CN103925989A - 基于acf和iacf的交通噪声自动识别方法 - Google Patents
基于acf和iacf的交通噪声自动识别方法 Download PDFInfo
- Publication number
- CN103925989A CN103925989A CN201410113552.3A CN201410113552A CN103925989A CN 103925989 A CN103925989 A CN 103925989A CN 201410113552 A CN201410113552 A CN 201410113552A CN 103925989 A CN103925989 A CN 103925989A
- Authority
- CN
- China
- Prior art keywords
- index parameter
- noise
- voice signal
- tract
- sampled point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公开了一种基于ACF和IACF的交通噪声自动识别方法,包括(1)对交通工具常态运行中产生的噪声进行采集;(2)把步骤(1)采集到的声音信号转换为数字信号,进行ACF和IACF函数计算分析,从而获得所有采样点的指标参量,包括:指标参量Φ(0)、指标参量τ1和指标参量τIACC;(3)指标参量的特征提取,包括:指标参量Φ(0)的特征值P、指标参量Φ(0)的特征值s、指标参量τ1的特征值R和指标参量τIACC的特征值Ct;(4)对声音信号进行分类识别。本发明解决用传统的声压级和频谱进行噪声测量存在的与人实际的听闻体验差距大、测量结果误差较大、获取的监测数据实时性、代表性较差的问题。
Description
技术领域
本发明属于环境噪声监测领域,具体为对道路噪声、铁路噪声以及不同列车车型所造成的噪声的自动分析和识别方法。在本发明方法的基础上可以建立噪声自动监测系统用于环境噪声(特别是交通噪声)的自动识别和自动监测。
背景技术
环境噪声监测是城市噪声控制的基础和理论依据,它为噪声政策的制定和噪声控制提供了一线数据。长久以来,声压级(包括因为测量目的不同而采取的等效声压级、最大声压级和累积百分声级等)和频谱一直是噪声测量中与主观评价相对应的物理指标,同时它们也是噪声政策制定的参考标准。GB3096-2008《声环境质量标准》中规定:等效声级LAeq指在规定时间内A声级的能量平均值;最大声级LAmax指在规定测量时间内或对某一独立噪声事件测得的A声级最大值;累积百分声级LN,是用于评价测量时间段内噪声强度时间统计分布特征的指标,指占测量时间段一定比例的累积时间内A声级的最小值。常用的是噪声的平均峰值L10、噪声的平均中值L50和噪声的平均本底值L90。
然而,声压级和频谱的噪声测量方法存在以下问题:
(1)声压级的测量不能完全代表人的主观听闻感觉,在噪声释放量一样的情况下,静止的声源和移动的声源对人的影响是不同的。本技术采用的测量分析方法更能与人的主观听觉相对应。实际上噪声作为一种声音信号应该是时间和空间两种特性的组合,在Y.Ando的文章“A theory of primary sensations and spatial sensations measuring environmental noise”.Journal of Sound and Vibration,2001.3~18中进行了详细的描述。
(2)声压级测量只反应噪声源的噪声释放量或者接收点的噪声暴露量,并不能反应噪声源的种类。本技术提出的测量方法可以实现对声源的即时分析和对声源种类的判别,从而为环境噪声的自动监测提供核心基础。
(3)实现对声源种类的判别,就可以把要测量的噪声事件从背景噪声中完全剥离,使声音信号的保留和分析只集中在有噪声事件的这一阶段,从而节省了测量的人力和成本。
针对传统的用声压级和频谱进行噪声测量的方法及人工监测的方式存在上述不足,人们希望开发一种新的环境噪声测量方法克服现有技术的不足。
自相关函数(Auto-Correlation Function,简称ACF)能反映一个声音信号在时间上的重复特性,双耳自相关函数(Interaural Cross-correlation Function,简称IACF)能反映声音信号在空间上的特性。所以对噪声信号进行ACF和IACF分析,就可以将信号的单声道采集分析转变为双耳双声道信号分析。由此获得的噪声信号信息包含了时间和空间两个维度的内容,能更好地反映了噪声信号的特征,也更符合人的听觉感受。目前的研究已经陆续验证了用ACF和IACF分析来取代传统的声压级测量和简单的频谱分析不仅可以把握噪声信号和声音环境更准确的信息,也更符合人对噪声的主观感受和评价。H.Sakai在文章[Diagnostic system based on the human auditory-brain model for measuring environmentalnoise—an application to railway noise.Journal of Sound and Vibration,2002.]中采用双耳测量的方式对铁路噪声和飞机噪声进行采样,对得到的噪声样本进行ACF和IACF因子分析,发现Φ(0)与声压级密切相关,τIACC能够很好的描述声源的指向性。Kenji Fujii在文章[Acoustical properties of aircraft noise measured by temporal and spatial factors.Journal of Soundand Vibration,2001.69-78]中通过将双耳测量录制的飞机噪声、铁路噪声、道路噪声、生活噪声等制成实验刺激完成了一系列主观烦恼度实验,发现在同样的声压级状态下,ACF因子、音调和音色都可以有效地描述人的主观反应。
发明内容
本发明提供一种基于ACF和IACF的交通噪声自动识别方法,在本发明提出的方法的基础上建立噪声自动监测系统。与传统的用声压级和频谱进行噪声测量不同,本发明采用自相关函数和双耳自相关函数的方法,提取出能表征声音信号时间和空间两种特性的指标参量,并对这些指标参量进行特征提取,用来区分噪声源类型。在实际应用过程中,可以在本发明提出的方法的基础上建立噪声自动监测系统,用于改进噪声测量的方法,使之更科学化、人性化。从而可以解决用传统的声压级和频谱进行噪声测量存在的与人实际的听闻体验差距大,测量结果误差较大,获取的监测数据实时性、代表性较差的问题;以自动监测代替人工监测,在有效解决人工监测存在的人为因素影响测量结果准确度的问题之外,还可以对实际监测工作提供便利,节省大量的人力资源。
本发明一种基于ACF和IACF的交通噪声自动识别方法,包括步骤:
步骤一、对交通工具常态运行中产生的噪声进行采集;
步骤二、把步骤一采集到的声音信号转换为数字信号,进行ACF和IACF函数计算分析,从而获得所有采样点的指标参量,包括:指标参量Φ(0)、指标参量τ1和指标参量τIACC;
步骤三、指标参量的特征提取,包括:指标参量Φ(0)的特征值P、指标参量Φ(0)的特征值s、指标参量τ1的特征值R和指标参量τIACC的特征值Ct;
步骤四、对声音信号进行分类识别:
判断由步骤三提取的指标参量Φ(0)的特征值P、指标参量Φ(0)的特征值s、指标参量τ1的特征值R和指标参量τIACC的特征值Ct,是否满足下述条件:
条件1:指标参量Φ(0)的特征值P<90%;
条件2:指标参量Φ(0)的特征值s>6;
条件3:指标参量τ1的特征值R>8%;
条件4:指标参量τIACC的特征值Ct>7s;
若同时满足上述4个条件中的2个以下,则判断采集到的声音信号为道路噪声;
若同时满足上述4个条件中的3个以上,则判断采集到的声音信号为铁路噪声,并按照以下步骤继续判断该声音信号所属的铁路车型:
4-1、在指标参量Φ(0)的采样序列A=(A1,A2,…,Ai,…An)中,对全部n个Φ(0)值进行统计,找出其中前20个最大值,并计算这20个最大值的平均值
4-2、在指标参量Φ(0)的采样序列A=(A1,A2,…,Ai,…An)中寻找出多个序列段A1,A2,…,Ak,要求每个序列段内所有的Φ(0)值都≥对已选出的各个序列段(A1,A2,…,Ak)内包含的采样点个数进行统计,把包含采样点个数最多的序列段Am设为Amax,设该序列段Am对应的声音信号的时间为At;
在指标参量Φ(0)采样序列A=(A1,A2,…,Ai,…An)中提取出多个序列段A'1,A'2,…,A'k,要求每个序列段内所有的Φ(0)值都≥对已选出的各个序列段(A'1,A'2,…,A'k)内包含的采样点个数进行统计,把包含采样点个数最多的序列段A'i设为A'max,设该序列段A'i对应的声音信号的时间为At';
4-3、若At'-At<15,则设若At'-At≥15,则设t=At;
若0<t≤18s,则该声音信号为动车组的噪声;
若18s<t≤40s,则该声音信号为特快列车的噪声;
若40s<t≤60s,则该声音信号为普通快车的噪声;
若60s<t≤90s,则该声音信号为特快/普快列车的噪声;
若90s<t,则该声音信号为货车的噪声。
进一步讲,步骤一中,采集点设在垂直于铁路轨道的10~20米处或垂直于道路路缘石的0~6米处;采集时间为1~10分钟,采样频率为44.1kHz。
步骤二中,ACF和IACF函数计算的积分区间2T为1s,延迟时间τ为50ms,每间隔0.1s为一个采样点。指标参量Φ(0)为声音信号的初始能量,单位为dB;指标参量τ1为A CF曲线中的第一个峰值所对应的时延τ1,单位为ms;指标参量τIACC为I ACF曲线最高峰对应的时延τIACC,单位为ms。
步骤三中,指标参量Φ(0)的采样序列为A=(A1,A2,…,Ai,…An),其中Ai为第i个采样点,n为采样点总个数,对上述指标参量Φ(0)采样序列中的所有采样点的数据进行统计,获得指标参量Φ(0)的总数据个数n和Φ(0)值≥-55dB的数据个数m,计算Φ(0)≥-55dB的数据个数占指标参量Φ(0)的总数据个数的比例P,其公式为P=m/n;计算上述n个采样点的指标参量Φ(0)的平均值其公式为其中i=1,2,…,n;计算上述n个采样点的指标参量Φ(0)的标准差s,其公式为其中i=1,2,…,n;
指标参量τ1的采样序列为B=(B1,B2,…,Bi,…Bn),其中Bi为第i个采样点,n为采样总个数,对上述指标参量τ1采样序列中的所有采样点的数据进行统计,获得指标参量τ1的总数据个数n和τ1值≥3的数据个数j,计算τ1值≥3的数据个数占指标参量τ1的总数据个数的比例R,其公式为R=j/n;
指标参量τIACC的采样序列为C=(C1,C2,…,Ci,…Cn),其中Ci为第i个采样点,n为采样点总个数,在序列C中寻找多个序列段C1,C2,…,Ck,要求每个序列段内所有采样点的τIACC的最大值Cmax与最小值Cmin的差值小于0.1,即Cmax-Cmin<0.1;对已选出的各个序列段(C1,C2,…,Ck)内包含的采样点个数进行统计,把包含采样点个数最多的序列段Cm设为Cmax,设该序列段Cm对应的声音信号的时间为Ct。
本发明利用自相关函数和双耳自相关函数建立铁路噪声和道路噪声自动监测系统,用于噪声源的自动辨认、自动采集、自动测量。
与现有技术相比,本发明的优点在于:
1)能够解决用传统的声压级和频谱进行噪声测量存在的与人实际的听闻体验差距大、测量结果误差较大、获取的监测数据实时性、代表性较差的问题;
2)自动检测系统可以代替人工监测,在有效解决人工监测存在的人为因素影响测量结果准确度的问题之外,还可以对实际监测工作提供便利,节省大量的人力资源。
附图说明
图1是本发明交通噪声自动识别方法的流程图;
图2是自相关函数(ACF)的指标参量曲线;
图3是双耳自相关函数(IACF)的指标参量曲线。
具体实施方式
以下先对实现本发明技术方案所涉及、使用的一些技术原理、术语作如下阐述和解释。
声音信号的类别:这里指铁路噪声、道路噪声。铁路噪声又分为动车组噪声、特快列车噪声、普通快车噪声、货车噪声。
自相关函数(ACF):反映的是声音信号在时间上的特性,其数学表达式为:
公式(1)中,p(t)代表声音信号的声压;p(t+τ)代表延迟了时间τ的声音信号的声压;2T代表声音信号的积分区间。
双耳自相关函数(IACF):反映的是声音信号在空间上的特性,其数学表达式为:
公式(2)中,p’(t)是A计权网络的冲击响应;τ代表声音信号到达左右两耳的时间差。2T代表声音信号的积分区间。
指标参量:对声音信号的ACF和IACF分析,得到的表征声音时间和空间特性的物理量。本发明选用的指标参量有三个:ACF中表征时间特性的两个物理量:Φ(0)、τ1;IACF中表征空间特性的一个物理量:τIACC。其中,Φ(0)是τ=0时,Φp(τ)的值,表示声音信号的初始能量,以dB为单位,Φ(0)与响度直接相关,比用声级计测量得到的Leq更精确地反应声音信号的即时反应;τ1是ACF曲线中的第一个峰值所对应的时延,以ms为单位,代表的是声音的主频率或者缺失频率的高低,见图2;τIACC是IACF曲线最高峰对应的时延,以ms为单位,代表的是信号到达双耳时的时延,它对于声音的水平定位和声场平衡起到至关重要的作用,见图3。
特征提取:对不同噪声源信号的ACF和IACF的多个指标参量的数值变化规律进行统计分析,提出一种计算方法对指标参量进行处理得到一些参量。这些参量称为特征(Feature)。经过特征提取的这些参量应具有比较明显的规律性,即:同类别噪声提取的特征参量应该具有相似性,不同类别噪声的特征参量应该具有差异性。
本发明是用于自动识别铁路噪声、道路噪声的方法,由于铁路噪声和道路噪声的指标参量上存在明显差异,所以对指标参量进行特征提取可以用于噪声分类的度量。
本发明是一种基于ACF和IACF的交通噪声自动识别方法,包括步骤:
步骤一、对交通工具常态运行中产生的噪声进行采集。采集点设在垂直于铁路轨道的10~20米处,垂直于道路路缘石的0~6米处;采集时间至少为1分钟,最长时间建议不超过10分钟;采集点附近应没有大的反射面;所用的采集声音信号的设备为声学头模,它的采样频率为44.1kHz。
步骤二、把步骤一采集到的声音信号转换为数字信号,进行ACF和IACF函数计算分析。对于函数的计算,本识别方法的积分区间2T为1s,延迟时间τ为50ms。时间每间隔0.1s为一个采样点,从而获得所有采样点的指标参量,包括:
Φ(0):声音信号的初始能量,单位为dB;
τ1:ACF曲线中的第一个峰值所对应的时延,单位为ms;
τIACC:IACF曲线最高峰对应的时延,单位为ms;
步骤三、指标参量的特征提取,包括:
指标参量Φ(0)的采样序列为A=(A1,A2,…,Ai,…An),其中Ai为第i个采样点,n为采样点总个数。对上述指标参量Φ(0)采样序列中的所有采样点的数据进行统计,获得Φ(0)的总数据个数n和Φ(0)值≥-55dB的数据个数m,计算Φ(0)≥-55dB的数据个数占Φ(0)的总数据个数的比例P,其公式为P=m/n;
计算上述n个采样点的Φ(0)的平均值其公式为其中i=1,2,…,n;计算上述n个采样点的Φ(0)的标准差s,其公式为其中i=1,2,…,n;
指标参量τ1的采样序列为B=(B1,B2,…,Bi,…Bn),其中Bi为第i个采样点,n为采样点数。对上述指标参量τ1采样序列中的所有采样点的数据进行统计,获得τ1的总数据个数n,τ1值≥3的数据个数j,计算τ1值≥3的数据个数占τ1的总数据个数的比例R,其公式为R=j/n;
指标参量τIACC的采样序列为C=(C1,C2,…,Ci,…Cn),其中Ci为第i个采样点,n为采样点数。在序列C中寻找多个序列段C1,C2,…,Ck,要求每个序列段内所有采样点的τIACC的最大值Cmax与最小值Cmin的差值小于0.1,即Cmax-Cmin<0.1。对已选出的各个序列段(C1,C2,…,Ck)内包含的采样点个数进行统计,把包含采样点个数最多的序列段Cm设为Cmax,设该序列段Cm对应的声音信号的时间为Ct;
步骤四、对声音信号进行分类识别:
判断由步骤三提取的声音信号的特征值,包括指标参量Φ(0)的特征值P、指标参量Φ(0)的特征值s、指标参量τ1的特征值R、指标参量τIACC的特征值Ct,是否能同时满足下述4个条件中的3个或3个以上:
条件1:P<90%;
条件2:s>6;
条件3:R>8%;
条件4:Ct>7s;
若采集的声音信号的特征值能满足上述4个条件中的2个或2个以下,则判断该声音信号为道路噪声;若能同时满足上述4个条件中的3个或3个以上,则初步判断该声音信号为铁路噪声,并按照以下步骤继续判断该声音信号所属的铁路车型:
步骤4-1、在指标参量Φ(0)的采样序列A=(A1,A2,…,Ai,…An)中,对全部n个Φ(0)值进行统计,找出其中前20个最大值,并计算这20个最大值的平均值
步骤4-2、在指标参量Φ(0)的采样序列A=(A1,A2,…,Ai,…An)中寻找出多个序列段A1,A2,…,Ak,要求每个序列段内所有的Φ(0)值都≥对已选出的各个序列段(A1,A2,…,Ak)内包含的采样点个数进行统计,把包含采样点个数最多的序列段Am设为Amax,设该序列段Am对应的声音信号的时间为At;
同样,在指标参量Φ(0)采样序列A=(A1,A2,…,Ai,…An)中提取出多个序列段A'1,A'2,…,A'k,要求每个序列段内所有的Φ(0)值都≥对已选出的各个序列段(A'1,A'2,…,A'k)内包含的采样点个数进行统计,把包含采样点个数最多的序列段A'i设为A'max,设该序列段A'i对应的声音信号的时间为At';
步骤4-3、若At'-At<15,则设若At'-At≥15,则设t=At;
若0s<t≤18s,则该声音信号为动车组的噪声;
若18s<t≤40s,则该声音信号为特快列车的噪声;
若40s<t≤60s,则该声音信号为普通快车的噪声;
若60s<t≤90s,则该声音信号为特快/普快列车的噪声;
若90s<t,则该声音信号为货车的噪声。
下面结合附图和具体实施例对本发明技术方案作进一步详细描述。
实施例1:
步骤1:用声学头模(型号HCCO-s,北京声科测声学技术有限公司,采样频率为44.1kHz,频响范围20Hz—20kHz,最大输入声压级155dB,全指向,本底噪声22dBA,灵敏度15.8mv/Pa)采集一段声音信号,时长是80.1s。
步骤2:把步骤1采集到的声音信号转换为数字信号,进行ACF和IACF函数计算分析。对于函数的计算,选用的积分区间2T为1s,延迟时间τ为50ms。时间每间隔0.1s为一个采样点,获得所有采样点的指标参量:Φ(0)、τ1、τIACC的所有数据,部分数据见表1。
表1
Time | Φ(0) | τ1 | τIACC |
0 | -62.82 | 1.04 | 0.82 |
0.1 | -62.64 | 1.04 | 0.00 |
0.2 | -62.36 | 1.09 | 0.82 |
0.3 | -61.80 | 1.02 | 0.82 |
0.4 | -62.06 | 1.02 | 0.82 |
0.5 | -60.17 | 1.84 | 0.82 |
0.6 | -59.58 | 3.49 | 0.82 |
0.7 | -59.78 | 3.86 | 0.84 |
0.8 | -59.70 | 0.73 | 0.84 |
0.9 | -59.60 | 0.77 | 0.82 |
1 | -59.26 | 3.49 | 0.84 |
1.1 | -59.77 | 3.40 | 0.84 |
…… | …… | …… | …… |
40 | -31.31 | 0.61 | 0.73 |
40.1 | -31.53 | 0.61 | 0.73 |
40.2 | -31.70 | 0.61 | 0.73 |
40.3 | -31.86 | 0.61 | 0.73 |
40.4 | -32.05 | 0.61 | 0.73 |
40.5 | -32.13 | 0.61 | 0.73 |
40.6 | -32.33 | 0.61 | 0.73 |
40.7 | -32.50 | 0.61 | 0.75 |
40.8 | -32.64 | 0.61 | 0.75 |
40.9 | -32.72 | 0.61 | 0.75 |
…… | …… | …… | …… |
79.1 | -65.21 | 1.11 | 0.75 |
79.2 | -65.40 | 1.07 | 0.77 |
79.3 | -65.62 | 1.09 | 0.00 |
79.4 | -65.52 | 1.11 | 0.77 |
79.5 | -65.36 | 1.11 | 0.77 |
79.6 | -65.13 | 1.11 | 0.77 |
79.7 | -64.86 | 1.11 | 0.75 |
79.8 | -64.61 | 1.07 | 0.77 |
79.9 | -59.86 | 0.82 | 0.75 |
80 | -55.73 | 0.97 | 0.00 |
步骤3:对指标参量的特征提取,按照以下步骤进行:
3.1指标参量Φ(0)的采样序列为A=(A1,A2,…,Ai,…A801)。对上述指标参量Φ(0)采样序列中的所有采样点的数据进行统计,得到以下两个数值:(1)Φ(0)的总数据个数n=801;(2)Φ(0)值≥-55dB的数据个数m=368。计算Φ(0)≥-55dB的数据个数占Φ(0)的总数据个数的比例P,结果为P=m/n=368/801=45.94%;
3.2计算上述801个采样点的Φ(0)的平均值结果为 其中i=1,2,…,801;计算上述801个采样点的Φ(0)的标准差s,结果为 其中i=1,2,…,801;
3.3指标参量τ1的采样序列为B=(B1,B2,…,Bi,…B801)。对上述指标参量τ1采样序列中的所有采样点的数据进行统计,得到以下两个数值:(1)τ1的总数据个数n=801;(2)τ1值≥3的数据个数j=124。计算τ1值≥3的数据个数占τ1的总数据个数的比例R,结果为R=j/n=124/801=15.48%;
3.4指标参量τIACC的采样序列为C=(C1,C2,…,Ci,…C801)。存在多个序列段,其内所有采样点的τIACC的最大值与最小值的差值小于0.1,其中包含采样点个数最多的序列段对应的声音信号的时间为Ct=25.6s;
步骤4:对声音信号进行分类识别
判断该声音信号的上述4个特征值是否能同时满足下述4个条件中的3个或3个以上:
条件1:P<90%;
条件2:s>6;
条件3:R>8%;
条件4:Ct>7s;
其中,能满足上述4个条件中的4个:(1)P=45.94%<90%;(2)s=12.23>6;(3)R=15.48%>8%;(4)Ct=25.6s>7s。初步判断该声音信号为铁路噪声。
接下来继续判断该声音信号所属的铁路车型:
(1)在指标参量Φ(0)的采样序列A=(A1,A2,…,Ai,…A801)中,对全部801个Φ(0)值进行统计,找出其中前20个最大值,并计算这20个最大值的平均值结果为
(2)找出多个序列段,每一个序列段内所有采样点的Φ(0)的数值都≥ 其中采样点最多的序列段对应的时间At=28.4s。
(3)同样找出多个序列段,每一个序列段内所有采样点的Φ(0)的数值都≥ 其中采样点最多的序列段对应的时间At'=43.4s。
(4)At'-At=15≥15,则t=At=28.4s。
(5)时间t所属范围为18s<t≤40s,判断声音信号为特快列车的噪声。
实施例2:
步骤1:用声学头模(型号HCCO-s,北京声科测声学技术有限公司,采样频率为44.1kHz,频响范围20Hz—20kHz,最大输入声压级155dB,全指向,本底噪声22dBA,灵敏度15.8mv/Pa)采集一段声音信号,时长是300s。
步骤2:把步骤1采集到的声音信号转换为数字信号,进行ACF和IACF函数计算分析。对于函数的计算,选用的积分区间2T为1s,延迟时间τ为50ms。时间每间隔0.1s为一个采样点,获得所有采样点的指标参量:Φ(0)、τ1、τIACC的所有数据,部分数据见表2。
表2
Time | Φ(0) | τ1 | τIACC |
0 | -34.78 | 0.23 | 0.59 |
0.1 | -34.71 | 0.23 | 0.57 |
0.2 | -34.58 | 0.23 | 0.57 |
0.3 | -34.54 | 0.23 | 0.57 |
0.4 | -34.44 | 0.84 | 0.57 |
0.5 | -34.23 | 0.23 | 0.57 |
0.6 | -34.05 | 0.25 | 0.52 |
0.7 | -33.85 | 0.25 | 0.48 |
0.8 | -33.60 | 0.25 | 0.45 |
0.9 | -33.23 | 0.25 | 0.43 |
1 | -32.87 | 0.25 | 0.41 |
1.1 | -32.41 | 0.25 | 0.39 |
…… | …… | …… | …… |
150 | -24.82 | 0.20 | -0.14 |
150.1 | -24.42 | 0.20 | -0.14 |
150.2 | -24.31 | 0.20 | -0.14 |
150.3 | -24.07 | 0.20 | -0.36 |
150.4 | -23.09 | 0.20 | 0.25 |
150.5 | -22.99 | 0.20 | 0.25 |
150.6 | -22.90 | 0.20 | 0.25 |
150.7 | -22.85 | 0.20 | 0.25 |
150.8 | -22.90 | 0.20 | 0.25 |
150.9 | -22.94 | 0.20 | 0.25 |
…… | …… | …… | …… |
299 | -35.85 | 0.20 | -0.32 |
299.1 | -36.32 | 0.20 | -0.27 |
299.2 | -36.87 | 0.20 | 0.25 |
299.3 | -37.58 | 0.20 | 0.25 |
299.4 | -38.34 | 0.20 | 0.25 |
299.5 | -39.17 | 0.20 | 0.32 |
299.6 | -39.98 | 0.20 | 0.34 |
299.7 | -40.74 | 1.04 | 0.34 |
299.8 | -41.40 | 1.07 | 0.50 |
299.9 | -41.96 | 1.04 | 0.52 |
步骤3:对指标参量的特征提取,按照以下步骤进行:
3.1指标参量Φ(0)的采样序列为A=(A1,A2,…,Ai,…A3000)。对上述指标参量Φ(0)采样序列中的所有采样点的数据进行统计,得到以下两个数值:(1)Φ(0)的总数据个数n=3000;(2)Φ(0)值≥-55dB的数据个数m=2924。计算Φ(0)≥-55dB的数据个数占Φ(0)的总数据个数的比例P,结果为P=m/n=2924/3000=97.47%;
3.2计算上述3000个采样点的Φ(0)的平均值结果为 其中i=1,2,…,3000;计算上述3000个采样点的Φ(0)的标准差s,结果为 其中i=1,2,…,3000;
3.3指标参量τ1的采样序列为B=(B1,B2,…,Bi,…B3000)。对上述指标参量τ1采样序列中的所有采样点的数据进行统计,得到以下两个数值:(1)τ1的总数据个数n=3000;(2)τ1值≥3的数据个数j=20。计算τ1值≥3的数据个数占τ1的总数据个数的比例R,结果为R=j/n=20/3000=0.67%;
3.4指标参量τIACC的采样序列为C=(C1,C2,…,Ci,…C3000)。存在多个序列段,其内所有采样点的τIACC的最大值与最小值的差值小于0.1,其中包含采样点个数最多的序列段对应的声音信号的时间为Ct=16.2s;
步骤4:对声音信号进行分类识别
判断该声音信号的上述4个特征值是否能同时满足下述4个条件中的3个或3个以上:
条件1:P<90%;
条件2:s>6;
条件3:R>8%;
条件4:Ct>7s;
其中,能满足上述4个条件中的2个:(1)s=7.75>6;(2)Ct=16.2s>7s。判断该声音信号为道路噪声。
尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (5)
1.一种基于ACF和IACF的交通噪声自动识别方法,包括步骤:
步骤一、对交通工具常态运行中产生的噪声进行采集;
步骤二、把步骤一采集到的声音信号转换为数字信号,进行ACF和IACF函数计算分析,从而获得所有采样点的指标参量,包括:指标参量Φ(0)、指标参量τ1和指标参量τIACC;
步骤三、指标参量的特征提取,包括:指标参量Φ(0)的特征值P、指标参量Φ(0)的特征值s、指标参量τ1的特征值R和指标参量τIACC的特征值Ct;
步骤四、对声音信号进行分类识别:
判断由步骤三提取的指标参量Φ(0)的特征值P、指标参量Φ(0)的特征值s、指标参量τ1的特征值R和指标参量τIACC的特征值Ct,是否满足下述条件:
条件1:指标参量Φ(0)的特征值P<90%;
条件2:指标参量Φ(0)的特征值s>6;
条件3:指标参量τ1的特征值R>8%;
条件4:指标参量τIACC的特征值Ct>7s;
若同时满足上述4个条件中的2个以下,则判断采集到的声音信号为道路噪声;
若同时满足上述4个条件中的3个以上,则判断采集到的声音信号为铁路噪声,并按照以下步骤继续判断该声音信号所属的铁路车型:
4-1、在指标参量Φ(0)的采样序列A=(A1,A2,…,Ai,…An)中,对全部n个Φ(0)值进行统计,找出其中前20个最大值,并计算这20个最大值的平均值
4-2、在指标参量Φ(0)的采样序列A=(A1,A2,…,Ai,…An)中寻找出多个序列段A1,A2,…,Ak,要求每个序列段内所有的Φ(0)值都≥对已选出的各个序列段(A1,A2,…,Ak)内包含的采样点个数进行统计,把包含采样点个数最多的序列段Am设为Amax,设该序列段Am对应的声音信号的时间为At;
在指标参量Φ(0)采样序列A=(A1,A2,…,Ai,…An)中提取出多个序列段A'1,A'2,…,A'k,要求每个序列段内所有的Φ(0)值都≥对已选出的各个序列段(A'1,A'2,…,A'k)内包含的采样点个数进行统计,把包含采样点个数最多的序列段A'i设为A'max,设该序列段A'i对应的声音信号的时间为At';
4-3、若At'-At<15,则设若At'-At≥15,则设t=At;
若0<t≤18s,则该声音信号为动车组的噪声;
若18s<t≤40s,则该声音信号为特快列车的噪声;
若40s<t≤60s,则该声音信号为普通快车的噪声;
若60s<t≤90s,则该声音信号为特快/普快列车的噪声;
若90s<t,则该声音信号为货车的噪声。
2.根据权利要求1所述一种基于ACF和IACF的交通噪声自动识别方法,其中,步骤一中,采集点设在垂直于铁路轨道的10~20米处或垂直于道路路缘石的0~6米处;采集时间为1~10分钟,采样频率为44.1kHz。
3.根据权利要求1所述一种基于ACF和IACF的交通噪声自动识别方法,其中,步骤二中,ACF和IACF函数计算的积分区间2T为1s,延迟时间τ为50ms,每间隔0.1s为一个采样点。
4.根据权利要求1所述一种基于ACF和IACF的交通噪声自动识别方法,其中,步骤二中,指标参量Φ(0)为声音信号的初始能量,单位为dB;指标参量τ1为A CF曲线中的第一个峰值所对应的时延τ1,单位为ms;指标参量τIACC为I ACF曲线最高峰对应的时延τIACC,单位为ms。
5.根据权利要求1所述一种基于ACF和IACF的交通噪声自动识别方法,其中,步骤三中,指标参量Φ(0)的采样序列为A=(A1,A2,…,Ai,…An),其中Ai为第i个采样点,n为采样点总个数,对上述指标参量Φ(0)采样序列中的所有采样点的数据进行统计,获得指标参量Φ(0)的总数据个数n和Φ(0)值≥-55dB的数据个数m,计算Φ(0)≥-55dB的数据个数占指标参量Φ(0)的总数据个数的比例P,其公式为P=m/n;计算上述n个采样点的指标参量Φ(0)的平均值其公式为其中i=1,2,…,n;计算上述n个采样点的指标参量Φ(0)的标准差s,其公式为其中i=1,2,…,n;
指标参量τ1的采样序列为B=(B1,B2,…,Bi,…Bn),其中Bi为第i个采样点,n为采样总个数,对上述指标参量τ1采样序列中的所有采样点的数据进行统计,获得指标参量τ1的总数据个数n和τ1值≥3的数据个数j,计算τ1值≥3的数据个数占指标参量τ1的总数据个数的比例R,其公式为R=j/n;
指标参量τIACC的采样序列为C=(C1,C2,…,Ci,…Cn),其中Ci为第i个采样点,n为采样点总个数,在序列C中寻找多个序列段C1,C2,…,Ck,要求每个序列段内所有采样点的τIACC的最大值Cmax与最小值Cmin的差值小于0.1,即Cmax-Cmin<0.1;对已选出的各个序列段(C1,C2,…,Ck)内包含的采样点个数进行统计,把包含采样点个数最多的序列段Cm设为Cmax,设该序列段Cm对应的声音信号的时间为Ct。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410113552.3A CN103925989B (zh) | 2014-03-25 | 2014-03-25 | 基于acf和iacf的交通噪声自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410113552.3A CN103925989B (zh) | 2014-03-25 | 2014-03-25 | 基于acf和iacf的交通噪声自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103925989A true CN103925989A (zh) | 2014-07-16 |
CN103925989B CN103925989B (zh) | 2016-02-10 |
Family
ID=51144288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410113552.3A Expired - Fee Related CN103925989B (zh) | 2014-03-25 | 2014-03-25 | 基于acf和iacf的交通噪声自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103925989B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108981892A (zh) * | 2018-06-20 | 2018-12-11 | 温州新鸿检测技术有限公司 | 一种环境噪声检测方法 |
CN109405962A (zh) * | 2018-11-21 | 2019-03-01 | 中山大学 | 一种道路交通噪声频谱计算方法 |
CN113782053A (zh) * | 2021-09-04 | 2021-12-10 | 天津大学 | 值得保护的城市声景观品质自动监测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708690A (zh) * | 2012-06-20 | 2012-10-03 | 中国计量学院 | 一种基于道路监控视频测量道路噪声的方法 |
-
2014
- 2014-03-25 CN CN201410113552.3A patent/CN103925989B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708690A (zh) * | 2012-06-20 | 2012-10-03 | 中国计量学院 | 一种基于道路监控视频测量道路噪声的方法 |
Non-Patent Citations (3)
Title |
---|
张丽娟: "北京市公交车噪声测试与分析", 《中国环境监测》 * |
杨青等: "城市交通噪声时间和空间因素变化研究", 《噪声与振动控制》 * |
毛志刚: "广西高速公路噪声源强预测模式修正研究", 《西部交通科技》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108981892A (zh) * | 2018-06-20 | 2018-12-11 | 温州新鸿检测技术有限公司 | 一种环境噪声检测方法 |
CN109405962A (zh) * | 2018-11-21 | 2019-03-01 | 中山大学 | 一种道路交通噪声频谱计算方法 |
CN113782053A (zh) * | 2021-09-04 | 2021-12-10 | 天津大学 | 值得保护的城市声景观品质自动监测方法 |
CN113782053B (zh) * | 2021-09-04 | 2023-09-22 | 天津大学 | 值得保护的城市声景观品质自动监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103925989B (zh) | 2016-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108663115A (zh) | 一种汽车车内怠速噪声客观量化评价方法 | |
CN110045016B (zh) | 一种基于声频分析的隧道衬砌无损检测方法 | |
CN103471709A (zh) | 乘用车车内噪声声品质预测方法 | |
CN103994817A (zh) | 一种基于长距离光纤多发事件的振动振源的识别方法 | |
CN103546853A (zh) | 一种基于短时傅里叶变换的扬声器异常音检测方法 | |
CN108170925A (zh) | 一种基于arma模型的桥梁损伤预警方法 | |
CN103925989B (zh) | 基于acf和iacf的交通噪声自动识别方法 | |
CN103578479B (zh) | 基于听觉掩蔽效应的语音可懂度测量方法 | |
CN102928071B (zh) | 基于心电指标的道路交通噪声检测系统和方法 | |
CN111210129B (zh) | 一种基于网格化的配电网规划业务管理信息系统 | |
CN106992011A (zh) | 基于mf‑plpcc特征的工程机械声音识别方法 | |
CN105225420A (zh) | 基于主成分分析的空中交通管制员疲劳检测方法、装置和系统 | |
WO2018233003A1 (zh) | 一种智慧城市的停车管理方法及系统 | |
CN112067117A (zh) | 一种汽车风噪声性能评价方法 | |
CN106203437B (zh) | 个体驾驶行为特征识别方法和装置 | |
CN113075381A (zh) | 一种模拟岩溶地区地铁振动引发岩溶覆土塌陷的试验系统 | |
CN112532941A (zh) | 车辆源强监测方法、装置、电子设备及存储介质 | |
WO2018233002A1 (zh) | 一种停车管理及收费一体化方法及系统 | |
CN105748067A (zh) | 一种基于随机梯度自适应滤波的诱发脑电提取方法 | |
CN101313849A (zh) | 耳声发射听力检测仪 | |
WO2018233033A1 (zh) | 一种户外停车的集中式管理方法及系统 | |
CN100545651C (zh) | 三元催化器总成中陶瓷载体脆裂检测方法 | |
CN102783946B (zh) | 一种自动脑源定位方法及装置 | |
CN109682463B (zh) | 变电站可听噪声测量方法 | |
Barnard et al. | Evaluation of crowd noise levels during college football games |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160210 Termination date: 20210325 |