CN106382981A - 一种单站次声波信号识别提取方法 - Google Patents

Abstract

本发明涉及一种单站次声波信号识别提取方法，包括：单个次声监测站接收次声波信号；将所接收到的次声波信号基于能量流尖峰、过零率、风速风噪声、小波时频特征这四类要素分别进行异常识别，找出异常时刻分布的时段，从而得到四组时间段序列；将四组时间段序列进行对比分析，找到四组时间段序列中重合的时间段，将这个重合的时间段序列标注在次声波信号波形上面，用于指示有效事件疑似信号的波形和位置，然后利用有效事件历史信号特征对所述有效事件疑似信号做进一步的识别和归类，从而判断次声信号的种类或来源。

Description

一种单站次声波信号识别提取方法

技术领域

本发明涉及次声波监测领域，特别涉及一种单站次声波信号识别提取方法。

背景技术

自然状态下的空气中一直存在着各种次声波，这些次声波来自多种次声波源，包括大风降温、台风、暴雨、山洪、泥石流、流星雨、雪崩、地陷、火流星、火山、地震、海啸等自然事件是主要的自然次声波源，以及多种人工次声源，包括核爆炸、化学爆炸等人工脉冲次声源。次声波在大气中传播衰减小，传播距离远，能够传播很远并被次声观测设备监测到，因此次声监测成为研究上述次声源的有效手段。

然而，自然界中的次声波传播受大气影响，信噪比会出现下降，波形会出现畸变，且自然界中风噪声等也会使得目标次声源发出的次声波收到干扰，因此观测和识别信号具有一定的难度。信号检测的任务是从数据中检测出各种有效信号，当记录信号幅值、波形、频率成分较背景噪声有明显变化时，就认为出现了有效信号，然而异常次声波的检测经常被台站周边的风噪声等气象条件干扰，需要从这些干扰中将有效信号提取出来。当次声监测站数量多，且监测结果的数据量大时，从大量数据中判断有效事件(有效事件，指的是如台风、地震、泥石流等需要研究或感兴趣的目的次声波所对应的事件)疑似次声波就显得十分困难，单纯利用人为经验进行识别不可避免地会受到干扰，影响结果识别的准确性。

在申请号为201610048300.6、名称为“一种超低频次声异常信号判别方法”的中国专利申请中，提供了一种对次声信号进行判别的方法。但这一方法所利用的信号特征的种类较少，使得次声波识别结果的准确性受到了影响。

发明内容

本发明的目的在于克服现有的次声信号判别方法由于所选用的信号特征种类较少使得识别准确性受影响的缺陷，从而提供一种能准确识别次声波信号的方法。

为了实现上述目的，本发明提供了一种单站次声波信号识别提取方法，包括：

步骤1)、单个次声监测站接收次声波信号；

步骤2)、将所接收到的次声波信号基于能量流尖峰、过零率、风速风噪声、小波时频特征这四类要素分别进行异常识别，找出异常时刻分布的时段，从而得到四组时间段序列；

步骤3)、将步骤2)得到的四组时间段序列进行对比分析，找到四组时间段序列中重合的时间段，将这个重合的时间段序列标注在次声波信号波形上面，用于指示有效事件疑似信号的波形和位置，然后利用有效事件历史信号特征对所述有效事件疑似信号做进一步的识别和归类，从而判断次声信号的种类或来源。

上述技术方案中，在步骤2)中，基于能量流尖峰对次声波信号进行异常识别时，首先对次声波信号进行目标特定频段的带通滤波，然后对滤波后结果进行傅里叶变换；在傅里叶变换过程中，将信号波形能量进行量化，即将信号波形的幅度值转换为能量值；最后从傅里叶变换的结果中找出能量流尖峰。

上述技术方案中，将信号波形的幅度值转换为能量值的计算公式为：

$W=\frac{1}{{\mathrm{\ρ}}_{0}c}\underset{k=k_i}{\overset{k_j}{\Σ}}X{\left(k\right)}^2;$

其中，W表示离散信号x(n)在时间长度N的有限频带内的短时能量密度，其单位为J/min(焦耳每分钟)，x(n)代表离散信号的一系列信号采样点的集合，每个点都可以表示在某个采样时刻的声压值；ρ₀表示空气密度；c表示当前声速；k_i、k_j表示频域上频率值；X(k)表示x(n)在频域的表达式，其表达式为：

$X\left(k\right)=\sqrt{\frac{N}{\underset{n=0}{\overset{N-1}{\Σ}}w\left(n\right)}}\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}x\left(n\right)w\left(n\right)e^{-j2\mathrm{\π}kn}=\sqrt{\frac{N}{\underset{n=0}{\overset{N-1}{\Σ}}w\left(n\right)}}\frac{2}{N}fft\[x\left(n\right)w\left(n\right)\];$

式中w(n)是窗函数，是窗函数损失的修正系数。

上述技术方案中，在步骤2)中，在利用过零率进行识别时，考虑到次声波信号的背景噪音段和有效信号段的信号幅度波动剧烈情况和穿越零电平的程度的不同，进行二者之间的区分，以找到信号背景段和有效信号段。

上述技术方案中，在步骤2)中，在利用风速风噪声进行识别时，需要消除次声波信号中由于风速作用所产生的风噪声；在消除风速风噪声时，依靠与次声传感器同一站点安装的风速传感器所提供的实时风速数据，包括：首先根据实时风速数据，通过伯努利方程模拟仿真出当前风速作用产生的风噪声波形，然后利用该仿真波形，与次声传感器输出的次声波波形进行比对，最后利用谱减法为次声波信号消除风噪声的影响。

上述技术方案中，在步骤2)中，在利用小波时频特征进行识别时，对次声波信号进行快速小波分析，针对某个时间段的某个频率段，若出现某个连续的具有一定能量的信号区块，则认为是一个可能的有效事件。

上述技术方案中，在步骤3)中，利用有效事件历史信号特征对所述有效事件疑似信号做进一步的识别和归类时，采用了有效事件历史信号特征库，该特征库积累了已经通过证实的有效事件的次声波信号，并将这些信号的特征提取归纳出来；其中，

所述已经通过证实的有效事件包括台风、极地低压气旋、地震、泥石流、海啸、爆炸，大气强对流；所述次声波信号的特征包括：信号的频率特性、持续时间、时频特征、幅度特征；

对待识别的次声波信号进行识别时，从待识别次声波信号中提取前述特征，然后将所提取的特征与有效事件历史信号特征库中已经被归纳的各个特征进行比较，根据比较结果找到具有相似特征的有效事件。

本发明的优点在于：

1、本发明可只采用单个次声传感器或单个次声站的信号(即单通道信号)进行有效事件疑似信号识别，较现有技术需要多个次声站的信号联合才能进行判断相比，降低了对次声站的排布需求，有助于降低成本；

2、本发明采用五种手段联合分析识别有效事件次声波信号，较现有技术仅采用单个手段进行分析判断相比，识别率上有明显提高；

3、本发明采用共站建设的风速传感器输出的风速数值，模拟数值计算出由于风所产生的风噪声的波形，进而利用谱减法消除次声波信号中叠加或包含的风噪声，从而提高了检测的准确性；

4、本发明采用有效事件历史记录信号所形成的特征库，能够有效地识别次声波信号可能对应的次声源种类。

附图说明

图1是本发明的单站次声波信号快速识别提取方法的流程图。

具体实施方式

现结合附图对本发明作进一步的描述。

本发明的单站次声波信号快速识别提取方法以单个次声监测站所接收到的次声波信号为基础，基于能量流尖峰、过零率、风速风噪声、小波时频特征、有效事件历史信号特征这五类要素，实现对异常信号的识别与提取。其中，所述的次声监测站至少包括：次声传感器、风速传感器。

如图1所示，本发明的单站次声波信号快速识别提取方法具体包括以下步骤：

步骤1)、单个次声监测站接收次声波信号；

步骤2)、将所接收到的次声波信号基于能量流尖峰、过零率、风速风噪声、小波时频特征这四类要素分别进行异常识别，找出异常时刻分布的时段，从而得到四组时间段序列；

步骤3)、将步骤2)得到的四组时间段序列进行对比分析，找到四组时间段序列中重合的时间段，将这个重合的时间段序列标注在次声波信号波形上面，用于指示有效事件疑似信号的波形和位置，然后利用有效事件历史信号特征对所述有效事件疑似信号做进一步的识别和归类，从而判断次声信号的种类或来源。

下面对步骤2)中如何利用四类要素分别做异常识别的过程做详细说明。

一、利用能量流尖峰进行识别

在利用能量流尖峰进行识别时，首先对次声波信号进行目标特定频段的带通滤波，然后对滤波后结果进行傅里叶变换；在傅里叶变换过程中，将信号波形能量进行量化，即将信号波形的幅度值转换为能量值，以便于统一能量幅度标准，方便找出能量极值；最后从傅里叶变换的结果中找出能量流尖峰。

其中，将信号波形的幅度值转换为能量值的计算公式为：

$W=\frac{1}{{\mathrm{\ρ}}_{0}c}\underset{k=k_i}{\overset{k_j}{\Σ}}X{\left(k\right)}^2;$

W表示离散信号x(n)在时间长度N的有限频带内的短时能量密度，其单位为J/min(焦耳每分钟)，x(n)代表离散信号的一系列信号采样点的集合，每个点都可以表示在某个采样时刻的声压值；ρ₀表示空气密度；c表示当前声速；k_i、k_j表示频域上频率值；X(k)表示x(n)在频域的表达式，其表达式为：

$X\left(k\right)=\sqrt{\frac{N}{\underset{n=0}{\overset{N-1}{\Σ}}w\left(n\right)}}\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}x\left(n\right)w\left(n\right)e^{-j2\mathrm{\π}kn}=\sqrt{\frac{N}{\underset{n=0}{\overset{N-1}{\Σ}}w\left(n\right)}}\frac{2}{N}fft\[x\left(n\right)w\left(n\right)\];$

式中w(n)是窗函数，是窗函数损失的修正系数。通常对次声波可计算每分钟的能量密度(J/min)。为了减小谱泄漏的影响，要求频谱分辨足够细，建议FFT的Δf∈(0.1～0.01)f₀，f₀是信号频率。

利用能量流尖峰进行识别的主要目的在于提取次声波信号的能量极值，由于一般具有较大能量的次声波事件多数为有效事件，因此提取次声波信号的能量极值有助于找出次声波事件。

二、利用过零率进行识别

在利用过零率进行识别时，考虑到次声波信号的背景噪音段和有效信号段的信号幅度波动剧烈情况和穿越零电平的程度的不同，进行二者之间的区分，以找到信号背景段和有效信号段。

三、利用风速风噪声进行识别

在利用风速风噪声时，需要消除次声波信号中由于风速作用所产生的风噪声。在消除风速风噪声时，主要依靠与次声传感器同一站点安装的风速传感器所提供的实时风速数据，首先根据实时风速数据，通过伯努利方程模拟仿真出当前风速作用产生的风噪声波形，然后利用该仿真波形，与次声传感器输出的次声波波形进行比对，最后利用谱减法为次声波信号消除风噪声的影响。

四、利用小波时频特征进行识别

在利用小波时频特征进行识别时，对次声波信号进行快速小波分析，针对某个时间段的某个频率段，若出现某个连续的具有一定能量的信号区块，则认为是一个可能的有效事件。其中，用于判断是否“连续”的时间范围值一般以某个自然灾害所发出的次声波的持续时间来进行界定，如地震前次声波持续时间在几小时左右，大气强对流天气次声波持续时间在1小时以内，台风次声波持续时间可长达数天。所述“一定能量”的具体取值可根据以往的观测结果加以设定，一般会随观测距离而发生变化。

在步骤3)中，利用有效事件历史信号特征对所述有效事件疑似信号做进一步的识别和归类时，用到了一个有效事件历史信号特征库，该特征库积累了已经通过证实的有效事件的次声波信号，并将这些信号的特征提取归纳出来。所述的已经通过证实的有效事件包括台风、极地低压气旋、地震、泥石流、海啸、爆炸，大气强对流等，这些事件由平日观测到并经过分析，证实接收到的次声波来自于这些事件。所述次声波信号的特征包括：信号的频率特性、持续时间、时频特征、幅度特征。对待识别的次声波信号进行识别时，可从待识别次声波信号中提取前述特征，然后将所提取的特征与有效事件历史信号特征库中已经被归纳的各个特征进行比较，根据比较结果可以找到具有相似特征的有效事件。

在利用步骤2)中所提到的四类要素做异常识别时，能够将有别于背景的信号寻找出来，但这些信号并不具体指向哪种有效事件，而仅仅是认为是一种疑似的有效事件信号，通过有效事件历史信号特征库，则能将这种疑似有效事件信号做进一步的识别和归类，初步判断该信号的来源或种类。例如，对于台风与地震，二者所生成的次声波信号的频率成分、持续时间、信号包络、能量幅度等都有不同点，通过上述的不同点以及其特征，能够初步判断次声源的种类。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种单站次声波信号识别提取方法，包括：

步骤1)、单个次声监测站接收次声波信号；

步骤2)、将所接收到的次声波信号基于能量流尖峰、过零率、风速风噪声、小波时频特征这四类要素分别进行异常识别，找出异常时刻分布的时段，从而得到四组时间段序列；

步骤3)、将步骤2)得到的四组时间段序列进行对比分析，找到四组时间段序列中重合的时间段，将这个重合的时间段序列标注在次声波信号波形上面，用于指示有效事件疑似信号的波形和位置，然后利用有效事件历史信号特征对所述有效事件疑似信号做进一步的识别和归类，从而判断次声信号的种类或来源。

2.根据权利要求1所述的单站次声波信号识别提取方法，其特征在于，在步骤2)中，基于能量流尖峰对次声波信号进行异常识别时，首先对次声波信号进行目标特定频段的带通滤波，然后对滤波后结果进行傅里叶变换；在傅里叶变换过程中，将信号波形能量进行量化，即将信号波形的幅度值转换为能量值；最后从傅里叶变换的结果中找出能量流尖峰。

3.根据权利要求2所述的单站次声波信号识别提取方法，其特征在于，将信号波形的幅度值转换为能量值的计算公式为：

$W=\frac{1}{{\mathrm{\ρ}}_{0}c}\underset{k=k_i}{\overset{k_j}{\Σ}}X{\left(k\right)}^2;$

其中，W表示离散信号x(n)在时间长度N的有限频带内的短时能量密度，其单位为J/min(焦耳每分钟)，x(n)代表离散信号的一系列信号采样点的集合，每个点都可以表示在某个采样时刻的声压值；ρ₀表示空气密度；c表示当前声速；k_i、k_j表示频域上频率值；X(k)表示x(n)在频域的表达式，其表达式为：

$X\left(k\right)=\sqrt{\frac{N}{\underset{n=0}{\overset{N-1}{\Σ}}w\left(n\right)}}\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}x\left(n\right)w\left(n\right)e^{-j2\mathrm{\π}kn}=\sqrt{\frac{N}{\underset{n=0}{\overset{N-1}{\Σ}}w\left(n\right)}}\frac{2}{N}fft\[x\left(n\right)w\left(n\right)\];$

式中w(n)是窗函数，是窗函数损失的修正系数。

4.根据权利要求1所述的单站次声波信号识别提取方法，其特征在于，在步骤2)中，在利用过零率进行识别时，考虑到次声波信号的背景噪音段和有效信号段的信号幅度波动剧烈情况和穿越零电平的程度的不同，进行二者之间的区分，以找到信号背景段和有效信号段。

5.根据权利要求1所述的单站次声波信号识别提取方法，其特征在于，在步骤2)中，在利用风速风噪声进行识别时，需要消除次声波信号中由于风速作用所产生的风噪声；在消除风速风噪声时，依靠与次声传感器同一站点安装的风速传感器所提供的实时风速数据，包括：首先根据实时风速数据，通过伯努利方程模拟仿真出当前风速作用产生的风噪声波形，然后利用该仿真波形，与次声传感器输出的次声波波形进行比对，最后利用谱减法为次声波信号消除风噪声的影响。

6.根据权利要求1所述的单站次声波信号识别提取方法，其特征在于，在步骤2)中，在利用小波时频特征进行识别时，对次声波信号进行快速小波分析，针对某个时间段的某个频率段，若出现某个连续的具有一定能量的信号区块，则认为是一个可能的有效事件。

7.根据权利要求1所述的单站次声波信号识别提取方法，其特征在于，在步骤3)中，利用有效事件历史信号特征对所述有效事件疑似信号做进一步的识别和归类时，采用了有效事件历史信号特征库，该特征库积累了已经通过证实的有效事件的次声波信号，并将这些信号的特征提取归纳出来；其中，

所述已经通过证实的有效事件包括台风、极地低压气旋、地震、泥石流、海啸、爆炸，大气强对流；所述次声波信号的特征包括：信号的频率特性、持续时间、时频特征、幅度特征；

对待识别的次声波信号进行识别时，从待识别次声波信号中提取前述特征，然后将所提取的特征与有效事件历史信号特征库中已经被归纳的各个特征进行比较，根据比较结果找到具有相似特征的有效事件。