基于主分量分析的声信号特征提取及识别研究

    1 引 言

    随着战争的发展,声能的利用越来越被人们重视。由于武装直升机及巡航导弹的超低空飞行给雷达探测带来极大的困难,因此近年来被动声识别技术应用于战场目标的识别,引起了国内外相关领域的广泛关注。

    本文研究了基于主分量分析[1](PrincipalCom-ponentAnalysis, PCA )的战场目标声信号特征提取算法,用此算法对信号频域特征向量进行线性变换-NearestNeighborClassifier)分类器和神经网络分类器(改进BP网络[3])对降维后的特征向量进行自动分类,在此基础上进行了多类目标的识别研究。

    2 声信号频域分析

    一般检测问题中都假设噪声为平稳高斯随机过程,但是由于目标和传感器周围环境噪声的影响,有可能改变噪声的统计特性,成为非平稳非高斯过程。为便于处理,将原始数据分为若干个数据段进行处理,并假设目标噪声在每一个非常短的数据段内保持平稳。

    2.1 信号功率谱分析

    对原始的采样信号采用Welch法[4]作功率谱分析。Welch法又称加权交叠平均法,是对Bartlett平均周期图法的改进:

    将数据x(n)分成L段数据xi(n),在分段时允许每一段数据有部分的重叠,然后对每段数据在时域上乘以窗函数(在周期图计算前直接加进去),做FFT,最后对每段数据的频谱幅值平方加和平均便得到此数据x(n)的功率谱。本次实验将四类原始数据分为4096点共390个原始样本(包括直升机、坦克、某战斗机和导弹),分别作功率谱分析,将功率谱能量信号作为PCA特征提取层的输入。对四类目标原始样本的时域数据信号分别用Welch法作功率谱分析,其功率谱如图1所示。

   因实验证明直升机等战场目标各自的信号功率谱在500Hz以下的低频段包含了可识别分类的目标特征信息,所以只要提取500Hz以下低频段中的有用信息作为PCA特征提取层的输入,这不仅可以大大减少计算机存储量,还可以缩短计算时间。

    3 目标声信号特征提取

    3. 1 主分量分析(PCA)算法

    PCA是统计学中分析数据的一种有效的方法,被广泛应用于信号处理和神经网络计算。它是基于离散K-L变换,用较少的特征量对数据样本进行描述以达到降低特征空间维数的分析方法。

    假定第k个样本向量Xk=(x1,x2,,xn)T,n为样本向量的维数。首先,求出全体样本(共N个)的平均值然后求出样本向量的协方差矩阵S,

    计算S(为对称阵)的特征值K1,K2,,,Kn和对应的特征向量u1,u2,,un,将各特征值按从大到小的顺序排列:K1K2,Kn,特征向量所对应的特征值越大,它在重构时的贡献也越大,所以可以忽略那些特征值很小的特征向量。定义前m个主分量y1,y2,,,ym的累计方差贡献率为: