基于信号处理算法的声信号识别

基于信号处理算法的声信号识别

肖洒赵治儒李迪昂张天阳万欣

北京林业大学工学院北京100083

摘要：本文介绍了声音信号识别的一般过程，主要包括声信号的预处理、特征提取、模式识别分类过程的方法。基于信号处理的声音模式识别，是利用信号处理技术，对信号进行分析，提取其时域、频域特征，对这些特征进行分类，并设计合理的分类器，以达到精确识别的目的。本文主要对声信号处理过程中所涉及的方法进行了研究。

关键词：声信号；信号处理；方法研究

1引言

近年来，基于信号处理的声音特征提取和模式识别技术发展迅速，作为常见的信号，声信号可以表征声源类别，在故障检测、灾害预防等方面具有很广阔的应用前景。利用声信号来识别信号源具有以下优点：声信号不易受到外界干扰；声波可以探测到障碍物右面的目标信息；声信号采集设备体积小，重量轻，易于携带，不受自然环境的限制。因此，人们常常选择声信号来对目标进行识别。

声信号的模式识别由声信号的采集、预处理、特征提取和目标分类四大部分组成。首先经过声振动传感器采集声信号，然后经处理后提取其内在的本质特征，最后通过识别的特征将信号进行分类。

2声音信号的采集

3声音信号的预处理

在采集到的信号中，往往混有噪声的干扰，为消除信号细微处的波形波动，在分析信号前，应做出一些处理来减小噪声对声音信号的干扰，提高信号的信噪比[1]。预处理的方法可分为以下几种：

（1）错点剔除

在数字信号采集过程中，由于外界的干扰，所采集的信息并非全部是需要的信息；由于仪器的临时故障，有时会出现异常的数据，即异点。异点的存在会影响信号分析结果，必须加以剔除。对随机异常信号剔除的方法基本都是应用统计学原理。

（2）预滤波

在信号分析过程中，有时我们需要对某一段特定频率经行分析，或对除该段频率以外的信号成分感兴趣，就要通过滤波器对信号进行处理。滤波器可分为两大类：经典滤波器和现代滤波器。

经典滤波器是假设信号的有用成分和需要去除的成分在不同的频带，此时通过线性滤波器即可去除信号中的无用部分。但是，如果信号与噪声的频率段相互重叠，经典滤波器就失去了其作用。

现代滤波器是在采集的信号中估计出有用信号的某些特征，通过该特征提取出我们需要的信号，这样便去除了噪声的干扰，所得到的滤波信号相对原信号有更高的信噪比。

4特征提取

声音信号可看做是随机信号，对随机信号参数的数据处理，需要考虑概率统计的因素，在时域和频域两个方面进行数据分析。

4.1时域分析

信号的时域分析是指对信号的各种时域参数、指标的统计或计算，通常研究信号的相关分析、概率密度和概率分布等[2]。

4.2频域分析

频域分析是指将复杂时间历程的时域信号经傅里叶变换转化为若干个单一有谐波分量的频域信号，可以更加直观的获得信号的各谐波幅值和相位信息。从一个混有周期波形的随机波形中很难直接看出其中的周期信号，但通过时频转换后就很容易看出来。同样，对于一个复杂的功率谱图，很难看出信号随时间的变化情况，如果将其转化为时域信号，则更容易看出振动状态的变化，有利于声振动信号的分析，尤其是对故障信号的诊断。

4.3现代信号处理方法

随着计算机技术的不断发展和现代工程的需要，数字信号的处理方法也得到了飞速的发展，统计理论、概率论、数值分析和计算机科学等多学科融合促进了信号处理方法的发展，比较有代表性的有：短时傅里叶变换、小波变换[4]、高阶谱分析及经验模态分解等。

5分类识别

经过不断地训练和学习后，系统便可以对未知信号按照系统特征进行分类，以达到对未知信号识别的目的。分类技术主要有以下几种：

（1）统计模式识别

统计模式识别是基于统计学的方法，将待识别声信号经预处理后，将其与数据库中不同数据的特征进行对比，来判别声信号的归属。

（2）当待识声信号比较复杂时，就需要寻找它们的内在结构特性，即将一个复杂信号逐步分解为若干简单且容易识别的的子模型，再逐次对子模型识别，便达到了对复杂客体识别的目的。

（3）人工神经网络

人工神经网络是从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。神经网络由大量的节点之间相互联接构成，每个节点代表一种特定的输出函数，每两个节点间相当于人工神经网络的记忆。网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

6结论

应用信号处理技术的声音识别方法发展迅速，一方面计算机性能的提高对该领域起到了极大的促进作用，各学科的交融也开辟了多种信号处理方法，大大提升了复杂信号的处理速度；另一方面，市场对声信号识别技术的需求推动了该领域课题的发展，而随着声信号识别技术的不断提升，也必将在工业、农业、军事等领域得到更多的应用。

参考文献：

[1]李维志.基于声信号处理的系统设计方法[J].科技信息:学术研究,2008(17):71-74.

[2]唐伟,刘俊民,王晓明等.次声信号的时频信号能量统计检测方法[J].声学学报,2014(1):85-92.

[3]何正嘉,訾艳阳,张西宁.现代信号处理及工程应用[M].西安:西安交通大学出版社，2007:38-40.

[4]伊廷华,李宏男,王国新.基于小波变换的结构模态参数识别[J].振动工程学报,2006,19(1):51-56.