CN107862279B - 一种脉冲声信号识别分类方法 - Google Patents
一种脉冲声信号识别分类方法 Download PDFInfo
- Publication number
- CN107862279B CN107862279B CN201711071615.3A CN201711071615A CN107862279B CN 107862279 B CN107862279 B CN 107862279B CN 201711071615 A CN201711071615 A CN 201711071615A CN 107862279 B CN107862279 B CN 107862279B
- Authority
- CN
- China
- Prior art keywords
- sound signal
- model
- artillery
- wave
- signals
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005236 sound signal Effects 0.000 claims abstract description 70
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 27
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 239000002360 explosive Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004880 explosion Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000035939 shock Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 108010089143 GMM2 Proteins 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000003721 gunpowder Substances 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明火炮脉冲声信号识别技术领域,具体涉及一种脉冲声信号识别分类方法,包括:对检测到的脉冲声信号分别进行低通和高通滤波,通过高频和低频能量对比初步判定脉冲声信号的类型;对低频能量高或高频能量高的脉冲声信号进行火炮声信号判定;对判定为火炮声信号的脉冲声信号进行参数化功率谱建模,将模型参数作为特征向量分别输入与初步判定的脉冲声信号类型相对应的多元高斯混合模型中,最终判定脉冲声信号的类型。本发明能够对膛口波、弹道波、爆炸波三种脉冲波进行识别分类,提升了声探测装备的识别率,降低了探测虚警率,还可解决武器口径识别分类的问题。
Description
技术领域
本发明火炮脉冲声信号识别技术领域,具体涉及一种脉冲声信号识别分类方法。
背景技术
火炮在发射时火药爆炸会产生强烈的冲击波,在空气中以脉冲声波的形式向外传播;弹丸在空气中超音速飞行时与空气强烈摩擦会产生强烈的弹道激波,也以脉冲声波的形式向外传播;弹丸爆炸也是产生脉冲声。另外自然界中脉冲声源多、难以区分。对于声探测装备来说,如果不能有效的识别目标脉冲声信号,将提升装备的探测虚警率,将会使火控系统打击错误目标。
火炮产生的脉冲声的识别分类主要有这几个方面的内容:对发射时由于火药爆炸产生的热空气向外膨胀形成的冲击波进行识别,这种波称为膛口波;对弹丸超音速飞行过程中与空气剧烈摩擦产生的弹道激波进行识别,这种波称为弹道波;对弹丸爆炸产生的声波进行识别,这种波称为爆炸波。除了这几个方面,通过对不同口径火炮弹丸激波进行分析,达到对武器口径、种类进行识别也是一项重要内容。脉冲声识别分类属于模式识别的范畴,一般包括特征选择和提取、分类器设计等几个步骤。
目前,对于脉冲声识别分类的方法主要有:求取脉冲声信号的时域自相关系数,在具有区分性的延迟时间段计算自相关系数的平均值,经过大量分析求取每种脉冲声信号自相关系数平均值的区间,不同的脉冲声信号的平均自相关系数的值处于不同的区间,从而达到识别分类的目的,这种方法必须要求区分区间不重叠才能达到很好的分类效果,在实际当中为了保证识别区间不重叠,区间范围会很小,这将会降低识别率。
在时域对脉冲声进行识别的另一种方法是提取波形的形状特征,各种形状特征组合形成特征矢量空间,通过大量的波形分析,提取足够多的特征矢量形成特征矢量集合,采取支持向量机或是神经网络的方法对特征矢量集合进行离线训练,训练完毕后应用到实际当中对脉冲声进行识别分类,这种方法提取的多种形状特征中有的可区分性并不好,这将会影响离线训练的结果,使得应用在实际当中的识别率很低。
在变换域的脉冲声识别分类方法主要是在频域,对时域脉冲信号进行频谱变换,在频域提取目标的能量、谱重心、极大值频率等特征,将这些特征组合形成特征向量,经过大量的数据分析获得特征矢量集合,采用神经网络的方法对特征矢量集合进行离线训练,然后应用的实际当中,这种方法和时域特征向量法类似,同样存在选择特征可分性不好,影响实际识别率的问题。
发明内容
本发明的目的在于提供一种脉冲声信号识别分类方法,以完成对火炮脉冲声的有效识别分类,提升声探测装备的识别率,降低探测虚警率。
本发明提供了一种脉冲声信号识别分类方法,包括:
对检测到的脉冲声信号分别进行低通和高通滤波,通过高频和低频能量对比初步判定脉冲声信号的类型;
对低频能量高或高频能量高的脉冲声信号进行火炮声信号判定;
对判定为火炮声信号的脉冲声信号利用AR模型进行参数化功率谱建模,将AR模型参数a1,…,ap作为特征向量分别输入与初步判定的脉冲声信号类型相对应的多元高斯混合模型中,最终判定脉冲声信号的类型。
进一步地,该方法具体包括:
将低频能量高的脉冲声信号初步判定为膛口波或是爆炸波信号;
基于非参数化功率谱特征提取及BP神经网络二分类对低频能量高的脉冲声信号进行火炮声信号判定;
对判定为火炮信号的脉冲声信号,利用AR模型进行参数化功率谱建模,将AR模型参数a1,…,ap作为特征向量分别输入膛口波模型及爆炸波模型,若膛口波模型输出结果大时,则判定为膛口波,若爆炸波模型输出结果大时,则判定为爆炸波。
进一步地,该方法具体包括:
将高频能量高的脉冲声信号初步判定为弹道波信号;
基于非参数化功率谱特征提取及BP神经网络二分类对高频能量高的脉冲声信号进行火炮声信号判定;
对判定为火炮信号的弹道波信号,利用AR模型进行参数化功率谱建模,将AR模型参数a1,…,ap作为特征向量分别输入常规火炮弹道波模型及火箭炮弹道波模型,若常规火炮弹道波模型输出结果大时,则判定为常规火炮弹道波,若火箭炮弹道波模型输出结果大时,则判定为火箭炮弹道波。
进一步地,该方法还包括:
对判定为火炮信号的弹道波信号,进行形状特征提取,识别弹丸口径。
进一步地,采用低通和高通滤波器对检测到的脉冲声信号分别进行低通和高通滤波,低通和高通滤波器为椭圆滤波器,低通和高通滤波器的分界频率点为60Hz。
进一步地,基于周期图法进行非参数化功率谱特征提取。
进一步地,BP神经网络二分类包括:
将炮声信号作为正样本,非炮声信号作为负样本,将正、负样本特征向量作为BP神经网络的输入,进行二分类识别。
进一步地,该方法还包括:
根据不同的弹丸尺寸参数和测点距弹道线垂直距离建立弹丸口径识别模板。
与现有技术相比本发明的有益效果是:能够对膛口波、弹道波、爆炸波三种脉冲波进行识别分类,提升了声探测装备的识别率,降低了探测虚警率,还可解决武器口径识别分类的问题。
附图说明
图1是本发明一种脉冲声信号识别分类方法的流程图;
图2是本发明低通滤波器归一化幅频响应特性示意图;
图3是本发明高通滤波器归一化幅频响应特性示意图;
图4是本发明GMM似然度计算过程示意图;
图5是本发明弹道波状态图;
图6是本发明口径识别模板示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
本实施例提供了一种脉冲声信号识别分类方法,包括:
对检测到的脉冲声信号分别进行低通和高通滤波,通过高频和低频能量对比初步判定脉冲声信号的类型;
对低频能量高或高频能量高的脉冲声信号进行火炮声信号判定;
对判定为火炮声信号的脉冲声信号进行参数化功率谱建模,将模型参数作为特征向量分别输入与初步判定的脉冲声信号类型相对应的多元高斯混合模型中,最终判定脉冲声信号的类型。
通过该脉冲声信号识别分类方法,能够对膛口波、弹道波、爆炸波三种脉冲波进行识别分类,提升了声探测装备的识别率,降低了探测虚警率,还可解决武器口径识别分类的问题。
下面对本发明进行详细说明。
1、脉冲声识别分类总体方案。
脉冲声信号的检测和提取过程不在本实施例中叙述,当已经检测到脉冲声信号后,对提取的脉冲声波形分别进行低通和高通滤波,一般火炮脉冲声信号中的膛口波和爆炸波主要能量集中在低频段,而弹道波的主要能量响应的集中在高频段,通过对比高频和低频能量可以初步判定该脉冲信号可能是那种类型。
当判定该脉冲信号低频信号强时,实际上还不能确定是不是火炮膛口波或是爆炸波信号,对其进行非参数化功率谱特征提取,并作为BP神经网络的输入,进行二分类识别,根据识别结果判定是否是火炮声信号;当判定是火炮声信号时,对其进行参数化功率谱建模,将模型参数作为特征向量分别输入多元高斯混合模型GMM1和GMM2,GMM1代表膛口波模型,GMM2代表爆炸波模型,GMM1输出结果大时表示该段信号为膛口波,反之为爆炸波。
当判定该脉冲声信号为高频信号强时,同样经过非参数化功率谱特征提取、BP神经网络识别两步骤判定该段信号是否是弹道波;当判定是弹道波时一方面提取形状特征进行口径识别,另一方面对其进行参数化功率谱建模,将模型参数作为特征向量分别输入高斯混合模型GMM3和GMM4,GMM3代表常规火炮弹道波模型,GMM4代表火箭炮弹道波模型,GMM3输出结果大时表示该段信号为常规火炮弹道波,反之为火箭炮弹道波。整体识别流程如图1所示。
2、滤波器设计
经过大量火炮声信号的分析,一般弹道波在60Hz~200Hz还有很强的能量,而爆炸波和膛口波主要能量集中在5Hz~60Hz,所以用60Hz作为分界频率点设计滤波器。由于椭圆滤波器在相同阶数下能获得更窄的过度带宽和较小的阻带波动,所以本实施例采用该种滤波器分别设计高通和低通滤波器,其归一化幅频响应特性如图2和图3所示。
3、非参数化功率谱特征分析
采用周期图法进行非参数化功率谱计算,公式如下:
式中,x(n)为时域采样序列,PX(w)为求得的功率谱,c(n)为窗函数。周期图方法估计的功率谱为有偏估计,为了减少偏差,窗函数c(n)采用的是Hamming窗。
对信号做1倍采样率长度的率谱,当判断为低频信号时取5Hz~60Hz的频段范围共56个频点幅值作为低频特征向量FBf=(f1,f2,…,f56)。当判断为高频信号时取60Hz~200Hz频段,每10个频点对应的幅值做平均,重叠率0.5,共可得到38个数据,将其作为高频特征向量FHf=(f1,f2,…,f38)。
4、BP神经网络分类器设计
使用神经网络进行识别分类时首先必须采用大量的样本对其进行充分的训练,使其能适应多种状态下的目标特性。本实施例中BP神经网络分类器的作用是对炮声信号和非炮声信号进行二分类,将炮声信号作为正样本,非炮声信号作为负样本,负样本建立方式与正样本建立方式一致。
将正负样本特征向量作为神经网络的输入,神经网络输入层一般取常值为1的变换函数为神经元,维数与特征向量的维数一致。由于是二分类,所以输出层维数为2,取比例函数为神经元。隐含层神经元取双曲函数,其数量会影响到最终的识别性能,经过大量的分析测试,本实施例中两个神经网络隐含层个数都取25个,最终都能达到较好的性能。采用160个膛口波和爆炸波组成的低频炮声信号组成的正样本,负样本噪声包括车辆、飞机、风等共500个,弹道波信号组成的高频正样本包括100mm、122mm、130mm、155mm等口径的弹丸飞行激波共100个,高频神经网络和低频神经网络共用负样本,在对每个神经网络进行充分的训练后,采用一定数量的测试样本对其进行测试,测试结果如表1所示。
表1 BP神经网络识别性能测试
信号类型 | 个数 | 识别正确 |
膛口波\爆炸波 | 30 | 27 |
弹道波(100迫、122、130、155) | 30 | 28 |
其它噪声包括(车辆、飞机、风等) | 30 | 26 |
5、参数化功率谱分析
参数化功率谱估计主要是利用AR模型(Auto Regressive Mode)对样本序列进行建模,然后通过谱估计子计算功率谱密度。根据Wold分解定理,任何一个具有有限方差的ARMA或MA过程都可以表示成惟一的、阶数有可能无穷大的AR过程。相比ARMA模型不仅需要AR和MA阶数的确定,而且还需要AR和MA参数估计(其中MA参数的估计还需要求解非线性方程),AR模型只涉及定阶和参数估计,因此可用AR模型来对信号进行建模。相应的,功率谱密度为:
这样,只要求得激励白噪声的方差σ2和AR参数a1,…,ap,就可求得Px(ω)。设采样序列为s(n)n=0,1,…N-1,AR参数的估计可使用Yule-Walker方程,并通过Levinson递推求解该方程,步骤如下:
一阶AR模型的Yule-Walker矩阵方程为:
a11=-Rx(1)/Rx(0)
二阶AR模型的矩阵方程:
解得a22,a21,σ2分别为
以此类推得递推公式:
aki=ak-1,i+akkak-1,k-i
AR参数a1,…,ap可以完全代表信号的功率谱特征,阶数p越大表征的功率谱特征越详细,单会带来很多冗余的信息,越小表征的功率谱特征越粗略,但会损失一定的细节信息,适当的p值是必要的,经过多次尝试,取p=48可以达到较好的功率谱特征表示,同时也能达到较好的分类识别效果。
6、多元高斯混合模型建模
多元高斯混合模型(GMM)是状态数为1的连续型隐马尔科夫模型,该状态对应的观察序列服从多元高斯概率密度函数。假设一个具有M个高斯分量D元高斯混合模型λ中,观察序列为a,则该序列在λ下似然度表示为:
其中第i个高斯分量定位为:
式中,M混合的多元高斯模型数量,αi为混合权重,满足bi(a)为多元高斯概率密度函数,μi为多元高斯概率密度函数的均值向量,Σi为协方差矩阵。因此GMM模型可由均值向量、协方差矩阵和混合权重表示,另λ={αi,μi,Σi},则GMM模型计算过程可表示如图4所示。
本实施例建立4个GMM模型,GMM1是针对膛口波建立的模型,GMM2是针对爆炸波建立的模型,GMM3是针对常规火炮弹道波建立的模型,GMM4是针对火箭炮弹道波建立的模型。将48阶AR参数a=[a1,…,a48]作为观察序列,得到D=48,混合的多元高斯模型数量取M=10,所有模型λjj=1,2,3,4的值通过模型训练确定,设每种模型取100个观察序列集合则每种模型的最大似然概率为:
模型训练的过程就是找到参数λj,使得似然概率最大:常采用期望最大化算法(Expectation Maximization,EM)算法来对其进行估计。当模型参数λj都训练完毕后,在实际使用时输入观察序列a=[a1,…,a48],看哪种模型的似然度最大,那么该脉冲信号就属于哪种类型。
7、口径识别
本实施例中采用弹道波对弹丸的口径进行识别分类,弹道波是弹丸在空气中超音速飞行过程中,与空气剧烈碰撞类似与撕裂空气而产生的声波,其形状类似字母“N”,一般具备连续的6个状态,如图5所示,分别为①开始升压状态,②负压最大状态,③正压最大状态,④恢复状态。
取①和④之间的距离为弹道波持续时间T,②和③的绝对值的平均值为声压值P,则T和P理论上分别满足如下公式:
式中:
K—弹形系数;
Ma—马赫数;
d—直径(按翼展计算);
c—声速;
r—测点距弹道垂直距离;
l—长度;
p,p0-激波声压和大气环境压力。
根据不同的弹丸尺寸参数和测点距弹道线垂直距离可建立弹丸口径识别模板,如图6所示,经过实际数据的识别测试,识别正确率85%以上。
本实施例提出的脉冲声信号识别分类方法,可完成对火炮脉冲声中的膛口波、弹道波、爆炸波进行有效识别分类,并可判断弹丸的口径,提升了声探测装备的识别率,降低了探测虚警率。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (8)
1.一种脉冲声信号识别分类方法,其特征在于,包括:
对检测到的脉冲声信号分别进行低通和高通滤波,通过高频和低频能量对比初步判定脉冲声信号的类型;
对低频能量高或高频能量高的脉冲声信号进行火炮声信号判定;
对判定为火炮声信号的脉冲声信号利用AR模型进行参数化功率谱建模,将AR模型参数a1,…,ap作为特征向量分别输入与初步判定的脉冲声信号类型相对应的多元高斯混合模型中,最终判定脉冲声信号的类型。
2.根据权利要求1所述的一种脉冲声信号识别分类方法,其特征在于,所述方法具体包括:
将低频能量高的脉冲声信号初步判定为膛口波或是爆炸波信号;
基于非参数化功率谱特征提取及BP神经网络二分类对低频能量高的脉冲声信号进行火炮声信号判定;
对判定为火炮信号的脉冲声信号,利用AR模型进行参数化功率谱建模,将AR模型参数a1,…,ap作为特征向量分别输入膛口波模型及爆炸波模型,若膛口波模型输出结果大时,则判定为膛口波,若爆炸波模型输出结果大时,则判定为爆炸波。
3.根据权利要求1所述的一种脉冲声信号识别分类方法,其特征在于,所述方法具体包括:
将高频能量高的脉冲声信号初步判定为弹道波信号;
基于非参数化功率谱特征提取及BP神经网络二分类对高频能量高的脉冲声信号进行火炮声信号判定;
对判定为火炮信号的弹道波信号,利用AR模型进行参数化功率谱建模,将AR模型参数a1,…,ap作为特征向量分别输入常规火炮弹道波模型及火箭炮弹道波模型,若常规火炮弹道波模型输出结果大时,则判定为常规火炮弹道波,若火箭炮弹道波模型输出结果大时,则判定为火箭炮弹道波。
4.根据权利要求3所述的一种脉冲声信号识别分类方法,其特征在于,还包括:
对判定为火炮信号的弹道波信号,进行形状特征提取,识别弹丸口径。
5.根据权利要求2或4所述的一种脉冲声信号识别分类方法,其特征在于,采用低通和高通滤波器对检测到的脉冲声信号分别进行低通和高通滤波,所述低通和高通滤波器为椭圆滤波器,所述低通和高通滤波器的分界频率点为60Hz。
6.根据权利要求5所述的一种脉冲声信号识别分类方法,其特征在于,基于周期图法进行非参数化功率谱特征提取。
7.根据权利要求6所述的一种脉冲声信号识别分类方法,其特征在于,所述BP神经网络二分类包括:
将炮声信号作为正样本,非炮声信号作为负样本,将正、负样本特征向量作为BP神经网络的输入,进行二分类识别。
8.根据权利要求4所述的一种脉冲声信号识别分类方法,其特征在于,还包括:
根据不同的弹丸尺寸参数和测点距弹道线垂直距离建立弹丸口径识别模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711071615.3A CN107862279B (zh) | 2017-11-03 | 2017-11-03 | 一种脉冲声信号识别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711071615.3A CN107862279B (zh) | 2017-11-03 | 2017-11-03 | 一种脉冲声信号识别分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862279A CN107862279A (zh) | 2018-03-30 |
CN107862279B true CN107862279B (zh) | 2020-04-07 |
Family
ID=61700719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711071615.3A Active CN107862279B (zh) | 2017-11-03 | 2017-11-03 | 一种脉冲声信号识别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862279B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109044350A (zh) * | 2018-09-15 | 2018-12-21 | 哈尔滨理工大学 | 一种脑电信号采集装置及检测方法 |
CN109473112B (zh) * | 2018-10-16 | 2021-10-26 | 中国电子科技集团公司第三研究所 | 一种脉冲声纹识别方法、装置、电子设备及存储介质 |
CN109933847B (zh) * | 2019-01-30 | 2022-09-16 | 中国人民解放军战略支援部队信息工程大学 | 一种改进的主动段弹道估计算法 |
WO2020256906A1 (en) * | 2019-05-28 | 2020-12-24 | Utility Associates, Inc. | Systems and methods for detecting a gunshot |
US11133021B2 (en) | 2019-05-28 | 2021-09-28 | Utility Associates, Inc. | Minimizing gunshot detection false positives |
CN111948500A (zh) * | 2020-07-20 | 2020-11-17 | 华东交通大学 | 一种新型弓网受流质量的评价方法 |
CN112820318A (zh) * | 2020-12-31 | 2021-05-18 | 西安合谱声学科技有限公司 | 一种基于gmm-ubm的冲击声模型建立、冲击声检测方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9050043B2 (en) * | 2010-05-04 | 2015-06-09 | Nellcor Puritan Bennett Ireland | Systems and methods for wavelet transform scale-dependent multiple-archetyping |
KR101892733B1 (ko) * | 2011-11-24 | 2018-08-29 | 한국전자통신연구원 | 켑스트럼 특징벡터에 기반한 음성인식 장치 및 방법 |
CN105678397A (zh) * | 2015-11-18 | 2016-06-15 | 江苏省电力公司泰州市姜堰区供电公司 | 一种基于改进EMD算法及Elman算法的短期光伏功率预测方法 |
CN105716707B (zh) * | 2015-12-10 | 2018-11-20 | 中国航空工业集团公司北京长城计量测试技术研究所 | 一种超低频次声异常信号判别方法 |
CN105953910B (zh) * | 2016-05-27 | 2019-04-16 | 成都信息工程大学 | 一种人影火箭弹高空爆炸亚音采集装置 |
CN106052852B (zh) * | 2016-06-01 | 2019-03-08 | 中国电子科技集团公司第三研究所 | 一种脉冲声信号的检测方法及装置 |
CN107274913B (zh) * | 2017-05-26 | 2020-09-11 | 广东美的厨房电器制造有限公司 | 一种声音识别方法及装置 |
-
2017
- 2017-11-03 CN CN201711071615.3A patent/CN107862279B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107862279A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862279B (zh) | 一种脉冲声信号识别分类方法 | |
CN104215935B (zh) | 一种基于决策加权融合的雷达炮弹目标识别方法 | |
CN107505652B (zh) | 一种基于能量分布特征的矿山微震信号辨识方法 | |
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
Li et al. | Investigating robustness of adversarial samples detection for automatic speaker verification | |
CN105259540B (zh) | 一种多站雷达抗有源欺骗式干扰的优化方法 | |
Dobrynin et al. | Development of a method for determining the wear of artillery barrels by acoustic fields of shots | |
Djeddou et al. | Classification and modeling of acoustic gunshot signatures | |
Persico et al. | Micro-Doppler classification of ballistic threats using Krawtchouk moments | |
CN107991660B (zh) | 基于pwvd分布的中间弹道弹丸速度测量方法 | |
Libal et al. | Wavelet based shock wave and muzzle blast classification for different supersonic projectiles | |
Sánchez-Hevia et al. | Maximum likelihood decision fusion for weapon classification in wireless acoustic sensor networks | |
Raza et al. | Preventing crimes through gunshots recognition using novel feature engineering and meta-learning approach | |
CN113255554B (zh) | 一种射击训练瞬时击发动作识别及标准性辅助评价方法 | |
CN107577869A (zh) | 基于matlab的引信靶场干扰试验仿真方法 | |
Park et al. | Enemy Spotted: in-game gun sound dataset for gunshot classification and localization | |
US8511145B1 (en) | Explosive event discrimination | |
Dobrynin et al. | Information technology for automated assessment of the artillery barrels wear based on SVM classifier | |
CN116595411A (zh) | 一种基于早期时间序列分类的实时机动识别方法及装置 | |
CN109473112B (zh) | 一种脉冲声纹识别方法、装置、电子设备及存储介质 | |
Kabir et al. | Machine learning inspired efficient acoustic gunshot detection and localization system | |
Kim et al. | Evaluation of the combat aircraft susceptibility against surface-based threat using the weighted score algorithm | |
Sergii et al. | Approbation of evaluation techniques of acoustic waves time delay for sound sources localization | |
Navrátil et al. | Neural network classification of gunshots using spectral characteristics | |
CN112130141B (zh) | 一种采用前后端并行处理机制的机载雷达告警器及其数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |