基于DWT和MFCC的振动信号特征参数提取方法∗

莫家庆，王 宏，许 亮，俞 潇，吕小毅

(1.新疆大学信息科学与工程学院，新疆乌鲁木齐830046；2.新疆军区指挥自动化工作站，新疆乌鲁木齐830001)

0 引言

振动传感器为核心的光纤/电缆安全防范系统能够提供高精度、全天候的安全防护，可广泛应用于各类工矿企业、石油石化、变电站、机场、监狱、军事设施、国境线、农场、养殖场、仓库、住宅小区、停车场、别墅等重要场所.但在振动信号的特征参数提取上，目前仍面临提取的参数识别正确率不高等问题.

人耳能从嘈杂的背景噪声中听到语音信号，是因人的内耳基底膜可以依据外来声波振动信号进行自我调节，它就像一组滤波器一样，对不同频率的声波振动信号产生相应不同的振动，从而接收到外来声波并传送至大脑产生听觉.与语音信号类似，光纤/电缆振动传感系统采集到的振动信号也伴随着风、雨、人类活动等噪声，要想从背景噪声中提取出目标振动信号，也要有像内耳基底膜一样的一组滤波器来对不同频段的振动信号产生相应的反应.光纤/电缆振动传感系统采集到的振动信号与语音信号的频率范围基本相同，均为数十到数千赫兹，因此该振动信号的分析与识别方法，与语音信号的分析和识别方法是类似的[1−5].

在语音信号特征参数提取中常用梅尔频率倒谱系数方法，该方法缺点是特征参数提取基于短时平稳的假设条件[6,7].而在光纤振动传感系统中，采集到的振动信号是非平稳信号，其频谱特性是随时间而改变的[8,9].使用梅尔频率倒谱系数对非平稳的振动信号进行分析时，分析结果的精确性会受到制约.此外，梅尔频率倒谱系数等传统方法都会遇到如何实现提取特征的参数化的问题.基于以上问题，本文结合离散小波变换与梅尔频率倒谱系数提出一种特征参数提取方法.实验和分析表明，用该方法提取的振动信号特征参数进行识别时准确性得到了提高.

1 美尔频率离散小波变换系数

在语音信号分析方法中，梅尔频率倒谱系数（MFCC）是一种相对广泛使用的特征参数，提取时，首先对每一帧信号计算N点离散傅里叶变换，然后取模的平方得到离散功率谱S(n)，

计算S(n)通过M个带通滤波器后的功率Pm，m=0,···,M−1；

计算Pm的自然对数Lm，m=0,···,M−1；

计算L0,···,LM−1的离散余弦变换，获得倒谱ck，k=0,···,M−1；

其中

舍去ck中代表直流的c0，取c1,···ck为梅尔频率倒谱系数.

梅尔频率倒谱系数的缺点是该特征参数基于短时平稳的假设条件，利用短时傅里叶变换在一个确定的时频分辨率上考察信号，不能随信号的变化动态调整时频分辨率，它仅对信号的静态特征进行描述，忽略了动态特征，这是一个天然缺陷.在对每帧信号进行短时傅里叶分析时，帧长的大小决定了系统的时间分辨率.帧长较小时，时间分辨率高，但会受到窗函数的不利影响从而降低频率分辨率，容易对突变信号过度敏感；帧长较大时，虽然可以克服上述缺点，但又与短时平稳的假设条件相悖，使得分析结果出现失真.光纤/电缆振动传感系统采集到的振动信号是非平稳信号，其频谱特性随时间而改变.因此，使用梅尔频率倒谱系数对上述非平稳的振动信号进行分析时，结果的精确性会受到制约.

2 基于离散小波变换的特征参数

为了解决短时傅里叶分析方法在处理非平稳信号时的缺陷，引入小波变换的分析方法[10].近年来，小波变换已经在梅尔频率倒谱系数等相对成熟的语音信息处理技术中得以部分应用，然而，这些已有方法不论在理论上还是实际中都有提升和改进的空间.与短时傅里叶分析的固定窗宽不同，小波变换的实质是一种可调的加窗分析.我们应用小波分析时，需要实现对低频信号加宽时窗，例如在刮风天，布设在野外的挂网振动光纤/电缆随着铁网发生缓慢摆动，就会传回体现铁网摆动频率的某些相对低频率的噪声，如果人为触动铁网，也会产生一定频率的晃动信号；而对高频信号，我们需要加窄时窗，例如风吹或人为入侵时，铁网的自身摩擦会产生高频信号.

除上述问题外，传统的梅尔频率倒谱系数等语音信息处理技术遇到的另一个重要问题是如何实现小波系数的参数化.提取梅尔频率倒谱系数时，对语音信号先做快速傅里叶变换，然后再进行频率分析，最后使用一组三角滤波器进行滤波.在这个问题上，本方法采用离散小波变换来取代快速傅里叶变换，取代后，使用相同的mel滤波器组进行后期的滤波.这样将引出与以往快速傅里叶变换不同的参数.在获得mel对数功率谱之后，本方法再次使用离散小波变换取代快速傅里叶变换，以实现滤波器组能量分离.

图1是本方法特征参数提取方法流程图，包括以下步骤：

对采集的振动信号进行预处理；

对预处理后的信号进行离散小波变换，得到小波系数；

对小波系数进行快速傅里叶变换，求出其频谱，得到各层小波系数的样点数；

按照频率的高低顺序，将各层小波系数合成完整频谱；

计算系数能量，求出mel对数功率谱；

对mel对数功率谱进行离散小波变换；

提取mel离散小波变换谱振幅，作为振动信号特征参数.

上述方法中，步骤（1）对振动信号进行预处理，包括以下步骤：

对采集的信号进行预加重，提升高频部分；

预加重后，对信号进行分郑 采用交叠分段的方法，使每一帧的帧尾与下一帧的帧头重叠；

对待处理信号加汉明窗，减小截断效应，保证信号帧两端平滑过渡.

上述方法中，步骤（5）求系数能量及滤波后求对数功率谱的方法，包括以下步骤：

对合成后的频谱取平方，求振动信号功率谱；

用M个mel带通滤波器对功率谱进行滤波；

对每个滤波器的输出取对数，求得对应频带的对数功率谱.

图1 特征参数提取方法流程图

3 识别方法选取

不失一般性，识别方法选取已经比较成熟的矢量量化方法，码本设计采用LBG算法.

矢量量化是将若干个采样信号分成一组，即构成一个矢量，然后对此矢量进行一次量化.它是将K维无限空间划分为R个区域边界，每个区域称为一个胞腔，然后将输入信号的矢量与这些胞腔的边界进行比较，并被量化为距离最小的胞腔的中心矢量值.

LBG算法是一种迭代算法，从一个最初选定的初始码本开始迭代.把训练序列进行分组，找到每组的初始码书，计算初始码本与训练序列的失真度，根据最小失真度来确定新的码本，产生的新码本作为第二次迭代的初始码本.重复上述过程，直到系统满足性能要求或不再有明显改进时结束迭代.

4 实验

4.1 实验数据

测试人员共有9名，其中6名男性3名女性.为了保证测试的独立性，这9名测试人员被逐一带入测试环境，独立对铁网进行自由方式的徒手攀爬、挤压、拍打、往复晃动共4种模式的入侵或破坏动作.实验记录每人每种模式对铁网的10次行为，这样，每种模式的入侵或破坏动作就有9×10=90次，4种模式共有10×4×9=360次（总样本数）.

4.2 实验结果

在每人对铁网的每种模式的10次行为中，随机取出3次作为训练样本，其余7次作为识别样本.在上述相同条件下，首先采用线性预测倒谱系数（LPCC）和梅尔频率倒谱系数这两种具有代表性的传统特征参数，图2是本方法在挂网光纤振动传感系统上的现场测试实验图.在使用线性预测倒谱系数进行识别时，攀爬、挤压、拍打、往复晃动这4种模式对应的识别正确率分别为89.37%、91.23%、94.75%、93.06%，使用梅尔频率倒谱系数对应结果分别为89.62%、91.71%、95.02%、93.27%.而采用本方法提出的特征参数识别时，正确率分别为94.31%、95.59%、99.15%、97.87%，比传统参数平均提高了4.60%.

图2 LPCC、MFCC和本方法特征参数识别正确率比较

5 结论

以振动传感器为核心的光纤/电缆安全防范系统，可广泛应用于重要场所的安全防卫，但在振动信号的特征参数提取上，目前仍面临提取的参数识别正确率不高等问题.为了提高特征参数提取的准确性，本文结合离散小波变换与梅尔频率倒谱系数提出一种特征参数提取方法.与两种具有代表性特征参数对比实验表明，本文方法可有效提高光纤振动信号特征参数提取的准确性.