基于声源定位的信息传输异常点智能识别算法研究

柳秀山 蔡君 张琴 程骏

摘  要： 为了解决传统方法识别声音信息异常点时存在精确度低的问题，研究基于声源定位的信息传输异常点智能识别算法，采用改进模糊C均值聚类算法得到可能性C均值聚类算法，采用此声源定位算法计算异常声源聚类中心，当聚类符合限制条件时，输出的聚类中心为异常声源定位结果;以该结果为前提，依据短时幅度与短时过动态门限率变量判断声音信息异常点的起始端与终止端，识别出声音信息传输异常点。实验结果表明，所提算法对识别声音信息传输异常点的丢包率误差最大在3.45～3.7之间，说明所提算法对丢包率存在一定的抵抗能力。

关键词： 声源定位; 可能性C均值; 聚类算法; 信息传输; 异常点识别; 智能识别算法

中图分类号： TN141.2?34; TP393               文献标识码： A                    文章编号： 1004?373X（2019）12?0033?04

Abstract： An information transmission abnormal point intelligent identification algorithm based on sound source localization is researched to solve the low accuracy problem existing during identification of sound information abnormal points by using traditional methods. The improved fuzzy C?means clustering algorithm is used to obtain the possibility C?means clustering algorithm. The sound source localization algorithm is adopted to calculate the clustering centers of abnormal sound sources. When the clustering meets the restriction conditions， the output clustering centers are considered as the localization results of abnormal sound sources. Taking the results as the prerequisites， the start terminal and end terminal of sound information abnormal points are judged according to the short?term amplitude and short?term over?dynamic threshold rate variables， so as to identify the abnormal points of sound information transmission. The experimental results show that the proposed algorithm′s maximum packet loss rate error for identification of sound information transmission abnormal points is between 3.45 and 3.7， which shows that the proposed algorithm has a certain resistance to packet loss rate.

Keywords： sound source localization; possibility C?means; clustering algorithm; information transmission; abnormal point identification; intelligent identification algorithm

0  引  言

公共场所中声音包含大量关键性信息，往往比视频信息更能传递直接内容。近年来声音信息研究广泛应用在各个领域，如视频监控、案件侦破等[1]。识别声音信息传输异常点是利用声音信息解决问题的关键。专家对声音信息传输过程中的异常点的识别已有一定研究。采用高分辨率谱推断声音信息异常点的方法效果较好，但使用范围有限，只适合窄带宽平稳声音信号的异常识别[2];采用波束成形算法识别声音信息异常点可以看成是对声音信息进行加权求和与修改权值的过程，该方法需要大量运算步骤，以声音传输的噪声信息为前提才能获取有效的声音异常点识别结果，执行步骤繁琐导致该方法可行性降低。本文针对声音信息异常点识别的需求与现有方法的缺点，提出基于声源定位的信息传输异常点识别算法。经验证，本文算法识别声音信息异常点的精确高、性能优，为场所异常声音信息识别提供有效手段。

1  信息传输异常点智能识别算法

首先采用声源定位算法判断场所中异常声音信息位置[3]，其次标记具体定位中异常声音信息的端点，即可完成声音信息传输异常点智能识别。

1.1  基于可能性C均值的声源定位算法

1.1.1  可能性C均值聚类算法

详细介绍可能性C均值聚类算法。针对模糊C均值聚类算法运算过程中，限制隶属度为1时对噪声和野值点反应敏感的情况[4]，改进该算法，放宽隶属度的限制条件，得到可能性C均值聚类算法。

式中：[aij∈0，1]表示声音信息数据样本[xj]划分类[i]的可能性数值，且符合[0

定义声音信息异常点监测范围内的声源数量为[D]，那么聚类中心数量为[D]，[C]值与[D]值相同，得出以下结果：[gk]表示第[k]个聚类中心位置;[xi]，[aik]分别表示第[i]个监测点的位置、第[i]个监测点划分第[k]个声源的可能性数值。迭代后得到可能性划分值与聚类中心，第[i]个监测点的位置公式为：

1.1.2  声音信息传输异常点定位

当[Bi]值与节点测量值成正比，说明此节点同被监测声源间的长度较小，那么理论上讲该节点计算聚类中心的权重较大。

采用可能性C均值聚类声源定位算法识别声音信息传输异常点的过程如下：

1） 还原参数，聚类数量[C=D]，还原迭代次数与迭代次数最大值分别为[a=1]，[amax]，聚类终止的阈值为0.01。另外，还原[aik]与[gk]，计算[?i]。

2） 采用式（4）与式（1）计算聚类中心与目标函数值，且[a=a+1]。

3） 当聚类符合[Jt-Jt-1<γ]，[a>amax]条件之一时，终止运算;相反情况，循环执行过程2）与过程4）。

4） 得到的聚类中心[G=g1，g2，…，gD]，即异常声音信息点的声源定位结果。

1.2  异常声音信息的端点检测

根据异常声音信息传输定位结果，进一步检测异常声音信息的端点[6]，标记异常声音信息的起始端与终止端，得到声音信息传输异常点。

声音信息的异常点相比正常声音信息而言，具有能量大、声强高的特点[7]，因此，检测声音信息传输异常点需依据短时幅度与短时过动态门限率两个变量实现，其优势为[8]：

1） 短时幅度变量运算简单，简化声音信息识别过程[9];

2） 短时过动态门限率可降低噪声对异常点识别的干扰。

计算短时幅度的方法为：

归纳声音信息端点检测算法的流程为：

1） 预加重声音信息后，采用汉明窗实施分帧操作[10]，获取音频帧，表示为[xin]，其中，音频帧序号与帧中采样点序号分别为[i]，[n]。

2） 标定短时幅度阈值[Ath]，基于监测设备采集的初始声音信息的无效性[11]，将1～150帧声音信息作为短时幅度计算对象，定义获取的均值为[Aave]，计算声音信息与[Aave]的乘积，即[Ath]的值。

3） 标定短时过动态门限率[ZCRth]，同理，将151～300帧声音信息作为短时过动态门限率计算对象[12]，获取均值表示成[ZCRave]，计算声音信息与[ZCRave]的乘积，即为[ZCRth]值。

2  实验分析

2.1  实验环境设置

为验证本文基于声源定位的声音信息传输异常点智能识别算法的有效性，展开仿真测试。实验设置情况为：选取120 m×120 m的区域，并布置声音信息监测网络，设置K个声源。表1为实验参数设置。

表1  实验参数设置情况

2.2  端点检测结果分析

在实验环境设置数段鸣笛声，截取其中两端时间结果进行分析，图1为两段鸣笛声的数字信号，本文算法检测声音信息端点的结果如图2、图3所示。

图1  声音数字信号

分析圖2与图3中的声音信息检测结果可知，每段鸣笛声音信息两端具有明显的虚线进行分割标记，划分出目标声音段，说明本文算法能够获取有效的声音信息端点，获取精准的声音信息异常点。

2.3  丢包率与误差的关系分析

理想化情况下得到下述结论，声音信息实际传输过程中容易受到节点故障、信道拥挤等因素干扰，出现丢包情况。为此，实验研究本文算法识别误差与丢包率间的关系，结果如图4所示。

图2  声音信息短时幅度

图3  声音信息短时过门限率

图4  本文算法的丢包率与识别误差的关系

分析图4能够看出：声音信息噪声标准差为0.8时，随着丢包率的增加，本文算法识别声音信息传输异常点的均方根误差表现平稳，保持在0.025～0.04之间;声音信息噪声标准差为1.6时，本文算法识别声音信息传输异常点的均方根误差表现仍然平稳，但是误差值有所增加，在2.3～2.45之间;声音信息噪声标准差增加至2.4时，本文算法识别均方根误差增加至3.45～3.7。说明本文算法对丢包率存在一定的抵抗能力，在识别声音信息传输异常点过程中基本不受丢包率的影响。

3  结  语

本文基于声源定位算法智能识别声音信息传输异常点，首先采用基于可能性C均值的声源定位算法获取异常声音信息的位置，其次检测异常声音信息端点，识别出声音信息传输的异常点。经验证，本文算法识别精度较高，其优势在于获取异常声音位置后进行异常声音端点识别，此做法一方面减少对无用声音信息的运算，另一方面提升声音信息异常点识别精度，本文算法的提出为声音信息异常点识别提供了崭新手段。

参考文献

[1] 刘韵婷，井元伟，张嗣瀛.基于量化信息的无线传感器网络多声源定位研究[J].电子科技大学学报，2017，46（4）：530?533.

LIU Yunting， JING Yuanwei， ZHANG Siying. Multi?acoustic source localization based on quantized data for wireless sensor networks [J]. Journal of University of Electronic Science and Technology of China， 2017， 46（4）： 530?533.

[2] 戴春妮.基于聚类特征自适应机制的无线传感网异常节点检测算法[J].微电子学与计算机，2017，34（4）：76?82.

DAI Chunni. Anomaly node searching algorithm of wireless sensor networks based on adaptive mechanism of clustering feature [J]. Microelectronics & computer， 2017， 34（4）： 76?82.

[3] 方文浩，邢占元，文祥计，等.基于智能手机TDOA估计的被动声源定位方法与系统实现[J].仪器仪表学报，2016，37（4）：952?960.

FANG Wenhao， XING Zhanyuan， WEN Xiangji， et al. Passive acoustic source target positioning method based on smart phone platform TDOA estimation and system implementation [J]. Chinese journal of scientific instrument， 2016， 37（4）： 952?960.

[4] 于国栋，宋永志，王春阳，等.两种不同的声源定位算法研究[J].声学技术，2016，35（5）：467?471.

YU Guodong， SONG Yongzhi， WANG Chunyang， et al. Research on two different sound source localization algorithms [J]. Technical acoustics， 2016， 35（5）： 467?471.

[5] JIN Y， XIA K. Intelligent location and recognition mechanism of abnormal point of medical image based on reliable transmission in medial CT scanner local big data networks [J]. Journal of medical imaging & health informatics， 2018， 8（3）： 609?617.

[6] 李倩倩，阳凡林，张凯.不确定海洋环境中基于贝叶斯理论的多声源定位算法[J].海洋学报，2018，40（1）：39?46.

LI Qianqian， YANG Fanlin， ZHANG Kai. Multiple source localization using Bayesian theory in an uncertain environment [J]. Acta oceanologica sinica， 2018， 40（1）： 39?46.

[7] ZHANG H， XU G L， YIN W， et al. Numerical investigation on the transmission loss of skin panels based on the intelligent PSO?CGA algorithm [J]. IEEE access， 2018， 6（99）： 26121?26130.

[8] 闫青丽，陈建峰.分布式声源定位系统节点最优布局方法及性能研究[J].电子学报，2018，46（5）：1186?1193.

YAN Qingli， CHEN Jianfeng. Node placement optimization for distributed acoustic source localization system and performance study [J]. Acta electronica sinica， 2018， 46（5）： 1186?1193.

[9] 高曙德，狄国荣，苏永刚，等.ELF电磁仪远程控制和数据传输及编译的实现[J].地震工程学报，2016，38（3）：471?477.

GAO Shude， DI Guorong， SU Yonggang， et al. The implementation of remote control and data transmission and compiling of the extremely low frequency electromagnetic instrument [J]. China earthquake engineering journal， 2016， 38（3）： 471?477.

[10] 李宇翀，魏东，罗兴国，等.基于多元增量分析的全网络在线异常检测方法[J].上海交通大学学报，2016，50（9）：1368?1375.

LI Yuchong， WEI Dong， LUO Xingguo， et al. Online network?wide anomaly detection algorithm based on multivariate incremental component analysis [J]. Journal of Shanghai Jiaotong University， 2016， 50（9）： 1368?1375.

[11] 杨娜.大数据分析下信息异常传输路径实时校正仿真[J].计算机仿真，2018，35（5）：195?198.

YANG Na. Real?time correction simulation of abnormal transmission path under big data analysis [J]. Computer simulation， 2018， 35（5）： 195?198.

[12] 戴春妮.基于聚类特征自适应机制的无线传感网异常节点检测算法[J].微电子学与计算机，2017，34（4）：76?82.

DAI Chunni. Anomaly node searching algorithm of wireless sensor networks based on adaptive mechanism of clustering feature [J]. Microelectronics & computer， 2017， 34（4）： 76?82.

[13] 薛鑫.大型数据库中异常信息检测仿真研究[J].计算机仿真，2017，34（8）：399?402.

XUE Xin. Simulation research on anomaly detection in large databases [J]. Computer simulation， 2017， 34（8）： 399?402.