基于小波分析的车辆噪声特征提取方法研究

马志刚

（山西农业大学 现代教育技术学院，山西 太谷030801）

基于小波分析的车辆噪声特征提取方法研究

马志刚

（山西农业大学 现代教育技术学院，山西 太谷030801）

特征提取是声目标识别的关键。由于车辆噪声信号的非平稳特性，传统特征提取方法有很大局限性。介绍小波分析方法在车辆噪声信号特征提取中的应用，仿真结果证明该方法的有效性。

车辆噪声；特征提取；小波分析；Mallat

在典型的声目标识别系统中，特征提取和选择处于信号预处理和分类识别两环节之间,其品质的优劣极大影响后续分类器的设计和性能,它也是模式识别三大核心问题之一[1]。

1 声信号特征提取

传感器采集得到的数据量通常很大。直接使用这些数据难以分类识别目标。因此需对原始数据进行变换，得到最能反映分类本质的特征。这个获得分类本质特征的过程就是特征提取和选择[2]。车辆噪声是一种多声源噪声，发动机、变速器、传动轴、车身或轮胎等都会产生噪声。因此，车辆噪声信号是一种随机信号。在随机的动力学参量数据处理中，完整描述需从幅域、时域和频域进行全面分析并提取特征。常见的声目标特征提取方法有：时域特征分析方法、频域特征分析方法、参数化模型分析方法、时－频特征分析方法、现代信号处理方法、非线性特征分析方法等[3-6]。而小波分析方法是一种典型的时－频特征分析方法，广泛应用于信号分析领域。

2 基于小波分析的车辆噪声特征提取

2.1 小波分析理论

小波分析的实质是对原始信号滤波的过程。将信号投影到一组相互正交的小波函数构成的子空间，形成信号在不同尺度上的展开。从频谱分析的角度看，小波变换是将信号分解为低频和高频两部分，在下一层的分解中，又将低频部分再分解为更低频和更高频两部分，依此类推，进而完成更深层次的小波分解[6]。小波变换是先对某一类称为基本小波（基波）或母小波（Mother Wavelet）的函数ψ（t）作位移变化b，然后在不同尺度a下与待分析信号f（t）做内积运算。

式中，a为伸缩因子或尺度因子，工程中a＜0无实际意义；b为平移因子。

式（1）称为小波函数族或依赖于a，b的连续小波。

假定f（t）∈L2（R）是一个能量有限信号，其小波变换定义为f（t）与小波函数族ψab（t）的内积，即

2.2 小波特征提取算法

小波分解各尺度空间内平滑信号和细节信号能提供原始信号的时频局域信息，特别是能提供不同频段上信号的构成信息。若把不同分解尺度上信号的能量求出来，则可以将这些能量值按尺度顺序排列形成特征向量以供识别。这就是基于小波变换提取多尺度空间能量特征的基本原理[7]。

信号x（t）在L2（R）空间上的范数||x||2的平方定义为

因此，信号在时域的能量等于其在L2（R）空间上范数||x||2的平方。对于一个可容许的小波函数ψ（t），有

从而建立小波系数与能量在时域上的等价关系。

设小波系数Wj,k对应的能量为Ej,k，则有

式中，j为尺度（伸缩）因子，k为位移（平移）因子。

2.3 小波特征提取步骤

由于离散序列x（n）小波分解后的小波系数矩阵维数很高，而利用小波能量所构造的特征向量的维数较低，从而原始的高维空间转变成低维的特征空间，有效识别分类声信号。由上述分析可知，每个特征都代表一组小波系数，反映离散信号的时域与频域信息，而且不同尺度下的小波系数还描述一定频域范围的信号特征，从上述能量计算过程,即特征的提取过程来看，这种结构的特征向量具有鲁棒性，即具有较高的稳定性[6]。

3 车辆噪声特征提取的仿真分析

仿真实验中，小波分解采用Mallat二进小波快速算法，分别对M109型坦克和Leopard 2型军用车辆两种典型车辆噪声信号进行小波分解，并计算所有尺度空间的小波系数归一化能量。这两种实验数据经1：10降采样后采样率为2 kHz，现截取1 024个数据点进行分析。采用db6小波，小波分解最大级数为8。表1和表2分别是这两种信号对应频段的小波（归一化）能量特征，图1是这两种信号提取的小波 （归一化）能量特征分布条形图。上述分析均在Visual C++6.0下实现。

由表1～表2和图1看出，这两种车辆的噪声信号在能量分布上有很大差异，前者能量主要分布在30～130 Hz，而后者能量则主要分布在60～500 Hz，这样就可以区分其种噪声信号。因此，使用小波能量方法对车辆噪声信号进行特征提取是非常有效的。

图1 噪声信号能量分布图

?

?

4 结论

小波分析具有时频局部化特性，因此非常适用于非平稳信号的分析处理。根据小波分解系数与信号各频带能量之间的对应关系，采用小波分析方法提取声目标信号特征，可从中提取出各尺度的能量特征作为信号特征，并以此分类[8-9]。由于不同类型声信号的频率成分不同而使能量分布有很大差异，因此利用能量作为分类识别的特征是可行的。

[1]孙即祥.模式识别中的特征提取与计算机视觉不变量[M].北京：国防工业出版社，2001.

[2]刘贯领.声目标识别方法研究[D].南京：南京理工大学，2003.

[3]陈 丹.战场被动声多目标识别方法研究[D].西安：西北工业大学，2005.

[4]Heberley Jeffrey.Advanced acoustic sensor technologies[R].AD Report,2001.

[5]李在庭，高德勇.直升机声信号特征提取和识别技术[J].兵工学报，1996,17 （1）：55-59.

[6]周冬生.肺音信号的特征提取与模式识别[D].济南：山东大学，2005.

[7]张静远，张 冰，蒋兴舟.基于小波变换的特征提取方法分析[J].信号处理,2000,16（2）:156-162.

[8]杨亦春，张文慧，程 翔，等.声引信目标信号过零率分布研究[J].南京理工大学学报，2000，24（3）：249-252.

[9]陈春玉.目标识别技术的现状与发展[J].声学技术，1999，18（4）：185-188.

Research of feature extraction of vehicle noise based on wavelet analysis

MA Zhi-gang
（College of Modern Educational Technology,Shanxi Agricultural University,Taigu030801,China）

Feature extraction is the key of acoustic target recognition.Because the acoustic signal is non-stationary,the traditional feature extraction methods have large limitations.A wavelet analysis method used for feature extraction is introduced in this paper.Simulation result proves that this method is effective.

vehicle noise;feature extraction;wavelet analysis；Mallat

TP391

A

1674－6236（2010）01-0001-02

2009-07-13 稿件编号：200907042

国家自然科学基金项目（50675213）；山西农业大学科技创新基金（2009007）

马志刚（1982—），男，山西文水人，硕士研究生，助教。研究方向：电子信息科学与技术、目标识别。