关于分析过程的统计信息,广泛应用于需要考虑非线性、非高斯、非最小相位及有色噪声问题当中[4]。阶累积量能分析信号的三次相位耦合信息,却存在运算量大的特点。为了减小计算量,本文利用经验模态分解(EMD)和四阶累积量对角切片相结合的方法提取战场直升机声信号特征。依据数据本身的特征时间尺度对实际直升机声信号进行模态分解得到一系列的本征模态分量(IMF),计算实际直升机声信号及其IMF分量的四阶累积量对角切片谱,由此得到实际信号及其各个IMF分量的谱值幅度绝对值的和。计算由直升机声信号分解得到的各个IMF与实际直升机声信号谱值绝对值和的比值,将它作为直升机声信号的特征。最后,采用神经网络分类器对两种不同机型的直升机声信号进行分类,分类效果较好,并取得了94.45%、86.05%的正确识别率。

    2 经验模态分解(EMD)

    Huang等在总结了瞬时频率有意义的单分量信号应满足的条件的基础上,提出了固有模态函数(IMF)的新概念,它是满足以下条件的信号[5]:

    1)整个信号中,零点数与极点数相等或至多相差1。

    2)信号上任意一点,由局部极大值确定的包络线和由局部极小值点确定的包络线的均值均为零,即信号关于时间轴局部对称。

    Huang等用信号极大值和极小值确定的包络线的均值逼近信号的均值,并认为这种逼近效果即使在最坏的情况下算出的瞬时频率也与物理意义是一致的。